Embedding Oluştur

Girdi metnini temsil eden bir embedding vektörü oluşturur

​

İstek Gövdesi

Senkron istek zaman aşımı: Bu chat dışı endpoint, yönlendirilen modelin tamamlanmasını bekler. Büyük girdiler, uzun sesler veya büyük batch’ler yaygın 30s istemci varsayılanlarını aşabilir; bu yüzden HTTP istemcisi zaman aşımını en az 120s olarak ayarlayın.

model · string · gerekli

Kullanılacak embedding modelinin kimliği (ör. text-embedding-3-small).

input · string | array · gerekli

Embedding’e dönüştürülecek girdi metni. Bir string veya string dizisi olabilir.

encoding_format · string · varsayılan: "float"

Embedding’ler için format: float veya base64.

dimensions · integer

Çıktı için boyut sayısı (modele özeldir).

user · string

Kötüye kullanım izleme için son kullanıcınızı temsil eden benzersiz bir tanımlayıcı.

​

Kullanılabilir Modeller

Model	Boyutlar	Açıklama
text-embedding-3-large	3072	En iyi kalite
text-embedding-3-small	1536	Dengeli
text-embedding-ada-002	1536	Eski sürüm

​

Yanıt

object · string

Her zaman list.

data · array

Embedding nesnelerinden oluşan dizi.

Her nesne şunları içerir:

• object (string): embedding
• index (integer): Girdi dizisindeki indeks
• embedding (array): Embedding vektörü

model · string

Kullanılan model.

usage · object

prompt_tokens ve total_tokens ile token kullanımı.

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
  }
}

​

Toplu Embedding’ler

# 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")