Copertura endpoint
Espone 1 endpoint pubblici: embedding.
Vettori testuali efficienti per ricerca semantica in produzione
# Base URL
https://runapi.ai
# Endpoints
POST /v1/embeddings
curl https://runapi.ai/v1/embeddings \
-H "Authorization: Bearer $RUNAPI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "text-embedding-3-small",
"input": [
"Crea gli embedding di questi articoli di supporto e di una domanda cliente così posso ordinare le corrispondenze più vicine."
],
"encoding_format": "float"
}'
from openai import OpenAI
client = OpenAI(
base_url="https://runapi.ai/v1",
api_key="your-runapi-key"
)
response = client.chat.completions.create(
model="text-embedding-3-small",
messages=[{"role": "user", "content": "Crea gli embedding di questi articoli di supporto e di una domanda cliente così posso ordinare le corrispondenze più vicine."}]
)
import OpenAI from "openai";
const client = new OpenAI({
baseURL: "https://runapi.ai/v1",
apiKey: "your-runapi-key"
});
const response = await client.chat.completions.create({
model: "text-embedding-3-small",
messages: [{ role: "user", content: "Crea gli embedding di questi articoli di supporto e di una domanda cliente così posso ordinare le corrispondenze più vicine." }]
});
3 versioni disponibili
Scegli un modello e genera in pochi secondi.
Nessun modello disponibile al momento.
| Provider | OpenAI |
| ID modello | text-embedding-3-small |
| Modalità | Testo |
| Tipi di attività | Synchronous |
| Endpoint API | /v1/embeddings |
| Unità di fatturazione | 1K token |
| Stato del catalogo | Operativo |
Registrati gratuitamente e crea una chiave API per text-embedding-3-small dalla dashboard.
Invia una richiesta POST a /v1/embeddings con l’identificatore del modello text-embedding-3-small e i tuoi parametri.
Leggi direttamente dall’endpoint la risposta completata di text-embedding-3-small.
Espone 1 endpoint pubblici: embedding.
Misurata in base a 1K token, senza requisito di abbonamento.
Nessun parametro della richiesta è pubblicato per questo endpoint.
Indicizza documenti, FAQ o cataloghi prodotto come vettori e recupera i risultati più pertinenti per significato anziché per corrispondenza di parole chiave.
Genera embedding dei blocchi della knowledge base e fornisci le corrispondenze più simili a un prompt LLM per risposte fondate e con citazioni.
Raggruppa ticket di supporto, risposte a sondaggi o feedback degli utenti per similarità semantica senza etichettatura manuale.
Passa l'ID del modello mostrato nel quickstart.
I limiti per chiave scalano in base al tier di utilizzo. Consulta la pagina prezzi per i limiti attuali.
Sì — la variante è un flag. Puoi cambiarla modificando il parametro model.
Dove lo streaming è disponibile, RunAPI esegue lo streaming end-to-end.
Apri un issue nel repository GitHub pubblico oppure scrivi all’assistenza.
text-embedding-3-small restituisce 1.536 dimensioni per impostazione predefinita. Supporta gli embedding Matryoshka, quindi puoi richiedere 256, 512 o 1.024 dimensioni per ridurre i costi di archiviazione mantenendo la maggior parte della qualità di recupero.
text-embedding-3-large ha 3.072 dimensioni e ottiene circa 2 punti in più sul benchmark MTEB, ma costa circa 6,5 volte di più per milione di token. Per la maggior parte dei casi d'uso di ricerca semantica e RAG, text-embedding-3-small offre una qualità paragonabile a una frazione del costo.
RunAPI addebita per ogni chiamata di embedding senza abbonamento né spesa minima. Consulta la tabella dei prezzi in questa pagina per la tariffa per chiamata corrente. Le richieste fallite non vengono addebitate.
Sì. Invia più testi in una singola chiamata API per ridurre il sovraccarico. RunAPI elabora le richieste di embedding in batch e restituisce tutti i vettori in un'unica risposta, il che è più efficiente per indicizzare grandi collezioni di documenti.
Ti aiutiamo con la configurazione enterprise, le integrazioni e le domande tecniche.
Contattaci