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

Embeddings

用任意 OpenAI 兼容客户端把文本变成向量,用于语义检索、RAG、聚类和去重。模型目录会列出哪些模型支持 embeddings、单条输入的 token 上限,以及它们会忽略的参数。

计费按所选模型与线路的价格计算 token 用量;可能包含其他计费维度。 价格与线路 ↗

请求 Body

modelstringrequired

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

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

一条文本、一组有序文本,或已经分好词的输入(一组 token id,或多组)。响应保持输入顺序。token id 按每个 1 个 token 计;并非所有模型都接受这种输入。

dimensionsintegernullable

可缩短向量的模型(如 text-embedding-3-*)的输出维度。维度固定的模型会在目录的 unsupported_params 里列出 dimensions,始终返回原生维度。

encoding_formatstringnullable

输出编码。在 unsupported_params 里列出它的模型始终返回浮点数组。

floatbase64
userstringnullable

你的终端用户标识,透传给上游用于滥用监测。

响应

objectstring

固定为 list。

dataobject[]

每条输入对应一项,顺序与输入一致。

data[].indexinteger

该向量对应的输入位置。

data[].embeddingnumber[] | string

向量;当 encoding_format 为 base64 且模型支持时为 base64 字符串。

modelstring

你请求的模型 ID,与实际由哪家服务商处理无关。

usage.prompt_tokensinteger

本次计费的输入 token 数。

usage.total_tokensinteger

与 prompt_tokens 相同:embedding 没有输出 token。

usage.costnumber

本次扣费金额(美元)。响应头 x-lazu-cost-usd 是同一个值。

{
  "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 }
}

示例:语义检索

文档先向量化一次,每个查询再向量化,按余弦相似度排序。BAAI/bge-m3 把 100 多种语言映射到同一个向量空间,英文查询不用翻译就能找到中文或日文文档。

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

  • 单条输入 token 上限。 目录里的 input_limit 是一条输入最多能有多少 token(BAAI/bge-m3 为 8192)。超长输入会被拒绝,返回 400 context_length_exceeded(LZ-1005),不扣费。长文档请先切块到上限以下;每块几百到一千 token 通常检索效果也更好。
  • 批量。 传数组即可一次向量化多条文本。大任务建议每批几十到几百条,失败时重试那一批,而不是发一个超大请求。
  • 空输入。 多数模型会拒绝空字符串,发送前请去掉空块。

计费

Embeddings 只按输入 token 计费,单价见定价与渠道里该模型的输入价。服务商返回了读取的 token 数时按它计费;没有返回时,Lazu 用通用分词器在本地计数,与模型自带分词器相比可能相差几个百分点,偏多偏少取决于语言。失败的请求不扣费。每次请求的计费 token 和金额都在 usage 和请求详情里。

常见模型

模型维度单条最大输入 token自定义 dimensions说明
BAAI/bge-m310248192不支持开放权重,100+ 种语言
text-embedding-3-small15368191支持OpenAI,低成本
text-embedding-3-large30728191支持OpenAI,效果最好
gemini-embedding-00130722048支持(768、1536)Google

你的 Key 能调用哪些模型取决于部署,以模型目录为准。

相关页面

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 }
}
请求回执示例回执
$0.0001200 · 842 ms
Request ID
req_demo_01
模型 · 线路
text-embedding-3-small · stable
Token · 输入
1,200
Key
demo-key

仅为示例,不是报价,也不是你这次请求的结果。发送上方请求即可看到你自己的回执。

查看真实请求回执 →

Catalog filter

supported_endpoint_types 包含 embeddings