Эмбеддинги

POST /v1/embeddings — векторы для поиска, кластеризации и RAG.

vec = client.embeddings.create(
    model="text-embedding-3-small",
    input=["первый документ", "второй документ"],
)
print(len(vec.data), len(vec.data[0].embedding))

Принимаются text-embedding-3-small, text-embedding-3-large, text-embedding-ada-002, а также qwen/qwen3-embedding-8b, qwen/qwen3-embedding-4b (мультиязычные, RU) и google/gemini-embedding-2. Поле input — строка или массив строк; массивом дешевле и быстрее, чем циклом по одному.

Цена — за миллион входных токенов.

Эндпоинт требует область доступа embeddings — ключ без неё получит 403. Готовый RAG-конвейер на эмбеддингах — в гайде RAG.