Embeddings API：文本向量模型、维度与调用示例

Embeddings API 把文本转成向量，请求与响应格式与 OpenAI Embeddings API 相同，可以直接使用 OpenAI SDK。

项目	内容
端点	`POST https://api.laozhang.ai/v1/embeddings`
请求字段	`model` 和 `input`
结果	`data[i].embedding` 是第 `i` 条输入的向量
本页示例模型	`text-embedding-3-small`
价格与默认维度	见可用模型

可用模型

2026 年 9 月 29 日公开价格配置中，以下模型标注了 Embeddings 端点，价格按每 1M tokens 计，以模型与价格总表为准：

模型 ID	厂商	价格	默认维度
`text-embedding-3-small`	OpenAI	$0.02	1536
`text-embedding-3-large`	OpenAI	$0.13	3072
`text-embedding-ada-002`	OpenAI	$0.10	1536
`text-embedding-v4`	阿里巴巴	$0.07	见阿里云文档

维度的补充说明：

OpenAI 模型的维度来自 OpenAI 向量指南。
只有 text-embedding-3-small 和 text-embedding-3-large 可以用 dimensions 参数缩短向量，例如在请求体中加入 "dimensions": 512。
text-embedding-ada-002 固定输出 1536 维。
阿里巴巴模型的默认维度和可选维度以阿里云百炼文档为准。

以上模型只接受文本输入，不能直接生成图片向量：

需要按内容检索图片时，先用视觉理解模型把图片描述成文字，再对描述做嵌入。
不要把 Base64 图片当作 input 字符串传入。接口会返回向量，但它只代表这串字符，不代表图片内容。

发送请求

在令牌管理创建 API Key，写入环境变量；使用 Python 示例时，先执行 python -m pip install openai。

export LAOZHANG_API_KEY="替换为你的老张API密钥"

input 可以是单个字符串，也可以是字符串数组。下面一次提交两段文本：

cURL
Python

curl --fail-with-body --max-time 60 \
  "https://api.laozhang.ai/v1/embeddings" \
  -H "Authorization: Bearer $LAOZHANG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "text-embedding-3-small",
    "input": ["老张API支持哪些向量模型？", "批量请求怎样保持输入顺序？"]
  }' \
  -o embeddings.json

安装 jq 后，可以按 index 查看每条向量的维度：

jq -c '.data | sort_by(.index) | map({index, dimensions: (.embedding | length)})' embeddings.json

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["LAOZHANG_API_KEY"],
    base_url="https://api.laozhang.ai/v1",
    timeout=60.0,
    max_retries=0,
)
texts = ["老张API支持哪些向量模型？", "批量请求怎样保持输入顺序？"]
response = client.embeddings.create(
    model="text-embedding-3-small",
    input=texts,
    encoding_format="float",
)
items = sorted(response.data, key=lambda item: item.index)
vectors = [item.embedding for item in items]
for text, vector in zip(texts, vectors):
    print(f"{len(vector)} 维：{text}")

Python 示例显式指定 encoding_format="float"，与 cURL 默认返回的浮点数组一致。text-embedding-3-small 的两条结果都应是 1536 维。

读取响应

响应的关键字段如下，示例把向量截短为 3 个数，实际长度等于模型维度：

{
  "object": "list",
  "model": "text-embedding-3-small",
  "data": [
    {"object": "embedding", "index": 0, "embedding": [0.0123, -0.0456, 0.0078]},
    {"object": "embedding", "index": 1, "embedding": [-0.0311, 0.0094, 0.0217]}
  ]
}

data[i].index 对应 input 数组中的位置。批量请求时先按 index 排序，再与原文配对存储，不要依赖 data 的排列顺序。实际扣费以调用日志为准。

使用注意

不同模型、或同一模型不同维度生成的向量，不能放在同一个索引里比较；更换模型或维度后，要重新生成全部向量。
单次请求的条数和单条文本长度有上限，以厂商文档为准；数据量大时分批发送，每批都按 index 还原顺序。
OpenAI 的向量已归一化为长度 1，余弦相似度可以直接用点积计算。

核心接口

其他接口

Embeddings API：文本向量模型、维度与调用示例

可用模型

发送请求

读取响应

使用注意

相关文档

​可用模型

​发送请求

​读取响应

​使用注意

​相关文档

可用模型

发送请求

读取响应

使用注意

相关文档