Are you an LLM? Read llms.txt for a summary of the docs, or llms-full.txt for the full context.
Skip to content
介面 / Vectors
POSThttps://api.lazu.ai/v1/embeddings

Embeddings

用任意 OpenAI 相容用戶端把文字轉成向量,用於語意檢索、RAG、分群與去重。模型目錄會列出哪些模型支援 embeddings、單筆輸入的 token 上限,以及它們會忽略的參數。

計費依所選模型與線路的價格計算 token 用量;可能包含其他計費維度。 價格與線路 ↗

請求 Body

modelstringrequired

來自 /api/models/catalog 的 embedding 模型 ID,例如 BAAI/bge-m3。

inputstring | string[] | integer[] | integer[][]required

一筆文字、一組有序文字,或已經分好詞的輸入(一組 token id,或多組)。回應保持輸入順序。token id 每個按 1 個 token 計;並非所有模型都接受這種輸入。

dimensionsintegernullable

可縮短向量的模型(如 text-embedding-3-*)的輸出維度。維度固定的模型會在目錄的 unsupported_params 列出 dimensions,一律回傳原生維度。

encoding_formatstringnullable

輸出編碼。在 unsupported_params 列出它的模型一律回傳浮點陣列。

floatbase64
userstringnullable

你的終端使用者識別碼,透傳給上游用於濫用監測。

回應

objectstring

固定為 list。

dataobject[]

每筆輸入對應一項,順序與輸入一致。

data[].indexinteger

該向量對應的輸入位置。

data[].embeddingnumber[] | string

向量;當 encoding_format 為 base64 且模型支援時為 base64 字串。

modelstring

你請求的模型 ID,與實際由哪家服務商處理無關。

usage.prompt_tokensinteger

本次計費的輸入 token 數。

usage.total_tokensinteger

與 prompt_tokens 相同:embedding 沒有輸出 token。

usage.costnumber

本次扣費金額(美元)。回應標頭 x-lazu-cost-usd 是同一個值。

{
  "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 }
}

範例:語意檢索

文件先向量化一次,每個查詢再向量化,依餘弦相似度排序。BAAI/bge-m3 把 100 多種語言映射到同一個向量空間,英文查詢不必翻譯就能找到中文或日文文件。

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]}")

限制

  • 單筆輸入 token 上限。 目錄中的 input_limit 是一筆輸入最多能有多少 token(BAAI/bge-m3 為 8192)。超長輸入會被拒絕,回傳 400 context_length_exceeded(LZ-1005),不扣費。長文件請先切塊到上限以下;每塊幾百到一千 token 通常檢索效果也更好。
  • 批次。 傳陣列即可一次向量化多筆文字。大型任務建議每批幾十到幾百筆,失敗時重試那一批,而不是送出一個超大請求。
  • 空輸入。 多數模型會拒絕空字串,送出前請移除空塊。

計費

Embeddings 只依輸入 token 計費,單價見定價與通道中該模型的輸入價。服務商回傳了讀取的 token 數時依它計費;沒有回傳時,Lazu 以通用分詞器在本地計數,與模型自帶分詞器相比可能相差幾個百分點,偏多或偏少取決於語言。失敗的請求不扣費。每次請求的計費 token 與金額都在 usage 和請求詳情中。

常見模型

模型維度單筆最大輸入 token自訂 dimensions說明
BAAI/bge-m310248192不支援開放權重,100+ 種語言
text-embedding-3-small15368191支援OpenAI,低成本
text-embedding-3-large30728191支援OpenAI,效果最好
gemini-embedding-00130722048支援(768、1536)Google

你的 Key 能呼叫哪些模型取決於部署,以模型目錄為準。

相關頁面

Sent from your browser to api.lazu.ai · key stays in this tab
RequestPOST /v1/embeddings
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?"]
  }'
ResponseExample
{
  "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 }
}
請求回執範例回執
$0.0001200 · 842 ms
Request ID
req_demo_01
模型 · 線路
text-embedding-3-small · stable
Token · 輸入
1,200
Key
demo-key

僅為範例,不是報價,也不是你這次請求的結果。送出上方請求即可看到你自己的回執。

查看真實請求回執 →

Catalog filter

supported_endpoint_types 包含 embeddings