Zum Hauptinhalt springen

Documentation Index

Fetch the complete documentation index at: https://docs.tokenlab.sh/llms.txt

Use this file to discover all available pages before exploring further.

​
Anfragekörper

Timeout für synchrone Anfragen: Dieser Nicht-Chat-Endpunkt wartet, bis das geroutete Modell fertig ist. Große Eingaben, lange Audiodateien oder große Batches können übliche 30s-Client-Defaults überschreiten; setzen Sie das Timeout Ihres HTTP-Clients daher auf mindestens 120s.
​
model
string
erforderlich
ID des zu verwendenden Embedding-Modells (z. B. text-embedding-3-small).
​
input
string | array
erforderlich
Eingabetext für das Embedding. Kann ein String oder ein Array von Strings sein.
​
encoding_format
string
Standard:"float"
Format für die Embeddings: float oder base64.
​
dimensions
integer
Anzahl der Dimensionen für die Ausgabe (modellspezifisch).
​
user
string
Eine eindeutige Kennung, die Ihren Endbenutzer für die Missbrauchsüberwachung repräsentiert.

​
Verfügbare Modelle

ModellDimensionenBeschreibung
text-embedding-3-large3072Beste Qualität
text-embedding-3-small1536Ausgewogen
text-embedding-ada-0021536Veraltet

​
Antwort

​
object
string
Immer list.
​
data
array
Array von Embedding-Objekten.Jedes Objekt enthält:
  • object (string): embedding
  • index (integer): Index im Eingabe-Array
  • embedding (array): Der Embedding-Vektor
​
model
string
Verwendetes Modell.
​
usage
object
Token-Nutzung mit prompt_tokens und total_tokens.
curl -X POST "https://api.tokenlab.sh/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"
  }'

{
  "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
  }
}

​
Batch-Embeddings

# 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")