https://api.lazu.ai/v1/embeddingsEmbeddings
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。
floatbase64userstringnullable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-m3 | 1024 | 8192 | 不支持 | 开放权重,100+ 种语言 |
text-embedding-3-small | 1536 | 8191 | 支持 | OpenAI,低成本 |
text-embedding-3-large | 3072 | 8191 | 支持 | OpenAI,效果最好 |
gemini-embedding-001 | 3072 | 2048 | 支持(768、1536) |
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
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 · 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