Naar hoofdinhoud gaan
POST
/
v1
/
embeddings
from openai import OpenAI

client = OpenAI(
    base_url="https://api.cometapi.com/v1",
    api_key="<COMETAPI_KEY>",
)

response = client.embeddings.create(
    model="text-embedding-3-small",
    input="The food was delicious and the waiter was friendly.",
)

print(response.data[0].embedding[:5])  # First 5 dimensions
print(f"Dimensions: {len(response.data[0].embedding)}")
{
  "object": "list",
  "data": [
    {
      "object": "embedding",
      "index": 0,
      "embedding": [
        -0.0021,
        -0.0491,
        0.0209,
        0.0314,
        -0.0453
      ]
    }
  ],
  "model": "text-embedding-3-small",
  "usage": {
    "prompt_tokens": 2,
    "total_tokens": 2
  }
}

​
Overzicht

De Embeddings API genereert vectorrepresentaties van tekst die semantische betekenis vastleggen. Deze vectoren kunnen worden gebruikt voor semantic search, clustering, classificatie, anomaliedetectie en retrieval-augmented generation (RAG). CometAPI ondersteunt embedding-modellen van meerdere providers. Geef één of meer tekststrings door en ontvang numerieke vectoren terug die je kunt opslaan in een vector database of direct kunt gebruiken voor similariteitsberekeningen.

​
Beschikbare modellen

ModelDimensiesMax TokensBeste voor
text-embedding-3-large3.072 (aanpasbaar)8,191Embeddings van de hoogste kwaliteit
text-embedding-3-small1.536 (aanpasbaar)8,191Kostenefficiënt, snel
text-embedding-ada-0021.536 (vast)8,191Legacy-compatibiliteit
Zie de modellijst voor alle beschikbare embedding-modellen en prijzen.

​
Belangrijke opmerkingen

Dimensies verkleinen — De text-embedding-3-*-modellen ondersteunen de parameter dimensions, waarmee je de embedding-vector kunt verkorten zonder noemenswaardig verlies aan nauwkeurigheid. Dit kan de opslagkosten met maximaal 75% verlagen terwijl de meeste semantische informatie behouden blijft.
Batch-invoer — Je kunt meerdere teksten in één request embedden door een array van strings door te geven aan de parameter input. Dit is aanzienlijk efficiënter dan afzonderlijke requests voor elke tekst te doen.

Autorisaties

​
Authorization
string
header
vereist

Bearer token authentication. Use your CometAPI key.

Body

application/json
​
model
string
vereist

The embedding model to use. See the Models page for current embedding model IDs.

Voorbeeld:

"text-embedding-3-small"

​
input
vereist

The text to embed. Can be a single string, an array of strings, or an array of token arrays. Each input must not exceed the model's maximum token limit (8,191 tokens for text-embedding-3-* models).

​
encoding_format
enum<string>
standaard:float

The format of the returned embedding vectors. float returns an array of floating-point numbers. base64 returns a base64-encoded string representation, which can reduce response size for large batches.

Beschikbare opties:
float,
base64
​
dimensions
integer

The number of dimensions for the output embedding vector. Only supported by text-embedding-3-* models. Reducing dimensions can lower storage costs while maintaining most of the embedding's utility.

Vereist bereik: x >= 1
​
user
string

A unique identifier for your end-user, which can help monitor and detect abuse.

Respons

200 - application/json

A list of embedding vectors for the input text(s).

​
object
enum<string>

The object type, always list.

Beschikbare opties:
list
Voorbeeld:

"list"

​
data
object[]

An array of embedding objects, one per input text. When multiple inputs are provided, results are returned in the same order as the input.

​
model
string

The model used to generate the embeddings.

Voorbeeld:

"text-embedding-3-small"

​
usage
object

Token usage statistics for this request.