Crear Embedding

Crea un vector de embedding que representa el texto de entrada

​

Cuerpo de la solicitud

model · string · requerido

ID del modelo de embedding que se va a usar (p. ej., text-embedding-3-small).

input · string | array · requerido

Texto de entrada para generar el embedding. Puede ser una cadena o un array de cadenas.

encoding_format · string · predeterminado: "float"

Formato para los embeddings: float o base64.

dimensions · integer

Número de dimensiones para la salida (específico del modelo).

user · string

Un identificador único que representa a tu usuario final para la supervisión de abuso.

​

Modelos disponibles

Model	Dimensions	Description
text-embedding-3-large	3072	Mejor calidad
text-embedding-3-small	1536	Equilibrado
text-embedding-ada-002	1536	Heredado

​

Respuesta

object · string

Siempre list.

data · array

Array de objetos de embedding.

Cada objeto contiene:

• object (string): embedding
• index (integer): Índice en el array de entrada
• embedding (array): El vector de embedding

model · string

Modelo utilizado.

usage · object

Uso de tokens con prompt_tokens y total_tokens.

cURL

curl -X POST "https://api.lemondata.cc/v1/embeddings" \
  -H "Authorization: Bearer sk-your-api-key" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "text-embedding-3-small",
    "input": "The quick brown fox jumps over the lazy dog"
  }'

Response

{
  "object": "list",
  "data": [
    {
      "object": "embedding",
      "index": 0,
      "embedding": [0.0023, -0.0194, 0.0081, ...]
    }
  ],
  "model": "text-embedding-3-small",
  "usage": {
    "prompt_tokens": 9,
    "total_tokens": 9
  }
}

​

Embeddings por lotes

# Embed multiple texts at once
response = client.embeddings.create(
    model="text-embedding-3-small",
    input=[
        "First document text",
        "Second document text",
        "Third document text"
    ]
)

for i, data in enumerate(response.data):
    print(f"Document {i}: {len(data.embedding)} dimensions")