Eén auth, elke provider
Met één RunAPI-sleutel ontgrendel je de hele catalogus. Geen aparte accounts, geen sleutelrotatie per integratie.
It looks like you may prefer a different language. Switch anytime.
Gebruik de Embedding API via RunAPI met een modelskill, uniforme auth en pay-as-you-go prijzen.
# Base URL
https://runapi.ai
# Endpoints
POST /v1/embeddings
curl https://runapi.ai/v1/chat/completions \
-H "Authorization: Bearer $RUNAPI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "text-embedding-ada-002",
"input": [
"Maak embeddings van deze supportartikelen en een klantvraag zodat ik de dichtstbijzijnde matches kan rangschikken."
],
"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-ada-002",
messages=[{"role": "user", "content": "Maak embeddings van deze supportartikelen en een klantvraag zodat ik de dichtstbijzijnde matches kan rangschikken."}]
)
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-ada-002",
messages: [{ role: "user", content: "Maak embeddings van deze supportartikelen en een klantvraag zodat ik de dichtstbijzijnde matches kan rangschikken." }]
});
OpenAI Embedding-modellen zetten tekst om in dense vectoren voor semantische zoekopdrachten, retrieval-augmented generation, clustering, classificatie en ranking. De text-embedding-3-familie ondersteunt efficiente productieretrieval met optionele controle over vectordimensionaliteit.
| Endpoint | Protocol |
|---|---|
POST /v1/embeddings | OpenAI Embeddings |
| Variant | Facturering | Prijzen | |
|---|---|---|---|
| text-embedding-3-large | 1K tokens | Input $0.13 / 1M tokens | Output Free / 1M tokens | Bekijken → |
| text-embedding-3-small | 1K tokens | Input $0.02 / 1M tokens | Output Free / 1M tokens | Bekijken → |
| text-embedding-ada-002 | 1K tokens | Input $0.10 / 1M tokens | Output Free / 1M tokens | Bekijken → |
| Endpoint | Resolutie | Duur | Prijs | |
|---|---|---|---|---|
| embedding | — | — | Input $0.13 / 1M tokens | Output Free / 1M tokens |
Prijzen getoond voor text-embedding-3-large. Andere varianten behouden hun eigen endpoint-prijzen.
Kies het model en de variant die passen bij je outputtype, kwaliteitslat en latencydoel.
Stel je RunAPI-key in en installeer de modelskill in je codeworkspace.
Gebruik de skill-instructies om de modelfeature in je applicatie toe te voegen.
Poll op task-ID, stream wanneer ondersteund of verwerk de webhook-callback.
OpenAI Embedding-modellen bieden de standaard OpenAI Embeddings API via RunAPI, zodat vector search- en RAG-pipelines dezelfde RunAPI-sleutel kunnen gebruiken als GPT chat- en Responses-verkeer.
Met één RunAPI-sleutel ontgrendel je de hele catalogus. Geen aparte accounts, geen sleutelrotatie per integratie.
Prijs per call in USD, maandelijks gefactureerd. Mislukte generaties worden niet in rekening gebracht.
Getypeerde schema's en setupnotities zitten in de modelskill, zodat implementatie start vanuit het juiste contract.
Gebruik text-embedding-3-small voor efficiente productieretrieval en text-embedding-3-large wanneer recallkwaliteit belangrijker is dan vectorgrootte.
Ja. Geef de parameter dimensions mee met text-embedding-3-large of text-embedding-3-small wanneer je kleinere vectoren nodig hebt.
Ja. /v1/embeddings retourneert een OpenAI-compatibele list response met embeddingdata, model en usage.
Nee. Embeddingmodellen zijn alleen beschikbaar op /v1/embeddings.
Gebruik een string, een array van strings of tokenarrays volgens het OpenAI Embeddings API-formaat.
Kies de goedkoopste variant die aan je kwaliteitsnorm voldoet. De meeste teams beginnen met de snelle variant en stappen over op pro voor productie.