原生 OpenAI 格式
curl --request POST \
--url https://api.gravitex.ai/v1/embeddings \
--header 'Authorization: <authorization>' \
--header 'Content-Type: application/json' \
--data '
{
"model": "<string>",
"input": {},
"encoding_format": "<string>",
"dimensions": 123
}
'文本补全和向量嵌入
嵌入（OpenAI格式）
POST /v1/embeddings 文本向量化
POST
/
v1
/
embeddings
原生 OpenAI 格式
curl --request POST \
--url https://api.gravitex.ai/v1/embeddings \
--header 'Authorization: <authorization>' \
--header 'Content-Type: application/json' \
--data '
{
"model": "<string>",
"input": {},
"encoding_format": "<string>",
"dimensions": 123
}
'Documentation Index
Fetch the complete documentation index at: https://docs.gravitex.ai/llms.txt
Use this file to discover all available pages before exploring further.
简介
将文本转换为向量嵌入，适用于语义搜索、文本相似度计算、聚类分析等场景。兼容 OpenAI Embeddings API。认证
Bearer Token，如
Bearer sk-xxxxxxxxxx请求参数
模型名称，如
text-embedding-3-small、text-embedding-3-large、text-embedding-ada-002要嵌入的文本，可以是字符串或字符串数组
返回格式：
float 或 base64输出向量维度（仅部分模型支持）
请求示例
curl https://api.gravitex.ai/v1/embeddings \
-H "Content-Type: application/json" \
-H "Authorization: Bearer sk-xxxxxxxxxx" \
-d '{
"model": "text-embedding-3-small",
"input": "你好，世界"
}'
Python 示例
from openai import OpenAI
client = OpenAI(
api_key="sk-xxxxxxxxxx",
base_url="https://api.gravitex.ai/v1"
)
response = client.embeddings.create(
model="text-embedding-3-small",
input="你好，世界"
)
print(response.data[0].embedding)
print(f"向量维度：{len(response.data[0].embedding)}")
响应示例
{
"object": "list",
"data": [
{
"object": "embedding",
"index": 0,
"embedding": [0.0023064255, -0.009327292, 0.015797347]
}
],
"model": "text-embedding-3-small",
"usage": {
"prompt_tokens": 5,
"total_tokens": 5
}
}
支持的模型
| 模型 | 维度 | 说明 |
|---|---|---|
| text-embedding-3-small | 1536 | 高性价比，适合大多数场景 |
| text-embedding-3-large | 3072 | 高精度 |
| text-embedding-ada-002 | 1536 | 旧版模型 |
- 批量嵌入时，
input可传入字符串数组 - 部分模型支持通过
dimensions自定义输出维度
⌘I