Создание эмбеддингов (vector embeddings) через API

Метод
POST {{API_HOST}}/v2/embeddings
Заголовки
X-Auth-Token: YOUR_API_KEY
Content-Type: application/json
Метод POST /v2/embeddings позволяет отправить текст на встраивание и получить числовое векторное представление, пригодное для машинного обучения, поиска по смыслу, сравнения или хранения в векторных базах данных.

Поддерживает модели типа embed от различных вендоров, включая OpenAI (text-embedding-3-small, text-embedding-ada-002), GigaChat, Yandex и др.
Тело запроса
Параметр
Тип
Обязателен
Описание
input
string
Да
Один или несколько текстов для кодирования
model
array
Да
Код модели типа embed, например:
text-embedding-ada-002
Пример
{
  "input": "Это тестовая строка для эмбеддинга",
  "model": "text-embedding-ada-002"
}
Ответ
{
  "status": true,
  "response": {
    "object": "list",
    "data": [
      {
        "object": "embedding",
        "index": 0,
        "embedding": [0.012, -0.045, ...]
      }
    ],
    "model": "text-embedding-ada-002",
    "usage": {
      "prompt_tokens": 9,
      "total_tokens": 9
    }
  }
}
Описание полей:
Параметр
Тип
Описание
status
boolean
Успешен ли запрос
response.data
array
Массив эмбеддингов
embedding
float
Вектор длиной 1536 или 3072 в зависимости от модели
usage
object
Статистика по токенам
Поддерживаемые модели
  • text-embedding-3-small (OpenAI)
  • text-embedding-ada-002 (OpenAI)
  • EmbeddingsGigaR (GigaChat)
  • text-search-doc (Yandex)
  • deepseek-embed (DeepSeek)
и другие, доступные через метод GET /v2/models?type=embed
Примеры использования
  • Кластеризация отзывов пользователей
  • Поиск по смыслу (semantic search)
  • Сравнение документов и вопросов