POST Embeddings

Создание векторных представлений текста.

Доступные модели

Параметры запроса

Примеры

curl -X POST "https://api.usellm.ru/v1/embeddings" \
  -H "Authorization: Bearer <USELLM_API_KEY>" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "text-embedding-3-large",
    "input": ["Пример текста для поиска", "Второй пример"]
  }'

from openai import OpenAI

client = OpenAI(
    base_url="https://api.usellm.ru/v1",
    api_key="<USELLM_API_KEY>"
)

response = client.embeddings.create(
    model="text-embedding-3-large",
    input=["Первый документ", "Второй документ"]
)

for item in response.data:
    print(f"Index {item.index}: {len(item.embedding)} dimensions")

const response = await fetch('https://api.usellm.ru/v1/embeddings', {
  method: 'POST',
  headers: {
    'Authorization': 'Bearer <USELLM_API_KEY>',
    'Content-Type': 'application/json'
  },
  body: JSON.stringify({
    model: 'text-embedding-3-large',
    input: 'Текст для получения эмбеддинга'
  })
});

const data = await response.json();
console.log(data.data[0].embedding);

Ответ (200)

{
  "id": "emb_123456",
  "object": "list",
  "data": [
    {
      "object": "embedding",
      "embedding": [0.01, -0.02, 0.03, "..."],
      "index": 0
    },
    {
      "object": "embedding",
      "embedding": [0.03, 0.11, -0.05, "..."],
      "index": 1
    }
  ],
  "model": "text-embedding-3-large",
  "usage": {
    "prompt_tokens": 42,
    "total_tokens": 42,
    "cost_rub": 0.05,
    "cost": 0.05
  }
}

Работа с изображениями

Некоторые модели эмбеддингов поддерживают изображения на входе — это даёт мультимодальные эмбеддинги, которые улавливают визуальный контент вместе с текстом. Полезно для поиска по изображениям, определения визуального сходства и кросс-модального поиска.

Чтобы передать изображение, оберните входные данные в мультимодальный формат с массивом content, содержащим объекты image_url. В одном блоке ввода можно комбинировать текст и изображения.

curl https://api.usellm.ru/v1/embeddings \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer <USELLM_API_KEY>" \
  -d '{
  "model": "google/gemini-embedding-2-preview",
  "input": [
    {
      "content": [
        {
          "type": "image_url",
          "image_url": {
            "url": "data:image/png;base64,..."
          }
        }
      ]
    }
  ],
  "encoding_format": "float"
}'

Текст и изображения можно совместить в одном входе, чтобы получить объединённый эмбеддинг:

curl https://api.usellm.ru/v1/embeddings \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer <USELLM_API_KEY>" \
  -d '{
    "model": "google/gemini-embedding-2-preview",
    "input": [
      {
        "content": [
          {"type": "text", "text": "Деревянный настил среди зелёного луга"},
          {"type": "image_url", "image_url": {"url": "https://example.com/example.jpg"}}
        ]
      }
    ],
    "encoding_format": "float"
  }'

Все доступные модели

• YandexGPT Embeddings — Query: yandex/text-search-query
• YandexGPT Embeddings — Doc: yandex/text-search-doc
• Google: Gemini Embedding 001: google/gemini-embedding-001
• Google: Gemini Embedding 2 Preview: google/gemini-embedding-2-preview (мультимодальная)
• Qwen: Qwen3 Embedding 8B: qwen/qwen3-embedding-8b
• Qwen: Qwen3 Embedding 4B: qwen/qwen3-embedding-4b
• OpenAI: Text Embedding Ada 002: openai/text-embedding-ada-002
• OpenAI: Text Embedding 3 Small: openai/text-embedding-3-small
• OpenAI: Text Embedding 3 Large: openai/text-embedding-3-large

Применения

• Семантический поиск — поиск по смыслу, а не по ключевым словам
• RAG — Retrieval-Augmented Generation для LLM
• Кластеризация — группировка похожих документов
• Классификация — категоризация текстов

Рекомендации

1. Нормализуйте тексты — приведите тексты к единому формату перед получением эмбеддингов
2. Разделяйте на чанки — оптимальный размер чанка: 200-800 токенов
3. Используйте косинусное сходство — для сравнения эмбеддингов применяйте cosine similarity или dot-product
4. Кэшируйте результаты — сохраняйте эмбеддинги и кэшируйте повторяющиеся по хешу текста