https://api.lazu.ai/v1/embeddingsEmbeddings
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。
floatbase64userstringnullable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-m3 | 1024 | 8192 | 不支援 | 開放權重,100+ 種語言 |
text-embedding-3-small | 1536 | 8191 | 支援 | OpenAI,低成本 |
text-embedding-3-large | 3072 | 8191 | 支援 | OpenAI,效果最好 |
gemini-embedding-001 | 3072 | 2048 | 支援(768、1536) |
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
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
- 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