Passer au contenu principal

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.

​
Corps de la requête

Timeout des requêtes synchrones : cet endpoint non-chat attend que le modèle routé termine son traitement. Les entrées volumineuses, les longs fichiers audio ou les grands lots peuvent dépasser les valeurs par défaut courantes de 30s côté client ; configurez donc le timeout de votre client HTTP à au moins 120s.
​
model
string
requis
ID du modèle d’embedding à utiliser (par ex., text-embedding-3-small).
​
input
string | array
requis
Texte d’entrée à transformer en embedding. Peut être une chaîne de caractères ou un tableau de chaînes.
​
encoding_format
string
défaut:"float"
Format des embeddings : float ou base64.
​
dimensions
integer
Nombre de dimensions pour la sortie (spécifique au modèle).
​
user
string
Un identifiant unique représentant votre utilisateur final pour la surveillance des abus.

​
Modèles disponibles

ModèleDimensionsDescription
text-embedding-3-large3072Meilleure qualité
text-embedding-3-small1536Équilibré
text-embedding-ada-0021536Hérité

​
Réponse

​
object
string
Toujours list.
​
data
array
Tableau d’objets embedding.Chaque objet contient :
  • object (string) : embedding
  • index (integer) : Index dans le tableau d’entrée
  • embedding (array) : Le vecteur d’embedding
​
model
string
Modèle utilisé.
​
usage
object
Utilisation des tokens avec prompt_tokens et 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
  }
}

​
Embeddings par lot

# 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")