Embeddings и rerank

Векторизация текста и сортировка документов по релевантности.

Задача

Построить семантический поиск: получить embeddings или отсортировать готовый набор документов.

Рабочий пример

Embeddings:

curl https://gorouter.ru/api/v1/embeddings \
  -H "Authorization: Bearer $GOROUTER_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model":"openai/text-embedding-3-small","input":"Текст для индексации"}'

Rerank:

{
  "model": "cohere/rerank-v3.5",
  "query": "Как пополнить баланс?",
  "documents": ["Откройте раздел оплаты", "Создайте embedding"]
}

Важные параметры

Для embeddings input может быть строкой или массивом строк, если это поддерживает модель.
Для rerank передайте query и documents.
Списки подходящих моделей доступны на /embeddings/models и в общем каталоге.

Ответ

Embeddings возвращает векторы в data[].embedding. Rerank возвращает индексы и оценки релевантности. Если ответ содержит usage, usage.cost выражен в RUB.

Ошибки и ограничения

Размер batch, размерность вектора и максимальная длина документа зависят от модели.
Не смешивайте в одном индексе embeddings разных моделей или разных размерностей.