# Embeddings 与 Rerank

> 通过 LLMoxy 生成向量并对文档重排序。

## Embeddings

OpenAI 兼容向量请求使用 `POST /v1/embeddings`。

```bash
curl https://llmoxy.com/v1/embeddings \
  -H "Authorization: Bearer <LLMOXY_API_KEY>" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "text-embedding-3-small",
    "input": ["first document", "second document"],
    "encoding_format": "float"
  }'
```

常用字段：

| 字段 | 说明 |
| --- | --- |
| `model` | 必填，Embedding 模型 ID。 |
| `input` | 字符串或字符串数组。 |
| `encoding_format` | 上游支持时可为 `float` 或 `base64`。 |
| `dimensions` | 支持的模型可指定输出维度。 |
| `user` | 可选跟踪标识。 |

Gemini 风格 Embedding 请求可使用：

```txt
POST /v1/engines/{model}/embeddings
```

## Rerank

使用 `POST /v1/rerank` 调用 Jina、Cohere 等 Rerank 模型。

```bash
curl https://llmoxy.com/v1/rerank \
  -H "Authorization: Bearer <LLMOXY_API_KEY>" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "jina-reranker-v2-base-multilingual",
    "query": "What is LLMoxy?",
    "documents": [
      "LLMoxy is an LLM gateway.",
      "A database stores rows."
    ],
    "top_n": 1,
    "return_documents": true
  }'
```

常用字段：

| 字段 | 说明 |
| --- | --- |
| `model` | 必填，Rerank 模型 ID。 |
| `query` | 查询文本。 |
| `documents` | 字符串或文档对象数组。 |
| `top_n` | 最多返回的排序结果数。 |
| `return_documents` | 是否在响应中包含原始文档。 |

本文是 https://llmoxy.com/docs/api-reference/embeddings-rerank 的 markdown 版本。
