Gemini 原生文本嵌入接口 - 向量嵌入生成

POST https://api.apizt.com/v1beta/models/gemini-embedding-001:embedContent 在线调试 →

嵌入使用独立的 gemini-embedding-001 与 embedContent。文本生成型号和 generateContent 不产生向量。目录还列有 gemini-embedding-2-preview，切换型号前确认维度并重建索引。

▼ Authorization

在 Header 添加参数 Authorization，其值为 Bearer 之后拼接 Token

示例： Authorization: Bearer ********************

请求参数

Header 参数

Authorizationstring必需

Bearer Token；从环境变量 tokenba_API_KEY 读取。

Content-Typestring必需

示例：application/json

Body 参数application/json

modelstring必需

示例：models/gemini-embedding-001

contentobject必需

结构见完整 JSON 示例。

outputDimensionalitynumber可选

示例：768

taskTypestring可选

示例：SEMANTIC_SIMILARITY

完整 JSON 请求体

{
  "model": "models/gemini-embedding-001",
  "content": {
    "parts": [
      {
        "text": "语义搜索示例文本。"
      }
    ]
  },
  "outputDimensionality": 768,
  "taskType": "SEMANTIC_SIMILARITY"
}

请求示例代码

curl --fail-with-body --request POST 'https://api.apizt.com/v1beta/models/gemini-embedding-001:embedContent' \
  --header "Authorization: Bearer ${tokenba_API_KEY}" \
  --header 'Content-Type: application/json' \
  --data-raw '{
  "model": "models/gemini-embedding-001",
  "content": {
    "parts": [
      {
        "text": "语义搜索示例文本。"
      }
    ]
  },
  "outputDimensionality": 768,
  "taskType": "SEMANTIC_SIMILARITY"
}'

async function main() {
  const headers = {
  "Authorization": "Bearer " + process.env.tokenba_API_KEY,
  "Content-Type": "application/json"
};
  const body = JSON.stringify({
  "model": "models/gemini-embedding-001",
  "content": {
    "parts": [
      {
        "text": "语义搜索示例文本。"
      }
    ]
  },
  "outputDimensionality": 768,
  "taskType": "SEMANTIC_SIMILARITY"
});
  const response = await fetch("https://api.apizt.com/v1beta/models/gemini-embedding-001:embedContent", { method: "POST", headers, body });
  if (!response.ok) throw new Error("HTTP " + response.status + ": " + await response.text());
  console.log(await response.text());
}
main().catch(console.error);

import os
import requests

headers = {"Authorization": "Bearer " + os.environ["tokenba_API_KEY"]}
payload = {'model': 'models/gemini-embedding-001',
 'content': {'parts': [{'text': '语义搜索示例文本。'}]},
 'outputDimensionality': 768,
 'taskType': 'SEMANTIC_SIMILARITY'}
response = requests.post('https://api.apizt.com/v1beta/models/gemini-embedding-001:embedContent', headers=headers, json=payload, timeout=120)
response.raise_for_status()
print(response.text)

返回响应

向量位于 embedding.values。示例仅展示字段形态，实际向量长度由模型和 outputDimensionality 决定。更换嵌入模型后应重建向量索引。

以下为结构示例，不代表实际调用结果。

{
  "embedding": {
    "values": [
      0.01,
      -0.02,
      0.03
    ]
  }
}

当前模型与版本

依据 apizt 价格页，同步于 2026/10/8 00:51:37（北京时间）。以下型号按目录声明的协议与本页用途筛选；不代表所有参数和功能通用。切换前请核对型号说明、令牌分组与参数差异。Gemini 原生接口需同时替换 URL 中的模型 ID。

模型 ID	能力标签	支持分组
`gemini-embedding-001`	文本嵌入	分组（2） `Aistudio-Gemini-3`、`Aistudio-Gemini-4`

共列入 1 个候选型号。查看完整模型、版本与接口目录。