Embeddings — векторизация текста

Преобразуйте текст в числовые векторы для семантического поиска, кластеризации, рекомендаций и RAG. Эндпоинт полностью совместим с OpenAI Embeddings — те же поля и формат ответа.

Эндпоинт	`POST https://megaapi.ru/v1/embeddings`
Вход	Строка или массив строк (батч до 2048 элементов)
Выход	Массив векторов `data[].embedding` + `usage`

Модели и цены

Модель	Размерность	Назначение	Цена (с наценкой)
`text-embedding-3-small`	1536	Лучшее соотношение цена/качество	$0.030 / 1M токенов
`text-embedding-3-large`	3072	Высокая точность поиска	$0.195 / 1M токенов
`text-embedding-ada-002`	1536	Классическая, совместимость	$0.150 / 1M токенов
`text-embedding-v4`	многоязычная	Сильная на русском и азиатских языках	$0.105 / 1M токенов

Цены финальные (уже с наценкой). Полный список и тарифы доступны в разделе Модели и цены.

Запрос

POST https://megaapi.ru/v1/embeddings
Authorization: Bearer sk-nexus-...
Content-Type: application/json

{
    "model": "text-embedding-3-small",
    "input": "Искусственный интеллект меняет мир"
}

Батч (несколько текстов за раз)

{
    "model": "text-embedding-3-small",
    "input": ["первый текст", "второй текст", "третий текст"]
}

Ответ

{
    "object": "list",
    "data": [{ "object": "embedding", "index": 0,
              "embedding": [-0.0069, 0.0240, -0.0140, ...] }],
    "model": "text-embedding-3-small",
    "usage": { "prompt_tokens": 5, "total_tokens": 5 }
}

Сценарии

Семантический поиск: векторизуйте запрос и документы, ранжируйте по косинусной близости.
RAG: найдите релевантные фрагменты и передайте их в чат-модель как контекст.
Кластеризация и дедупликация: группируйте близкие по смыслу тексты.
Рекомендации: подбирайте похожие товары/статьи по описаниям.

Совет: для большинства задач начните с text-embedding-3-small — лучший баланс цены и качества; переходите на -large при высоких требованиях к точности.

Полный справочник API → Все модели