https://api.lazu.ai/v1/embeddingsEmbeddings
OpenAI 互換クライアントでテキストをベクトルに変換し、セマンティック検索、RAG、クラスタリング、重複排除に使えます。モデルカタログには embeddings 対応モデル、1 入力あたりのトークン上限、無視されるパラメータが載っています。
課金選択したモデルとレーンの料金でトークン使用量を計算します。他の課金項目が適用される場合もあります。 料金とレーン ↗
リクエストボディ
modelstringrequired/api/models/catalog の embedding モデル ID。例:
BAAI/bge-m3。
inputstring | string[] | integer[] | integer[][]required1 件のテキスト、順序付きのテキスト配列、またはトークン化済みの入力(トークン ID の配列、またはその配列)。レスポンスは入力順を保ちます。トークン ID は 1 個 1 トークンとして数えます。すべてのモデルが受け付けるわけではありません。
dimensionsintegernullableベクトルを短縮できるモデル(text-embedding-3-* など)の出力次元。次元が固定のモデルはカタログの
unsupported_params に dimensions を載せ、常にネイティブ次元を返します。
encoding_formatstringnullable出力エンコーディング。unsupported_params に載っているモデルは常に float 配列を返します。
floatbase64userstringnullableエンドユーザー識別子。不正利用の監視のため上流へ渡されます。
レスポンス
objectstring常に list。
dataobject[]入力ごとに 1 項目、入力と同じ順序。
data[].indexintegerこのベクトルに対応する入力の位置。
data[].embeddingnumber[] | stringベクトル。encoding_format が base64 でモデルが対応している場合は base64 文字列。
modelstringリクエストしたモデル ID。どのプロバイダーが処理したかには左右されません。
usage.prompt_tokensintegerこのリクエストで課金された入力トークン数。
usage.total_tokensintegerprompt_tokens と同じ。embedding に出力トークンはありません。
usage.costnumber課金額(USD)。レスポンスヘッダー x-lazu-cost-usd も同じ値です。
{
"object": "list",
"data": [
{ "object": "embedding", "index": 0, "embedding": [-0.0338, 0.0174, -0.0461] },
{ "object": "embedding", "index": 1, "embedding": [-0.0412, 0.0209, -0.0397] }
],
"model": "BAAI/bge-m3",
"usage": { "prompt_tokens": 14, "total_tokens": 14, "cost": 0.000001 }
}例:セマンティック検索
ドキュメントを一度ベクトル化し、クエリごとにベクトル化して、コサイン類似度で並べます。BAAI/bge-m3 は 100 以上の言語を同じベクトル空間に写すので、英語のクエリで中国語や日本語のドキュメントを翻訳なしで見つけられます。
import numpy as np
from openai import OpenAI
client = OpenAI(base_url="https://api.lazu.ai/v1", api_key="YOUR_LAZU_KEY")
docs = [
"Reset your password from Settings → Security.",
"账单每月 1 日生成,可在控制台下载发票。",
"API キーはプロジェクトごとに発行できます。",
]
def embed(texts):
resp = client.embeddings.create(model="BAAI/bge-m3", input=texts)
vectors = np.array([item.embedding for item in resp.data])
return vectors / np.linalg.norm(vectors, axis=1, keepdims=True)
doc_vectors = embed(docs)
query_vector = embed(["Where can I download my invoice?"])[0]
scores = doc_vectors @ query_vector
for index in scores.argsort()[::-1]:
print(f"{scores[index]:.3f} {docs[index]}")制限
- 1 入力あたりのトークン上限。 カタログの
input_limitは 1 入力に含められる最大トークン数です(BAAI/bge-m3は 8192)。超えた入力は400 context_length_exceeded(LZ-1005)で拒否され、課金されません。長い文書は上限未満のチャンクに分けてください。1 チャンク数百〜1000 トークン程度のほうが検索精度も上がりやすくなります。 - バッチ。 配列を渡すと複数テキストを 1 リクエストでベクトル化できます。大量処理では 1 バッチ数十〜数百件にし、失敗したバッチだけ再試行してください。
- 空入力。 多くのモデルは空文字列を拒否します。送信前に空のチャンクを除いてください。
課金
Embeddings は入力トークンのみ課金され、単価は料金とラインの入力価格です。プロバイダーが読み取ったトークン数を返す場合はその数で課金し、返さない場合は Lazu が汎用トークナイザーでローカルに数えます。モデル固有のトークナイザーとは言語によって数パーセント前後することがあります。失敗したリクエストは課金されません。各リクエストの課金トークン数と金額は usage とリクエスト詳細で確認できます。
主なモデル
| モデル | 次元 | 1 入力の最大トークン | dimensions 指定 | 備考 |
|---|---|---|---|---|
BAAI/bge-m3 | 1024 | 8192 | 不可 | オープンウェイト、100+ 言語 |
text-embedding-3-small | 1536 | 8191 | 可 | OpenAI、低コスト |
text-embedding-3-large | 3072 | 8191 | 可 | OpenAI、最高品質 |
gemini-embedding-001 | 3072 | 2048 | 可(768、1536) |
キーで呼び出せるモデルはデプロイによって異なります。モデルカタログが正です。
関連ページ
curl https://api.lazu.ai/v1/embeddings \
-H "Authorization: Bearer $LAZU_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gpt-6-luna",
"input": ["How do I reset my password?", "如何重置密码?"]
}'
{
"object": "list",
"data": [
{ "object": "embedding", "index": 0, "embedding": [-0.0338, 0.0174, -0.0461] },
{ "object": "embedding", "index": 1, "embedding": [-0.0412, 0.0209, -0.0397] }
],
"model": "BAAI/bge-m3",
"usage": { "prompt_tokens": 14, "total_tokens": 14, "cost": 0.000001 }
}
- Request ID
- req_demo_01
- モデル · レーン
- text-embedding-3-small · stable
- トークン · 入力
- 1,200
- キー
- demo-key
例示のみで、見積もりでもあなたのリクエストの結果でもありません。上のリクエストを送信すると自分の明細が表示されます。
実際のリクエスト明細を見る →Catalog filter
supported_endpoint_types に embeddings を含む