927AI API 文档
官网控制台模型与价格文档首页
官网控制台模型与价格文档首页
  1. 向量化
  • 快速开始
    • 欢迎使用
    • 价格说明
  • 开发工具接入
    • 开发工具接入
    • Claude Code
    • Codex
    • Cursor
    • OpenCode
    • Grok CLI
    • Gemini CLI
    • OpenClaw
    • Hermes
    • WorkBuddy
    • 常见问题
  • 模型 API 接口
    • OpenAI 格式
      • 文本生成
        • Completions
        • Responses
      • 图片
        • 图片生成
        • 图片编辑
    • Anthropic 格式
      • 文本生成
        • Messages
    • Gemini 格式
      • 模型
        • Models
      • 内容生成
        • Generate Content
        • Stream Generate Content
      • 向量化
        • Embed Content
          POST
        • Batch Embed Contents
          POST
    • 视频生成API
      • Seedance
        • OpenAI 格式
          • 创建视频生成任务
          • 查询视频生成任务
          • 下载生成的视频
        • 火山方舟格式
          • 创建视频生成任务
          • 查询视频生成任务
      • Grok
        • OpenAI 格式
          • 创建 Grok 视频任务
          • 查询 Grok 视频任务
          • 下载 Grok 视频
      • Wan
        • OpenAI 格式
          • 创建 Wan 视频任务
          • 查询 Wan 视频任务
          • 下载 Wan 视频
  1. 向量化

Batch Embed Contents

POST
/v1beta/models/{model}:batchEmbedContents
使用同一个 Gemini Embedding 模型一次生成多条文本向量,兼容 Gemini
models.batchEmbedContents 原生接口。
requests 中每个对象都使用与单条向量化相同的字段。为保持 Gemini 原生协议兼容性,
每条请求的 model 应填写 models/{model},并与 URL 路径中的模型一致。

请求参数

Authorization
Bearer Token
在 Header 添加参数
Authorization
,其值为在 Bearer 之后拼接 Token
示例:
Authorization: Bearer ********************
or
Path 参数

Body 参数application/json必填

示例
{
    "requests": [
        {
            "model": "models/gemini-embedding-001",
            "content": {
                "parts": [
                    {
                        "text": "第一段需要向量化的文本。"
                    }
                ]
            },
            "taskType": "RETRIEVAL_DOCUMENT",
            "title": "第一段"
        },
        {
            "model": "models/gemini-embedding-001",
            "content": {
                "parts": [
                    {
                        "text": "第二段需要向量化的文本。"
                    }
                ]
            },
            "taskType": "RETRIEVAL_DOCUMENT",
            "title": "第二段"
        }
    ]
}

请求示例代码

Shell
JavaScript
Java
Swift
Go
PHP
Python
HTTP
C
C#
Objective-C
Ruby
OCaml
Dart
R
请求示例请求示例
Shell
JavaScript
Java
Swift
curl --location 'https://vip.927ai.ai/v1beta/models/:batchEmbedContents' \
--header 'Authorization: Bearer <token>' \
--header 'Content-Type: application/json' \
--data '{
    "requests": [
        {
            "model": "models/gemini-embedding-001",
            "content": {
                "parts": [
                    {
                        "text": "第一段需要向量化的文本。"
                    }
                ]
            },
            "taskType": "RETRIEVAL_DOCUMENT",
            "title": "第一段"
        },
        {
            "model": "models/gemini-embedding-001",
            "content": {
                "parts": [
                    {
                        "text": "第二段需要向量化的文本。"
                    }
                ]
            },
            "taskType": "RETRIEVAL_DOCUMENT",
            "title": "第二段"
        }
    ]
}'

返回响应

🟢200
application/json
批量文本向量化成功
Bodyapplication/json

示例
{
    "embeddings": [
        {
            "values": [
                0.012345,
                -0.023456
            ]
        },
        {
            "values": [
                0.045678,
                -0.056789
            ]
        }
    ]
}
🟠400BadRequest
🟠401Unauthorized
🟠403Forbidden
🟠404NotFound
🟠413PayloadTooLarge
🟠429RateLimited
🔴500InternalError
上一页
Embed Content
下一页
创建视频生成任务
Built with