ИнференсСправочник

Embeddings

Векторы текста для поиска по смыслу и сравнения документов.

POSThttps://api.yenisei.ru/v1/embeddings

Параметры

modelstringобязательный
Имя модели из каталога, например bge-m3.
inputstring | arrayобязательный
Текст или список текстов.

Модели

модель	длина вектора
`bge-m3`	1024
`qwen3-embedding-4b`	2560
`qwen3-embedding-8b`	4096

Векторы одной модели сравнимы только с векторами той же модели: сменили модель — пересчитайте весь свой указатель заново.

curl https://api.yenisei.ru/v1/embeddings \
  -H "Authorization: Bearer $YENISEI_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "bge-m3",
    "input": ["первый текст", "второй текст"]
  }'

from openai import OpenAI
import os

client = OpenAI(
    base_url="https://api.yenisei.ru/v1",
    api_key=os.environ["YENISEI_KEY"],
)

resp = client.embeddings.create(
    model="bge-m3",
    input=["первый текст", "второй текст"],
)
print(len(resp.data[0].embedding))

Ошибки

Те же, что у остальных методов, — Ошибки.

Chat Completions

Дальше

Models