FlowModels

Gerar embeddings: transformar textos em vetores

Publicado em 11. novembro 2026

Embeddings transformam textos em sequências de números, os chamados vetores. Textos parecidos recebem vetores parecidos. Você precisa disso para uma busca semântica, para recomendações ou para agrupar documentos por tema. O FlowModels oferece para isso o endpoint POST /v1/embeddings, no formato da OpenAI.

Quais modelos existem

Para embeddings, só são permitidos os modelos liberados para isso, atualmente openai/text-embedding-3-small e openai/text-embedding-3-large. Na lista em Modelos, você os encontra com o filtro Tipo em Embedding, onde também estão os preços.

A lista de modelos filtrada pelo tipo “Embedding”

Se você enviar um modelo de linguagem para esse endpoint, a API recusa a requisição com 400 unsupported_for_model, antes de qualquer reserva ou cobrança.

Enviar uma requisição

curl https://api.flowmodels.one/v1/embeddings \
  -H "Authorization: Bearer at_sua_chave" \
  -H "Content-Type: application/json" \
  -d '{"model": "openai/text-embedding-3-small", "input": ["Como altero meu endereço de entrega?", "Ajustar o endereço de entrega depois do pedido"]}'

Com a biblioteca da OpenAI para Python:

result = client.embeddings.create(
    model="openai/text-embedding-3-small",
    input=["Como altero meu endereço de entrega?", "Ajustar o endereço de entrega depois do pedido"],
)
vetor = result.data[0].embedding

Como apontar a biblioteca para o FlowModels está em Usar a biblioteca da OpenAI para Python e Node.js com o FlowModels.

A resposta

{
  "object": "list",
  "data": [
    {"object": "embedding", "embedding": [0.0023, -0.0091, …], "index": 0},
    {"object": "embedding", "embedding": [0.0114, 0.0072, …], "index": 1}
  ],
  "model": "openai/text-embedding-3-small",
  "usage": {"prompt_tokens": 16, "total_tokens": 16, "cost": "0.000004", "currency": "EUR"}
}

Os vetores vêm na mesma ordem das suas entradas. index também informa a posição. Em usage.cost aparece quanto a requisição custou em euros.

Vários textos de uma vez

input é um único texto ou uma lista de textos. Uma lista pode ter no máximo 2.048 entradas, cada uma com no máximo 8.192 caracteres. Se você ultrapassar um desses limites, a requisição é recusada, não cortada. Portanto, divida você mesmo os volumes grandes em lotes.

Um lote é processado em uma única chamada ao provedor e cobrado uma vez. Agrupar muitos textos em uma requisição também poupa seu limite de requisições por minuto.

Outros campos

  • encoding_format: float retorna os vetores como lista de números, que é o padrão. base64 os retorna como números de ponto flutuante de 32 bits codificados em Base64, em ordem little-endian. É o formato que as bibliotecas da OpenAI esperam internamente, e ele transfere bem menos dados.
  • dimensions: o comprimento desejado dos vetores, se o modelo aceitar. Vetores mais curtos ocupam menos espaço no seu banco de dados.
  • user: um identificador próprio do usuário final, para rastrear abuso.

Bom saber

  • Embeddings não têm Brain, histórico nem streaming. external_identifier não tem efeito aqui.
  • Compare sempre vetores do mesmo modelo. Vetores de text-embedding-3-small e text-embedding-3-large não são compatíveis entre si.
  • Se você quer disponibilizar documentos apenas para o Brain de um usuário final, não precisa gerar embeddings próprios. Nós cuidamos disso, veja Enviar documentos para um usuário final e usá-los como contexto.

Este artigo foi útil?

Voltar para Modelos, limites e erros