Embeddings (векторизация)

POST /v1/embeddings — векторные представления текста для поиска, RAG и кластеризации. Шесть моделей и legacy-алиас от 2₽ за 1M токенов, от 768 до 4096 измерений. OpenAI-совместимо, оплата только за входные токены в рублях.

Эмбеддинги превращают текст в числовой вектор для семантического поиска, RAG, кластеризации и рекомендаций. Эндпоинт полностью совместим с OpenAI — меняется только базовый адрес и ключ.

POSThttps://plusvibeapi.ru/v1/embeddings

Параметры тела

Параметр	Тип	Описание
`model`обяз.	string	Модель эмбеддинга (см. ниже).
`input`обяз.	string \| string[]	Текст или массив текстов. Массив = батч за один запрос.
`encoding_format`	"float" \| "base64"	Формат вектора в ответе. По умолчанию float.
`dimensions`	integer	Необязательная размерность. Для text-embedding-3-small допустимо только 1536.

Модели и цена

Параметр	Тип	Описание
`text-embedding-3-small`	5₽ / 1M	1536 измерений, до 32 768 токенов на вход. Совместимый legacy-идентификатор: размерность зафиксирована на 1536 для старых индексов.
`qwen3-embedding-8b`	5₽ / 1M	4096 измерений, до 32 768 токенов на вход. Самый сильный многоязычный (вкл. русский). Берите его, если качество важнее скорости.
`bge-m3`	5₽ / 1M	1024 измерений, до 8 192 токенов на вход. Универсальный многоязычный, хорошо держит длинные абзацы.
`multilingual-e5-large`	5₽ / 1M	1024 измерений, до 512 токенов на вход. Классика для поиска. Внимание: окно всего 512 токенов — режьте текст мельче.
`embeddinggemma-300m`	2₽ / 1M	768 измерений, до 2 048 токенов на вход. Самый дешёвый. Компактный вектор, подходит для больших индексов.
`nemotron-embed-vl`	8₽ / 1M	2048 измерений, до 10 240 токенов на вход. Широкий вектор и длинное окно — под насыщенные документы.
`qwen3-embedding-0.6b`	3₽ / 1M	1024 измерений, до 32 768 токенов на вход. Тот же семейный токенизатор, вчетверо у́же вектор — быстрее и дешевле на больших объёмах.

Размерность вектора у моделей разная, и поменять модель постфактум нельзя, не перестроив индекс: колонка в базе создаётся под конкретное число измерений. Выбирайте модель до того, как зальёте первый миллион векторов.

Пример запроса

curl https://plusvibeapi.ru/v1/embeddings \
  -H "Authorization: Bearer $PLUSVIBE_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "qwen3-embedding-8b",
    "input": "Текст для векторизации"
  }'

Ответ

{
  "object": "list",
  "data": [
    { "object": "embedding", "index": 0, "embedding": [0.0021, -0.014, ...] }
  ],
  "model": "qwen3-embedding-8b",
  "usage": { "prompt_tokens": 8, "total_tokens": 8 }
}

Оплата только за входные токены (prompt_tokens); выходных токенов у эмбеддингов нет. Передавайте массив строк в input, чтобы векторизовать пачку за один запрос.

← ПредыдущийВеб-поиск Следующий →Генерация медиа