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

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:

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