Embeddings API

将文本转换为向量表示，用于检索、分类、聚类等场景

POST/v1/embeddings

嵌入 API 将文本转换为数值向量，使计算机能够理解文本之间的语义关系。广泛应用于语义搜索、推荐系统、文本分类、聚类分析等场景。

请求参数

参数	类型	必填	说明
model	string	是	要使用的嵌入模型可选值: text-embedding-3-small, text-embedding-3-large, text-embedding-ada-002
input	string \| string[]	是	要向量化的文本，可以是单个字符串或字符串数组
encoding_format	string	否	返回的嵌入向量格式可选值: float, base64默认: float
dimensions	number	否	输出向量的维度（仅 text-embedding-3-large 支持）

请求示例

以下示例展示如何使用不同编程语言调用 Embeddings API：

curl https://api.mintcloud.ai/v1/embeddings \
  -H "Authorization: Bearer $MINT_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "text-embedding-3-small",
    "input": "The food was delicious and the service was great."
  }'

响应格式

字段说明

object总是返回 "list"

data嵌入向量数组，每个元素包含 embedding、index 和 object 字段

model使用的模型名称

usage使用的 token 数量统计

响应示例

{
  "object": "list",
  "data": [
    {
      "object": "embedding",
      "embedding": [
        0.0023064255,
        -0.009327292,
        // ... 1536 dimensions for text-embedding-3-small
      ],
      "index": 0
    }
  ],
  "model": "text-embedding-3-small",
  "usage": {
    "prompt_tokens": 8,
    "total_tokens": 8
  }
}

向量维度

text-embedding-3-small

1536 维度

使用场景

语义搜索

将文档和查询语句向量化，通过余弦相似度计算找到最相关的内容

文本分类

使用嵌入向量作为特征，结合分类器实现文本分类任务

聚类分析

将文本转换为向量后，使用 K-Means 等算法进行聚类分析