同步接口API详情

通用文本向量是由通义实验室开发的基于LLM的多语言统一文本向量模型,支持多个主流语种,为文本类数据提供高效的向量化转换服务,适用于RAG、文本分类、情感分析等自然语言处理任务。

模型概览

模型名称

向量维度

最大行数

单行最大Token

单价(每千输入Token)

支持语种

免费额度(注)

text-embedding-v4

属于Qwen3-Embedding系列

2,048、1,536、1,024(默认)、768、512、256、128、64

10

8,192

0.0005

Batch调用:0.00025

中文、英语、西班牙语、法语、葡萄牙语、印尼语、日语、韩语、德语、俄罗斯语等100+主流语种及多种编程语言

100Token

有效期:百炼开通后180天内

text-embedding-v3

1,024(默认)、768、512、256、12864

中文、英语、西班牙语、法语、葡萄牙语、印尼语、日语、韩语、德语、俄罗斯语等50+主流语种

text-embedding-v2

1,536

25

2,048

0.0007

Batch调用:0.00035

中文、英语、西班牙语、法语、葡萄牙语、印尼语、日语、韩语、德语、俄罗斯语

50Token

有效期:百炼开通后180天内

text-embedding-v1

中文、英语、西班牙语、法语、葡萄牙语、印尼语

关于模型限流,请参考限流

前提条件

您需要已获取API Key配置API Key到环境变量。如果通过SDK调用,还需要安装DashScope SDK

OpenAI兼容

公共云

使用SDK调用时需配置的base_url:https://dashscope.aliyuncs.com/compatible-mode/v1

使用HTTP方式调用时需配置的endpoint:POST https://dashscope.aliyuncs.com/compatible-mode/v1/embeddings

金融云

使用SDK调用时需配置的base_url:https://dashscope-finance.aliyuncs.com/compatible-mode/v1

使用HTTP方式调用时需配置的endpoint:POST https://dashscope-finance.aliyuncs.com/compatible-mode/v1/embeddings

请求体

输入字符串

Python

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.getenv("DASHSCOPE_API_KEY"),  # 如果您没有配置环境变量,请在此处用您的API Key进行替换
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"  # 百炼服务的base_url
)

completion = client.embeddings.create(
    model="text-embedding-v4",
    input='衣服的质量杠杠的,很漂亮,不枉我等了这么久啊,喜欢,以后还来这里买',
    dimensions=1024, # 指定向量维度(仅 text-embedding-v3及 text-embedding-v4支持该参数)
    encoding_format="float"
)

print(completion.model_dump_json())

Java

import com.openai.client.OpenAIClient;
import com.openai.client.okhttp.OpenAIOkHttpClient;
import com.openai.models.CreateEmbeddingResponse;
import com.openai.models.EmbeddingCreateParams;

public class Main {
    public static void main(String[] args) {
        // 创建客户端,使用环境变量中的API密钥
        OpenAIClient client = OpenAIOkHttpClient.builder()
                .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                .baseUrl("https://dashscope.aliyuncs.com/compatible-mode/v1")
                .build();

        // 创建向量化请求参数
        EmbeddingCreateParams params = EmbeddingCreateParams.builder()
                .model("text-embedding-v4")
                .input("衣服的质量杠杠的,很漂亮,不枉我等了这么久啊,喜欢,以后还来这里买")
                // 指定向量维度(仅 text-embedding-v3及 text-embedding-v4支持该参数)
                .dimensions(1024)
                .build();

        try {
            // 发送请求并获取响应
            CreateEmbeddingResponse response = client.embeddings().create(params);
            System.out.println(response);
        } catch (Exception e) {
            System.err.println("请求出错,请查看错误码对照网页:");
            System.err.println("https://help.aliyun.com/zh/model-studio/faq-about-alibaba-cloud-model-studio?spm=a2c4g.11186623.help-menu-2400256.d_0_17_0.18733a66lTrcHv#1c38f58abfcml");
            System.err.println("错误详情:" + e.getMessage());
            e.printStackTrace();
        }
    }
}

curl

curl --location 'https://dashscope.aliyuncs.com/compatible-mode/v1/embeddings' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
    "model": "text-embedding-v4",
    "input": "风急天高猿啸哀,渚清沙白鸟飞回,无边落木萧萧下,不尽长江滚滚来",  
    "dimension": "1024",  
    "encoding_format": "float"
}'

输入字符串列表

Python

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.getenv("DASHSCOPE_API_KEY"),  # 如果您没有配置环境变量,请在此处用您的API Key进行替换
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"  # 百炼服务的base_url
)

completion = client.embeddings.create(
    model="text-embedding-v4",
    input=['风急天高猿啸哀', '渚清沙白鸟飞回', '无边落木萧萧下', '不尽长江滚滚来'],
    dimensions=1024,# 指定向量维度(仅 text-embedding-v3及 text-embedding-v4支持该参数)
    encoding_format="float"
)

print(completion.model_dump_json())

Java

import com.openai.client.OpenAIClient;
import com.openai.client.okhttp.OpenAIOkHttpClient;
import com.openai.models.CreateEmbeddingResponse;
import com.openai.models.EmbeddingCreateParams;

import java.util.Arrays;
import java.util.List;
import java.util.ArrayList;

public class Main {
    public static void main(String[] args) {
        // 创建客户端,使用环境变量中的API密钥
        OpenAIClient client = OpenAIOkHttpClient.builder()
                .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                .baseUrl("https://dashscope.aliyuncs.com/compatible-mode/v1")
                .build();

        // 创建输入字符串列表
        List<String> inputList = Arrays.asList(
            "风急天高猿啸哀",
            "渚清沙白鸟飞回",
            "无边落木萧萧下",
            "不尽长江滚滚来"
        );

        // 存储所有响应的列表
        List<CreateEmbeddingResponse> responses = new ArrayList<>();

        // 循环处理每个字符串
        for (String text : inputList) {
            try {
                // 创建向量化请求参数
                EmbeddingCreateParams params = EmbeddingCreateParams.builder()
                        .model("text-embedding-v4")
                        .input(text)
                        // 指定向量维度(仅 text-embedding-v3及 text-embedding-v4支持该参数)
                        .dimensions(1024)
                        .build();

                // 发送请求并获取响应
                CreateEmbeddingResponse response = client.embeddings().create(params);
                responses.add(response);
                System.out.println("处理文本: " + text);
                System.out.println("向量化结果: " + response);
                System.out.println("------------------------");
            } catch (Exception e) {
                System.err.println("处理文本时出错: " + text);
                System.err.println("错误详情:" + e.getMessage());
                e.printStackTrace();
            }
        }

        // 打印总结信息
        System.out.println("\n总共处理了 " + responses.size() + " 个文本");
    }
} 

curl

curl --location 'https://dashscope.aliyuncs.com/compatible-mode/v1/embeddings' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
    "model": "text-embedding-v4",
    "input": [
        "风急天高猿啸哀",
        "渚清沙白鸟飞回", 
        "无边落木萧萧下", 
        "不尽长江滚滚来"
        ],
    "dimension": 1024,
    "encoding_format": "float"
}'

输入文件

Python

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.getenv("DASHSCOPE_API_KEY"),  # 如果您没有配置环境变量,请在此处用您的API Key进行替换
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"  # 百炼服务的base_url
)
# 确保将 'texts_to_embedding.txt' 替换为您自己的文件名或路径
with open('texts_to_embedding.txt', 'r', encoding='utf-8') as f:
    completion = client.embeddings.create(
        model="text-embedding-v4",
        input=f,
        dimensions=1024,# 指定向量维度(仅 text-embedding-v3及 text-embedding-v4支持该参数)
        encoding_format="float"
    )
print(completion.model_dump_json())

Java

import com.openai.client.OpenAIClient;
import com.openai.client.okhttp.OpenAIOkHttpClient;
import com.openai.models.CreateEmbeddingResponse;
import com.openai.models.EmbeddingCreateParams;

import java.io.BufferedReader;
import java.io.FileReader;
import java.io.IOException;
import java.nio.file.Paths;

public class Main {
    public static void main(String[] args) {
        // 创建客户端,使用环境变量中的API密钥
        OpenAIClient client = OpenAIOkHttpClient.builder()
                .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                .baseUrl("https://dashscope.aliyuncs.com/compatible-mode/v1")
                .build();

        // 确保将 'texts_to_embedding.txt' 替换为您自己的文件名或绝对路径
        String filePath = "/src/main/java/org/example/text_to_embedding.txt";

        try {
            // 读取文件内容
            StringBuilder fileContent = new StringBuilder();
            try (BufferedReader reader = new BufferedReader(new FileReader(filePath))) {
                String line;
                while ((line = reader.readLine()) != null) {
                    fileContent.append(line).append("\n");
                }
            }

            // 创建向量化请求参数
            EmbeddingCreateParams params = EmbeddingCreateParams.builder()
                    .model("text-embedding-v4")
                    .input(fileContent.toString())
                    // 指定向量维度(仅 text-embedding-v3及 text-embedding-v4支持该参数)
                    .dimensions(1024)
                    .build();

            // 发送请求并获取响应
            CreateEmbeddingResponse response = client.embeddings().create(params);
            System.out.println(response);

        } catch (IOException e) {
            System.err.println("读取文件时出错:" + e.getMessage());
            e.printStackTrace();
        } catch (Exception e) {
            System.err.println("请求出错,请查看错误码对照网页:");
            System.err.println("https://help.aliyun.com/zh/model-studio/faq-about-alibaba-cloud-model-studio?spm=a2c4g.11186623.help-menu-2400256.d_0_17_0.18733a66lTrcHv#1c38f58abfcml");
            System.err.println("错误详情:" + e.getMessage());
            e.printStackTrace();
        }
    }
} 

curl

确保将 'texts_to_embedding.txt' 替换为您自己的文件名或路径
FILE_CONTENT=$(cat texts_to_embedding.txt | jq -Rs .)
curl --location 'https://dashscope.aliyuncs.com/compatible-mode/v1/embeddings' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
    "model": "text-embedding-v4",
    "input": ['"$FILE_CONTENT"'],
    "dimension": 1024,
    "encoding_format": "float"
}'

model string必选

调用的模型,参考模型概览表格中的模型名称进行选择。

input array<string> 或 string 或 file 必选

输入文本的基本信息,可以是字符串,字符串列表, 或者打开的文件(需要Embedding的内容,一行一条)。

文本限制:

  • 文本数量:

    • 作为字符串时最长支持 2,048 Token。

      text-embedding-v3text-embedding-v4模型input是字符串时,最长支持 8,192 Token。
    • 作为字符串列表时最多支持 25 条,每条最长支持 2,048 Token。

      text-embedding-v3text-embedding-v4模型input是字符串列表时最多支持 10 条,每条最长支持 8,192 Token。
    • 作为文件时最多支持 25 条,每条最长支持 2,048 Token。

      text-embedding-v3text-embedding-v4模型input是文本文件时最多支持 10 行,每行最长支持 8,192 Token。

dimension integer 可选

用于用户指定输出向量维度,只适用于text-embedding-v3text-embedding-v4模型。指定的值只能在2048(仅适用于text-embedding-v4)、1536(仅适用于text-embedding-v4)1024、768、512、256、12864八个值之间选取,默认值为1024。

encoding_format string 可选

用于控制返回的Embedding格式,当前仅支持float格式。

响应对象

成功响应

{
  "data": [
    {
      "embedding": [
        -0.0695386752486229, 0.030681096017360687, ...
      ],
      "index": 0,
      "object": "embedding"
    },
    ...
    {
      "embedding": [
        -0.06348952651023865, 0.060446035116910934, ...
      ],
      "index": 5,
      "object": "embedding"
    }
  ],
  "model": "text-embedding-v3",
  "object": "list",
  "usage": {
    "prompt_tokens": 184,
    "total_tokens": 184
  },
  "id": "73591b79-d194-9bca-8bb5-xxxxxxxxxxxx"
}

异常响应

{
    "error": {
        "message": "Incorrect API key provided. ",
        "type": "invalid_request_error",
        "param": null,
        "code": "invalid_api_key"
    }
}

data array

任务输出信息。

属性

embedding list

本次调用返回object对象的value,类型是元素为float数据的数组,包含具体Embedding向量。

index integer

本结构中的算法结果对应的输入文字在输入数组中的索引值。

object string

本次调用返回的object对象类型,默认为embedding。

model string

本次调用的模型名。

object string

本次调用返回的data类型,默认为list。

usage object

属性

prompt_tokens integer

用户输入文本转换成Token后的长度。

total_tokens integer

本次请求输入内容的 Token 数目,算法的计量是根据用户输入字符串被模型Tokenizer解析之后对应的Token数目来进行。

id string

请求唯一标识。可用于请求明细溯源和问题排查。

DashScope

公共云

使用SDK调用时需配置的base_url:https://dashscope.aliyuncs.com/api/v1

使用HTTP方式调用时需配置的endpoint:POST https://dashscope.aliyuncs.com/api/v1/services/embeddings/text-embedding/text-embedding

金融云

使用HTTP方式调用时需配置的endpoint:POST https://dashscope-finance.aliyuncs.com/api/v1/services/embeddings/text-embedding/text-embedding

通过SDK调用时需配置的base_url:https://dashscope-finance.aliyuncs.com/api/v1

Python:在导入模块之后,添加以下代码:

dashscope.base_http_api_url = 'https://dashscope-finance.aliyuncs.com/api/v1'

Java :将TextEmbedding textEmbedding = new TextEmbedding();修改为

TextEmbedding textEmbedding = new TextEmbedding("http", "https://dashscope-finance.aliyuncs.com/api/v1");

请求体

输入字符串

Python

import dashscope
from http import HTTPStatus

resp = dashscope.TextEmbedding.call(
    model="text-embedding-v4",
    input='衣服的质量杠杠的,很漂亮,不枉我等了这么久啊,喜欢,以后还来这里买',
    dimension=1024,  # 指定向量维度(仅 text-embedding-v3及 text-embedding-v4支持该参数)
    output_type="dense&sparse"
)

print(resp) if resp.status_code == HTTPStatus.OK else print(resp)

Java

import java.util.Arrays;
import com.alibaba.dashscope.embeddings.TextEmbedding;
import com.alibaba.dashscope.embeddings.TextEmbeddingParam;
import com.alibaba.dashscope.embeddings.TextEmbeddingResult;
import com.alibaba.dashscope.exception.ApiException;
import com.alibaba.dashscope.exception.NoApiKeyException;

/**
 * 通义千问文本向量模型调用示例
 */
public final class Main {
    public static void main(String[] args) {
        try {
            // 构建请求参数
            TextEmbeddingParam param = TextEmbeddingParam
                    .builder()
                    .model("text-embedding-v4")  // 使用text-embedding-v4模型
                    .texts(Arrays.asList("衣服的质量杠杠的,很漂亮,不枉我等了这么久啊,喜欢,以后还来这里买"))  // 输入文本
                    .parameter("dimension", 1024)  // 指定向量维度(仅 text-embedding-v3及 text-embedding-v4支持该参数)
                    .build();

            // 创建模型实例并调用
            TextEmbedding textEmbedding = new TextEmbedding();
            TextEmbeddingResult result = textEmbedding.call(param);
            
            // 输出结果
            System.out.println(result);
            
        } catch (ApiException | NoApiKeyException e) {
            System.out.println("调用失败:" + e.getMessage());
        }
    }
}

curl

curl --location 'https://dashscope.aliyuncs.com/api/v1/services/embeddings/text-embedding/text-embedding' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
    "model": "text-embedding-v4",
    "input": {
        "texts": [
        "风急天高猿啸哀,渚清沙白鸟飞回,无边落木萧萧下,不尽长江滚滚来"
        ]
    },
    "parameters": {
    	"dimension": 1024,
    	"output_type": "dense"
    }
}'

输入字符串列表

Python

import dashscope
from http import HTTPStatus

DASHSCOPE_MAX_BATCH_SIZE = 25

inputs = ['风急天高猿啸哀', '渚清沙白鸟飞回', '无边落木萧萧下', '不尽长江滚滚来']

result = None
batch_counter = 0
for i in range(0, len(inputs), DASHSCOPE_MAX_BATCH_SIZE):
    batch = inputs[i:i + DASHSCOPE_MAX_BATCH_SIZE]
    resp = dashscope.TextEmbedding.call(
        model="text-embedding-v4",
        input=batch,
        dimension=1024  # 指定向量维度(仅 text-embedding-v3及 text-embedding-v4支持该参数)
    )
    if resp.status_code == HTTPStatus.OK:
        if result is None:
            result = resp
        else:
            for emb in resp.output['embeddings']:
                emb['text_index'] += batch_counter
                result.output['embeddings'].append(emb)
            result.usage['total_tokens'] += resp.usage['total_tokens']
    else:
        print(resp)
    batch_counter += len(batch)

print(result)

Java

import java.util.Arrays;
import java.util.List;
import com.alibaba.dashscope.embeddings.TextEmbedding;
import com.alibaba.dashscope.embeddings.TextEmbeddingParam;
import com.alibaba.dashscope.embeddings.TextEmbeddingResult;
import com.alibaba.dashscope.exception.ApiException;
import com.alibaba.dashscope.exception.NoApiKeyException;

public final class Main {
    private static final int DASHSCOPE_MAX_BATCH_SIZE = 25;

    public static void main(String[] args) {
        List<String> inputs = Arrays.asList(
                "风急天高猿啸哀",
                "渚清沙白鸟飞回",
                "无边落木萧萧下",
                "不尽长江滚滚来"
        );

        TextEmbeddingResult result = null;
        int batchCounter = 0;

        for (int i = 0; i < inputs.size(); i += DASHSCOPE_MAX_BATCH_SIZE) {
            List<String> batch = inputs.subList(i, Math.min(i + DASHSCOPE_MAX_BATCH_SIZE, inputs.size()));
            TextEmbeddingParam param = TextEmbeddingParam.builder()
                    .model("text-embedding-v4")
                    .texts(batch)
                    .parameter("dimension", 1024)  // 指定向量维度(仅 text-embedding-v3及 text-embedding-v4支持该参数)
                    .build();

            TextEmbedding textEmbedding = new TextEmbedding();
            try {
                TextEmbeddingResult resp = textEmbedding.call(param);
                if (resp != null) {
                    if (result == null) {
                        result = resp;
                    } else {
                        for (var emb : resp.getOutput().getEmbeddings()) {
                            emb.setTextIndex(emb.getTextIndex() + batchCounter);
                            result.getOutput().getEmbeddings().add(emb);
                        }
                        result.getUsage().setTotalTokens(result.getUsage().getTotalTokens() + resp.getUsage().getTotalTokens());
                    }
                } else {
                    System.out.println(resp);
                }
            } catch (ApiException | NoApiKeyException e) {
                e.printStackTrace();
            }
            batchCounter += batch.size();
        }

        System.out.println(result);
    }
}

curl

curl --location 'https://dashscope.aliyuncs.com/api/v1/services/embeddings/text-embedding/text-embedding' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
    "model": "text-embedding-v4",
    "input": {
        "texts": [
          "风急天高猿啸哀",
          "渚清沙白鸟飞回", 
          "无边落木萧萧下", 
          "不尽长江滚滚来"
        ]
    },
    "parameters": {
    	  "dimension": 1024,
    	  "output_type": "dense"
    }
}'

输入文件

Python

from http import HTTPStatus
from dashscope import TextEmbedding

with open('texts_to_embedding.txt', 'r', encoding='utf-8') as f:
    resp = TextEmbedding.call(
        model="text-embedding-v4",
        input=f,
        dimension=1024 # 指定向量维度(仅 text-embedding-v3及 text-embedding-v4支持该参数)
    )

    if resp.status_code == HTTPStatus.OK:
        print(resp)
    else:
        print(resp)

Java

import java.io.BufferedReader;
import java.io.FileReader;
import java.io.IOException;
import com.alibaba.dashscope.embeddings.TextEmbedding;
import com.alibaba.dashscope.embeddings.TextEmbeddingParam;
import com.alibaba.dashscope.embeddings.TextEmbeddingResult;
import com.alibaba.dashscope.exception.ApiException;
import com.alibaba.dashscope.exception.NoApiKeyException;

public final class Main {
    public static void main(String[] args) {
        try (BufferedReader reader = new BufferedReader(new FileReader("<文件所来自的内容根的路径>"))) {
            StringBuilder content = new StringBuilder();
            String line;
            while ((line = reader.readLine()) != null) {
                content.append(line).append("\n");
            }

            TextEmbeddingParam param = TextEmbeddingParam.builder()
                    .model("text-embedding-v4")
                    .text(content.toString())
                    .parameter("dimension", 1024)  // 指定向量维度(仅 text-embedding-v3及 text-embedding-v4支持该参数)
                    .build();

            TextEmbedding textEmbedding = new TextEmbedding();
            TextEmbeddingResult result = textEmbedding.call(param);

            if (result != null) {
                System.out.println(result);
            } else {
                System.out.println("Failed to get embedding: " + result);
            }
        } catch (IOException | ApiException | NoApiKeyException e) {
            e.printStackTrace();
        }
    }
}

curl

确保将 'texts_to_embedding.txt' 替换为您自己的文件名或路径
FILE_CONTENT=$(cat texts_to_embedding.txt | jq -Rs .)
curl --location 'https://dashscope.aliyuncs.com/api/v1/services/embeddings/text-embedding/text-embedding' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
    "model": "text-embedding-v4",
    "input": {
        "texts": ['"$FILE_CONTENT"']
    },
    "parameters": {
        "dimension": 1024,
        "output_type": "dense"
    }
}'

model string 必选

调用的模型,参考模型概览表格中的模型名称进行选择。

input stringarray<string> 必选

输入文本的基本信息,可以是字符串,字符串列表, 或者打开的文件(需要Embedding的内容,一行一条)。

文本限制:

  • 文本数量:

    • 作为字符串时最长支持 2,048 Token。

      text-embedding-v3text-embedding-v4模型input是字符串时,最长支持 8,192 Token。
    • 作为字符串列表时最多支持 25 条,每条最长支持 2,048 Token。

      text-embedding-v3text-embedding-v4模型input是字符串列表时最多支持 10 条,每条最长支持 8,192 Token。
    • 作为文件时最多支持 25 条,每条最长支持 2,048 Token。

      text-embedding-v3text-embedding-v4模型input是文本文件时最多支持 10 行,每行最长支持 8,192 Token。

text_type string 可选

文本转换为向量后可以应用于检索、聚类、分类等下游任务,对检索这类非对称任务为了达到更好的检索效果建议区分查询文本(query)和底库文本(document)类型,入库、聚类、分类等对称任务可以不用特殊指定,采用系统默认值document即可。

dimension integer 可选

用于用户指定输出向量维度,只适用于text-embedding-v3text-embedding-v4模型。指定的值只能在2048(仅适用于text-embedding-v4)、1536(仅适用于text-embedding-v4)1024、768、512、256、12864八个值之间选取,默认值为1024。

output_type string 可选

用户指定输出离散向量表示只适用于text_embedding_v3text_embedding_v4模型,取值在dense、sparse、dense&sparse之间,默认取dense,只输出连续向量。

instruct string 可选

添加自定义任务说明,仅在使用 text-embedding-v4 模型且 text_typequery 时生效。建议使用英文撰写,通常可带来约 1%–5% 的效果提升。

响应对象

成功响应

{   "status_code": 200, 
    "request_id": "1ba94ac8-e058-99bc-9cc1-7fdb37940a46", 
    "code": "", 
    "message": "",
    "output":{
        "embeddings": [
          {  
             "sparse_embedding":[
               {"index":7149,"value":0.829,"token":"风"},
               .....
               {"index":111290,"value":0.9004,"token":"哀"}],
             "embedding": [-0.006929283495992422,-0.005336422007530928, ...],
             "text_index": 0
          }, 
          {
             "sparse_embedding":[
               {"index":246351,"value":1.0483,"token":"渚"},
               .....
               {"index":2490,"value":0.8579,"token":"回"}],
             "embedding": [-0.006929283495992422,-0.005336422007530928, ...],
             "text_index": 1
          },
          {
             "sparse_embedding":[
               {"index":3759,"value":0.7065,"token":"无"},
               .....
               {"index":1130,"value":0.815,"token":"下"}],
             "embedding": [-0.006929283495992422,-0.005336422007530928, ...],
             "text_index": 2
          },
          {
             "sparse_embedding":[
               {"index":562,"value":0.6752,"token":"不"},
               .....
               {"index":1589,"value":0.7097,"token":"来"}],
             "embedding": [-0.001945948973298072,-0.005336422007530928, ...],
             "text_index": 3
          }
        ]
    },
    "usage":{
        "total_tokens":27
    },
    "request_id":"xxxxxxxx"
}

异常响应

{
    "code":"InvalidApiKey",
    "message":"Invalid API-key provided.",
    "request_id":"xxxxxxxx"
}

status_code string

状态码,表示请求的执行结果(如 200 表示成功)。

request_id string

请求唯一标识。可用于请求明细溯源和问题排查。

code string

请求失败,表示错误码,成功时返回参数中该参数为空。

message string

请求失败,表示失败详细信息,成功时返回参数中该参数为空。

output object

任务输出信息。

属性

embeddings array

本次请求的算法输出内容,是一个由结构组成的数组,每一个数组中包含一个对应的输入 text 的算法输出内容。

属性

sparse_embedding array

对应字符串的算法输出离散向量表示 (sparse embedding仅适用于text_embedding_v3text_embedding_v4)。

属性

index integer

词汇或字符在词汇表中的位置索引。

value float

表示该 Token 的权重或重要性分数,值越高,表示该 Token 在当前文本上下文中的重要性或相关性越大。

token string

实际的文本单元或词汇表中的词。

embedding array

对应字符串的算法输出连续向量表示 (dense embedding)。

text_index integer

本结构中的算法结果对应的输入文字在输入数组中的索引值。

usage object

属性

total_tokens integer

本次请求输入内容的 token 数目,算法的计量是根据用户输入字符串被模型tokenizer解析之后对应的token 数目来进行。

request_id string

请求唯一标识。可用于请求明细溯源和问题排查。

错误码

如果模型调用失败并返回报错信息,请参见错误信息进行解决。