Create embeddings

curl -X POST https://api-llm.sunra.ai/v1/embeddings \
  -H "Authorization: Bearer <SUNRA_KEY>" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "google/gemini-embedding-2",
    "input": [
      "The quick brown fox jumps over the lazy dog.",
      "Sunra is a platform for AI models."
    ],
    "dimensions": 768
  }'

import requests

response = requests.post(
    "https://api-llm.sunra.ai/v1/embeddings",
    headers={
        "Authorization": "Bearer <SUNRA_KEY>",
        "Content-Type": "application/json"
    },
    json={
        "model": "google/gemini-embedding-2",
        "input": [
            "The quick brown fox jumps over the lazy dog.",
            "Sunra is a platform for AI models."
        ],
        "dimensions": 768
    }
)
print(response.json())

const response = await fetch("https://api-llm.sunra.ai/v1/embeddings", {
  method: "POST",
  headers: {
    "Authorization": "Bearer <SUNRA_KEY>",
    "Content-Type": "application/json"
  },
  body: JSON.stringify({
    model: "google/gemini-embedding-2",
    input: [
      "The quick brown fox jumps over the lazy dog.",
      "Sunra is a platform for AI models."
    ],
    dimensions: 768
  })
});
const data = await response.json();
console.log(data);

{
  "object": "list",
  "data": [
    {
      "object": "embedding",
      "index": 0,
      "embedding": [0.011253, -0.020551, 0.049236, "..."]
    },
    {
      "object": "embedding",
      "index": 1,
      "embedding": [0.031744, 0.008122, -0.014307, "..."]
    }
  ],
  "model": "google/gemini-embedding-2",
  "usage": {
    "prompt_tokens": 18,
    "total_tokens": 18
  }
}

POST

embeddings

curl -X POST https://api-llm.sunra.ai/v1/embeddings \
  -H "Authorization: Bearer <SUNRA_KEY>" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "google/gemini-embedding-2",
    "input": [
      "The quick brown fox jumps over the lazy dog.",
      "Sunra is a platform for AI models."
    ],
    "dimensions": 768
  }'

import requests

response = requests.post(
    "https://api-llm.sunra.ai/v1/embeddings",
    headers={
        "Authorization": "Bearer <SUNRA_KEY>",
        "Content-Type": "application/json"
    },
    json={
        "model": "google/gemini-embedding-2",
        "input": [
            "The quick brown fox jumps over the lazy dog.",
            "Sunra is a platform for AI models."
        ],
        "dimensions": 768
    }
)
print(response.json())

const response = await fetch("https://api-llm.sunra.ai/v1/embeddings", {
  method: "POST",
  headers: {
    "Authorization": "Bearer <SUNRA_KEY>",
    "Content-Type": "application/json"
  },
  body: JSON.stringify({
    model: "google/gemini-embedding-2",
    input: [
      "The quick brown fox jumps over the lazy dog.",
      "Sunra is a platform for AI models."
    ],
    dimensions: 768
  })
});
const data = await response.json();
console.log(data);

{
  "object": "list",
  "data": [
    {
      "object": "embedding",
      "index": 0,
      "embedding": [0.011253, -0.020551, 0.049236, "..."]
    },
    {
      "object": "embedding",
      "index": 1,
      "embedding": [0.031744, 0.008122, -0.014307, "..."]
    }
  ],
  "model": "google/gemini-embedding-2",
  "usage": {
    "prompt_tokens": 18,
    "total_tokens": 18
  }
}

从文本或媒体输入创建 embedding 向量。纯文本请求每条输入返回一个向量，适用于检索、语义搜索、聚类、分类和 RAG。包含媒体（以 base64 data URI 形式传入的图片、音频或视频）的请求会将所有输入融合为单个跨模态向量——如需每个资产各得一个向量，请将每个资产放在单独的请求中进行 embedding。兼容 OpenAI Embeddings API 格式。此端点不支持流式传输。

认证

Authorization

string

必填

Bearer 令牌。在 Authorization 请求头中使用您的 API 密钥作为 Bearer 令牌。格式：Bearer <SUNRA_KEY>

请求

此端点接受一个 JSON 对象。

model

string

必填

要使用的 embedding 模型 ID，例如 google/gemini-embedding-2。可用的 embedding 模型见模型页面。

input

string | string[]

必填

要进行 embedding 的输入，可以是单个字符串或字符串数组。纯文本输入独立进行 embedding，按输入顺序每条返回一个向量。媒体输入以 base64 data URI 形式传入（data:image/png;base64,…、data:audio/mpeg;base64,…、data:video/mp4;base64,…），可与文本混合——但任何包含媒体的请求都会为全部输入返回一个融合后的单一向量。限制（来自上游）：每个请求最多 6 张图片，视频最长 120 秒，所有模态合计不超过 8,192 个 token（按文本 token 计；图片每张 258 个 token，音频每秒 25 个 token，视频每秒 66 个 token）。

dimensions

integer

输出 embedding 的维度数。仅支持具有灵活输出维度（Matryoshka Representation Learning）的模型。google/gemini-embedding-2 默认为 3072，支持 128 到 3072 之间的值。较小的值会截断向量，同时保留大部分语义质量。

encoding_format

string

返回 embedding 的格式。float（默认）或 base64。

响应

object

string

始终为 list。

data

object[]

embedding 对象列表，每条输入对应一个，按输入顺序排列。

显示 embedding 对象

object

string

始终为 embedding。

index

integer

对应输入的索引。

embedding

number[]

embedding 向量。

model

string

用于创建 embedding 的模型。

usage

object

本次请求的 token 用量。embedding 仅按输入 token 计费，各模态费率不同（定价见模型页面）。包含媒体的请求会返回按模态细分的 token 数。

显示 usage 对象

prompt_tokens

integer

文本输入的 token 数。

input_image_tokens

integer

图片输入的 token 数（每张 258 个）。仅当请求包含图片时返回。

input_audio_tokens

integer

音频输入的 token 数（每秒 25 个）。仅当请求包含音频时返回。

input_video_tokens

integer

视频输入的 token 数（每秒 66 个）。仅当请求包含视频时返回。

total_tokens

integer

所有模态的输入 token 总数（embedding 不产生输出 token）。

curl -X POST https://api-llm.sunra.ai/v1/embeddings \
  -H "Authorization: Bearer <SUNRA_KEY>" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "google/gemini-embedding-2",
    "input": [
      "The quick brown fox jumps over the lazy dog.",
      "Sunra is a platform for AI models."
    ],
    "dimensions": 768
  }'

import requests

response = requests.post(
    "https://api-llm.sunra.ai/v1/embeddings",
    headers={
        "Authorization": "Bearer <SUNRA_KEY>",
        "Content-Type": "application/json"
    },
    json={
        "model": "google/gemini-embedding-2",
        "input": [
            "The quick brown fox jumps over the lazy dog.",
            "Sunra is a platform for AI models."
        ],
        "dimensions": 768
    }
)
print(response.json())

const response = await fetch("https://api-llm.sunra.ai/v1/embeddings", {
  method: "POST",
  headers: {
    "Authorization": "Bearer <SUNRA_KEY>",
    "Content-Type": "application/json"
  },
  body: JSON.stringify({
    model: "google/gemini-embedding-2",
    input: [
      "The quick brown fox jumps over the lazy dog.",
      "Sunra is a platform for AI models."
    ],
    dimensions: 768
  })
});
const data = await response.json();
console.log(data);

{
  "object": "list",
  "data": [
    {
      "object": "embedding",
      "index": 0,
      "embedding": [0.011253, -0.020551, 0.049236, "..."]
    },
    {
      "object": "embedding",
      "index": 1,
      "embedding": [0.031744, 0.008122, -0.014307, "..."]
    }
  ],
  "model": "google/gemini-embedding-2",
  "usage": {
    "prompt_tokens": 18,
    "total_tokens": 18
  }
}

Create a response JavaScript / TypeScript

概述

平台

Multimodal

LLM

客户端 SDK

Create embeddings

认证

请求

响应

​认证

​请求

​响应

认证

请求

响应