文本向量（Gemini）

POSThttps://vip.zen-ai.top/v1beta/models/{model}:embedContent

使用 Gemini 向量模型（如 gemini-embedding-001）生成文本向量，适用于语义检索、聚类、分类等场景。也可以通过 OpenAI 兼容的创建向量接口调用。

请求体

contentobject必填

要向量化的内容，格式为 {"parts": [{"text": "..."}]}。

taskTypestring

任务类型，按用途指定可提升效果。检索场景中，查询用 RETRIEVAL_QUERY，文档用 RETRIEVAL_DOCUMENT。

可选值RETRIEVAL_QUERYRETRIEVAL_DOCUMENTSEMANTIC_SIMILARITYCLASSIFICATIONCLUSTERINGQUESTION_ANSWERINGFACT_VERIFICATIONCODE_RETRIEVAL_QUERY

titlestring

文档标题，仅 taskType 为 RETRIEVAL_DOCUMENT 时可用。

outputDimensionalityinteger

输出向量维度，如 768、1536、3072。

响应

embeddingobject

{"values": [0.0123, -0.0456, ...]}，values 为浮点数数组。

批量请求可使用 POST /v1beta/models/{model}:batchEmbedContents，请求体为 {"requests": [{"model": "models/gemini-embedding-001", "content": {...}}, ...]}。

请求示例

cURLPython

bash

curl "https://vip.zen-ai.top/v1beta/models/gemini-embedding-001:embedContent" \
  -H "x-goog-api-key: $VIP_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "content": {"parts": [{"text": "今天天气真好，适合去公园散步。"}]},
    "outputDimensionality": 768
  }'

python

from google import genai
from google.genai import types

client = genai.Client(
    api_key="sk-xxxxxxxx",
    http_options=types.HttpOptions(base_url="https://vip.zen-ai.top"),
)
result = client.models.embed_content(
    model="gemini-embedding-001",
    contents="今天天气真好，适合去公园散步。",
    config=types.EmbedContentConfig(output_dimensionality=768),
)
print(len(result.embeddings[0].values))

响应示例

json

{
  "embedding": {
    "values": [0.0123, -0.0456, 0.0789, -0.0021, 0.0335]
  }
}

文本向量（Gemini） ​

请求体 ​

响应 ​

文本向量（Gemini）

请求体

响应