> ## Documentation Index
> Fetch the complete documentation index at: https://docs.kvantora.ai/llms.txt
> Use this file to discover all available pages before exploring further.

# Векторизация

> Получить embeddings через тот же ключ и бюджет.

`POST /v1/embeddings` требует право embeddings или inference. В input передайте строку либо до 16 строк, каждая не длиннее 8192 символов. Необязательные поля: dimensions от 1 до 2048, encoding\_format=float/base64.

```json theme={null}
{"model":"PUBLIC_API_ID","input":["Текст для поиска"],"dimensions":8,"encoding_format":"float"}
```

Ответ data содержит object=embedding, index и embedding. Base64 кодирует little-endian float32. Usage и billing отражают ту же финансовую операцию, что и другие endpoints. Ограничения модели проверяются до отправки.

Для индекса и поисковых запросов используйте одну модель и одинаковое число измерений. Смена модели требует заново построить векторы документов; одинаковая длина массивов не делает векторы разных моделей совместимыми.

В примере `PUBLIC_API_ID` — место для `public_api_id` из каталога, а не имя существующей модели. Выбирайте модель с доступной операцией.