向量化教程

FoxAPI 支持文本向量和多模态向量模型，适用于语义搜索、文本分类、图文检索等场景。

可用模型

模型	类型	文本/M	图片/M	说明
text-embedding-v4	文本向量	¥0.50	-	多语言文本向量，Qwen3训练
qwen3-vl-embedding	多模态向量	¥0.70	¥1.80	支持文本、图片、视频混合输入

文本向量

接口

POST https://foxapi.chat/v1/embeddings/text_embeddings

curl 示例

curl -X POST https://foxapi.chat/v1/embeddings/text_embeddings \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer sk-你的Key" \
  -d '{
    "model": "text-embedding-v4",
    "input": {
        "texts": [
            "你觉得猪八戒和孙悟空谁最合适当统帅？",
            "六耳猕猴到底是孙悟空的替身还是邪恶面？"
        ]
    }
  }'

Python 示例

import requests

response = requests.post(
    "https://foxapi.chat/v1/embeddings/text_embeddings",
    headers={
        "Authorization": "Bearer sk-你的Key",
        "Content-Type": "application/json"
    },
    json={
        "model": "text-embedding-v4",
        "input": {
            "texts": ["文本1", "文本2"]
        }
    }
)

result = response.json()
for emb in result["output"]["embeddings"]:
    print(f"文本{emb['text_index']}: 向量维度={len(emb['embedding'])}")

响应示例

{
    "output": {
        "embeddings": [
            {"embedding": [0.013, -0.056, 0.042, ...], "text_index": 0},
            {"embedding": [0.059, -0.037, 0.041, ...], "text_index": 1}
        ]
    },
    "usage": {"total_tokens": 47},
    "request_id": "5f07fb2b-xxx"
}

多模态向量

接口

POST https://foxapi.chat/v1/embeddings/multimodal_embeddings

注意：端点使用下划线 _，不是横杠 -。

curl 示例

curl -X POST https://foxapi.chat/v1/embeddings/multimodal_embeddings \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer sk-你的Key" \
  -d '{
    "model": "qwen3-vl-embedding",
    "input": {
        "contents": [
            {"text": "猪八戒为什么会被打成猪胎？"},
            {"image": "https://example.com/image.png"}
        ]
    },
    "parameters": {"enableFusion": true}
  }'

Python 示例

import requests

response = requests.post(
    "https://foxapi.chat/v1/embeddings/multimodal_embeddings",
    headers={
        "Authorization": "Bearer sk-你的Key",
        "Content-Type": "application/json"
    },
    json={
        "model": "qwen3-vl-embedding",
        "input": {
            "contents": [
                {"text": "一段描述"},
                {"image": "https://example.com/image.png"},
                {"video": "https://example.com/video.mp4"}
            ]
        },
        "parameters": {"enableFusion": true}
    }
)

result = response.json()
print(f"向量维度: {len(result['output']['embeddings'][0]['embedding'])}")

响应示例

{
    "output": {
        "embeddings": [
            {"embedding": [-0.0006, -0.0029, ...], "index": 0, "type": "fusion"}
        ]
    },
    "usage": {"image_tokens": 1504, "input_tokens": 54, "total_tokens": 1558},
    "request_id": "8881c603-xxx"
}

应用场景

文本向量

• 语义搜索：将文档和查询转为向量，通过余弦相似度匹配
• 文本分类：将文本转为向量后输入分类模型
• 聚类分析：对大量文本进行向量化后聚类
• 去重检测：计算文本间相似度，识别重复内容

多模态向量

• 图文检索：用文本搜索相关图片，或用图片搜索相关文本
• 视频理解：将视频内容转为向量，实现视频语义搜索
• 跨模态匹配：实现文本、图片、视频之间的语义对齐

常见问题

Q: 为什么不能用标准的 /v1/embeddings 端点？

FoxAPI 的 embedding 模型（text-embedding-v4 和 qwen3-vl-embedding）使用阿里云原生接口格式，与 OpenAI 标准格式不同，因此需要使用专用端点：

• 文本向量：/v1/embeddings/text_embeddings
• 多模态向量：/v1/embeddings/multimodal_embeddings

Q: 向量维度是多少？

text-embedding-v4 支持 64-2048 维自定义，默认通常是 1024 维。qwen3-vl-embedding 默认 1024 维。

Q: 支持批量处理吗？

支持。text-embedding-v4 的 texts 数组可以传多个文本，qwen3-vl-embedding 的 contents 数组可以传多个内容。