Embedding 与 Rerank

准备 API Key

本页示例使用生产 API https://api.creative-reasoning.com。在 API Key 页面创建或复制完整 API Key，将请求头中的 API_KEY 替换为完整密钥即可。

将示例中的 YOUR_MODEL 替换为模型目录中支持本页操作的模型名称。

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

curl -X POST 'https://api.creative-reasoning.com/unified/v1/embeddings' \
  -H 'Authorization: Bearer API_KEY' \
  -H 'Content-Type: application/json' \
  -d '{"model":"YOUR_MODEL","input":["Hello world!","Hello Tezign!"]}'

成功响应中，data[].index 是输入在请求数组中的位置，从 0 开始；data[].embedding 是对应向量。下面仅示意浮点向量的结构，三个数值不代表模型的实际维度或真实计算结果：

{
  "object": "list",
  "model": "YOUR_MODEL",
  "data": [
    {"object":"embedding","index":0,"embedding":[0.12,-0.04,0.87]},
    {"object":"embedding","index":1,"embedding":[0.11,-0.05,0.86]}
  ]
}

input 必填，可以是单个文本或文本数组。只有模型明确支持时才设置 dimensions、encoding_format 等可选字段；向量长度和编码以实际响应为准。完整字段见 Embedding API。

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。

将 YOUR_MULTIMODAL_MODEL 替换为支持该输入格式的模型名称；图片 URL 和 Base64 均替换为你自己的可用图片。

{
  "model": "YOUR_MULTIMODAL_MODEL",
  "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

先从模型目录确认可用的 Rerank 模型；没有可用项时联系支持开通。仅支持 Embedding 的模型不能用于 Rerank。

正在读取服务信息…

model、query 和 documents 必填。top_n 可限制返回条数，return_documents 可请求携带候选正文；具体支持情况见所选模型。下面是响应结构示例，分数为示意值：

{"model":"YOUR_MODEL","results":[{"index":0,"relevance_score":0.96},{"index":1,"relevance_score":0.12}]}

按 results 中的顺序读取重排结果，通过 index 回查原始 documents。relevance_score 是模型给出的相关性分数，不应当作概率。完整字段见 Rerank API。

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。