# 生成 Embedding 并使用 Rerank

## 选择接口

Embedding 为输入生成向量。Rerank 根据 `query` 重排候选 `documents`。两者需要不同的模型能力。

## 生成向量

<ApiExample endpoint="/unified/v1/embeddings" mode="unified" />

批量调用时，保留输入与响应 `index` 的对应关系。同一个向量索引使用相同的模型、维度和预处理方式。

支持多模态 Embedding 的模型可在同一批次混合文本与图片。图片既可以使用服务端可访问的 URL，也可以使用完整 Base64；具体字段及可选参数以模型目录中的调用示例为准。图片 Base64 不要使用省略号截断。

```json
{
  "model": "<支持多模态 Embedding 的 CR 模型名>",
  "input": [
    { "text": "海滩上的日落" },
    { "image": "https://example.com/beach.jpg" },
    { "image": "<完整的 Base64 图片>" }
  ],
  "dimensions": 512,
  "normalized": true
}
```

## 重新排序

<ApiExample endpoint="/unified/v1/rerank" mode="unified" />

响应中的 `index` 指向请求中的原始候选位置，不是文档 ID。Rerank 分数只用于当前模型的排序，不用于跨模型比较。