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
  }
}

從文字或媒體輸入建立 embedding 向量。純文字請求每條輸入回傳一個向量，適用於檢索、語義搜尋、聚類、分類和 RAG。包含媒體（以 base64 data URI 形式傳入的圖片、音訊或影片）的請求會將所有輸入融合為單一跨模態向量——如需每個資產各得一個向量，請將每個資產放在單獨的請求中進行 embedding。相容 OpenAI Embeddings API 格式。此端點不支援串流。

認證

Authorization

string

必填

Bearer 令牌。在 Authorization 請求標頭中使用您的 API 金鑰作為 Bearer 令牌。Format: Bearer <SUNRA_KEY>

請求

此端點接受一個 JSON 物件。

model

string

必填

要使用的 embedding 模型 ID，例如 google/gemini-embedding-2。可用的 embedding 模型見模型頁面。

input

string | string[]

必填

要進行 embedding 的輸入，可以是單一字串或字串陣列。純文字輸入獨立進行 embedding，按輸入順序每條回傳一個向量。媒體輸入以 base64 data URI 形式傳入（data:image/png;base64,…、data:audio/mpeg;base64,…、data:video/mp4;base64,…），可與文字混合——但任何包含媒體的請求都會為全部輸入回傳一個融合後的單一向量。限制（來自上游）：每個請求最多 6 張圖片，影片最長 120 秒，所有模態合計不超過 8,192 個 token（按文字 token 計；圖片每張 258 個 token，音訊每秒 25 個 token，影片每秒 66 個 token）。

dimensions

integer

輸出 embedding 的維度數。僅支援具有靈活輸出維度（Matryoshka Representation Learning）的模型。google/gemini-embedding-2 預設為 3072，支援 128 到 3072 之間的值。較小的值會截斷向量，同時保留大部分語義品質。

encoding_format

string

回傳 embedding 的格式。float（預設）或 base64。

回應

object

string

始終為 list。

data

object[]

embedding 物件列表，每條輸入對應一個，按輸入順序排列。

顯示 embedding 物件

object

string

始終為 embedding。

index

integer

對應輸入的索引。

embedding

number[]

embedding 向量。

model

string

用於建立 embedding 的模型。

usage

object

本次請求的 token 用量。embedding 僅按輸入 token 計費，各模態費率不同（定價見模型頁面）。包含媒體的請求會回傳按模態細分的 token 數。

顯示 usage 物件

prompt_tokens

integer

文字輸入的 token 數。

input_image_tokens

integer

圖片輸入的 token 數（每張 258 個）。僅當請求包含圖片時回傳。

input_audio_tokens

integer

音訊輸入的 token 數（每秒 25 個）。僅當請求包含音訊時回傳。

input_video_tokens

integer

影片輸入的 token 數（每秒 66 個）。僅當請求包含影片時回傳。

total_tokens

integer

所有模態的輸入 token 總數（embedding 不產生輸出 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

Multimodal

LLM

客戶端 SDK

Create embeddings

認證

請求

回應

​認證

​請求

​回應

認證

請求

回應