EMBEDDING-MODELLE

Embeddings für Ihre KI-Anwendungen.

Vergleichen Sie die über RouterLab verfügbaren Embedding-Modelle nach Kontext und Preis und verwenden Sie ihre ID in einer OpenAI-kompatiblen Anfrage.

Kostenlose Testversion starten API-Dokumentation öffnen

Embedding-Modelle

Modellursprünge

API-Format

Technischer Katalog

Katalog der Embedding-Modelle

6 Ergebnisse von 6

synchronisierte Daten

Modell	Kategorie	Modellursprung	Eingabe / 1M	Kontext	Aktion
Zembed 1zembed-1	Embeddings	Other	0,05 USD/ 1 Mio. Token	32.768Token	Modell ansehen
Qwen/Qwen3 Embedding 4BQwen/Qwen3-Embedding-4B	Embeddings	Qwen	0,02 USD/ 1 Mio. Token	32.768Token	Modell ansehen
Qwen/Qwen3 Embedding 0.6BQwen/Qwen3-Embedding-0.6B	Embeddings	Qwen	0,012 USD/ 1 Mio. Token	32.768Token	Modell ansehen
BAAI/Bge M3BAAI/bge-m3	Embeddings	BGE	0,01 USD/ 1 Mio. Token	8192Token	Modell ansehen
Qwen3 VL Embedding 2BQwen3-VL-Embedding-2B	EmbeddingsVision	Qwen	0,09 USD/ 1 Mio. Token	32.768Token	Modell ansehen
Text Embedding 3 Largetext-embedding-3-large	Embeddings	OpenAI	0,13 USD/ 1 Mio. Token	8191Token	Modell ansehen

Zembed 1

zembed-1

EmbeddingsOther

Kontext: 32.768
Eingabe / 1M: 0,05 USD

Modell ansehen

Qwen/Qwen3 Embedding 4B

Qwen/Qwen3-Embedding-4B

EmbeddingsQwen

Kontext: 32.768
Eingabe / 1M: 0,02 USD

Modell ansehen

Qwen/Qwen3 Embedding 0.6B

Qwen/Qwen3-Embedding-0.6B

EmbeddingsQwen

Kontext: 32.768
Eingabe / 1M: 0,012 USD

Modell ansehen

BAAI/Bge M3

BAAI/bge-m3

EmbeddingsBGE

Kontext: 8192
Eingabe / 1M: 0,01 USD

Modell ansehen

Qwen3 VL Embedding 2B

Qwen3-VL-Embedding-2B

EmbeddingsQwenVision

Kontext: 32.768
Eingabe / 1M: 0,09 USD

Modell ansehen

Text Embedding 3 Large

text-embedding-3-large

EmbeddingsOpenAI

Kontext: 8191
Eingabe / 1M: 0,13 USD

Modell ansehen

Anwendungsbeispiel

Eine OpenAI-kompatible Anfrage

Wählen Sie ein Modell und verwenden Sie seine ID in einer Embeddings-Anfrage.

Verwendetes Modell

cURL

curl https://api.routerlab.ch/v1/embeddings \
  -H "Authorization: Bearer $ROUTERLAB_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model":"zembed-1","input":"Zu vektorisierender Text"}'

Die Antwort enthält einen Vektor pro Eingabe im data-Array sowie Nutzungsinformationen.

Technische Orientierung

Häufige Anwendungsfälle

Embeddings repräsentieren Inhalte, damit sie gefunden oder verglichen werden können.

Semantische Suche
RAG (Retrieval Augmented Generation)
Ähnlichkeitserkennung

Die angezeigten Modelle stammen aus dem aktuell verfügbaren RouterLab-Katalog.

Embeddings für Ihre KI-Anwendungen.

Katalog der Embedding-Modelle

API-Anleitungen