Embedding API из России: модели эмбеддингов для поиска и RAG

Обновлено: 5 ноября 2026

Модель эмбеддингов превращает текст в числовой вектор, отражающий его смысл, — это основа семантического поиска и RAG-систем. AI Mediator даёт доступ к таким моделям из России без VPN, с оплатой в рублях.

Доступные модели: text-embedding-3-small, text-embedding-3-large, gemini-embedding-2 и gemini-embedding-001.

Ниже — как работают эмбеддинги, чем отличаются доступные модели, на что смотреть в бенчмарках и примеры кода для получения вектора текста.

получить API-ключ

• БЕЗ VPN
• ОПЛАТА В РУБЛЯХ
• ДОКУМЕНТООБОРОТ ПО ЭДО

ЧТО ТАКОЕ МОДЕЛИ ЭМБЕДДИНГОВ

Модель эмбеддингов не генерирует текст — она преобразует входной текст в вектор: упорядоченный набор чисел, обычно от нескольких сотен до нескольких тысяч измерений. Расположение векторов в этом многомерном пространстве устроено так, что тексты, близкие по смыслу, оказываются рядом друг с другом, а тексты о разном — далеко.

Это делает эмбеддинги основой семантического поиска (поиск по смыслу запроса, а не по точному совпадению слов), рекомендательных систем, кластеризации и классификации текстов, а также ключевым компонентом RAG-архитектур (retrieval-augmented generation), где эмбеддинги отвечают за поиск релевантных фрагментов знаний перед тем, как генеративная модель сформирует ответ.

КАК ПОДКЛЮЧИТЬСЯ К EMBEDDING API

Регистрация в личном кабинете AI Mediator

Шаг #1

Зарегистрироваться в личном кабинете — нужен только email

Шаг #2

Пополнить баланс картой российского банка или по счёту

Шаг #3

Получить единый ключ и отправить первый запрос на эмбеддинг

ПОДКЛЮЧИТЬСЯ К API

СРАВНЕНИЕ МОДЕЛЕЙ ЭМБЕДДИНГОВ

В AI Mediator доступны модели эмбеддингов от двух вендоров — OpenAI и Google. Общее правило: чем выше размерность вектора модели, тем точнее она обычно улавливает смысловые нюансы, но тем дороже обработка и больше места требуется для хранения векторов в базе данных. Актуальные ставки — на странице тарифов.

Модели эмбеддингов и их назначение, ноябрь 2026
Модель	Для чего подходит лучше всего
text-embedding-3-small	Компактная и экономичная модель эмбеддингов: подходит для больших объёмов данных, где важна низкая стоимость обработки и разумная точность поиска.
text-embedding-3-large	Модель эмбеддингов большей размерности: точнее находит смысловые связи на сложных и многоязычных текстах, стоит дороже и требует больше места для хранения векторов.
gemini-embedding-2	Более новая модель эмбеддингов от Google: принимает до 8192 токенов на вход — подходит для индексации длинных фрагментов документов в поиске и RAG.
gemini-embedding-001	Модель эмбеддингов от Google с сильной многоязычной поддержкой — хороший выбор для смешанных и неанглоязычных корпусов документов.

КАК ОЦЕНИВАЮТ КАЧЕСТВО ЭМБЕДДИНГОВ

Retrieval (поиск)

Насколько точно модель находит релевантный документ по запросу — ключевая метрика для RAG и поисковых систем.

Clustering и Classification

Насколько хорошо векторы группируют похожие тексты — важно для рекомендаций, тегирования и автоматической категоризации контента.

Semantic Similarity

Точность определения смысловой близости двух текстов — используется для дедупликации и поиска перефразированных дублей.

Стандартный ориентир в индустрии — бенчмарк MTEB (Massive Text Embedding Benchmark), который объединяет десятки задач и языков в одну сводную оценку. Итоговое место в таком рейтинге — усреднённый показатель, поэтому для конкретного проекта разумно дополнительно проверить модель на своих реальных данных: язык, домен и тип текста у каждой задачи свои.

ПРИМЕР ЗАПРОСА К EMBEDDING API

Эндпоинт AI Mediator — https://api.ai-mediator.ru/v1, авторизация — заголовком Authorization: Bearer, формат совместим с OpenAI SDK.

Запрос через cURL

curl -s https://api.ai-mediator.ru/v1/embeddings \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $AI_MEDIATOR_API_KEY" \
  -d '{
    "model": "text-embedding-3-large",
    "input": "Как оформить возврат товара?"
  }'

Python, OpenAI SDK

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ.get("AI_MEDIATOR_API_KEY"),
    base_url="https://api.ai-mediator.ru/v1",
)

response = client.embeddings.create(
    model="text-embedding-3-large",
    input="Как оформить возврат товара?",
)
print(response.data[0].embedding[:5])  # первые 5 чисел вектора

JavaScript, OpenAI SDK

import OpenAI from "openai";

const client = new OpenAI({
    apiKey: process.env.AI_MEDIATOR_API_KEY,
    baseURL: "https://api.ai-mediator.ru/v1"
});

const response = await client.embeddings.create({
    model: "gemini-embedding-2",
    input: "Как оформить возврат товара?"
});
console.log(response.data[0].embedding.slice(0, 5));

Список доступных моделей

curl -s https://api.ai-mediator.ru/v1/models \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $AI_MEDIATOR_API_KEY"

Возвращает актуальный список моделей по вашему ключу — включая модели эмбеддингов и генеративные модели всех вендоров.

Подробнее о построении RAG-системы на базе эмбеддингов и генеративных моделей — в документации AI Mediator. Актуальные ставки — на странице тарифов.

ЧАСТО ЗАДАВАЕМЫЕ ВОПРОСЫ
ОБ EMBEDDING API

Что такое модель эмбеддингов простыми словами?

Модель эмбеддингов превращает текст (слово, предложение, целый документ) в числовой вектор — набор из нескольких сотен или тысяч чисел, который отражает смысл текста. Тексты с похожим смыслом получают похожие векторы, что позволяет искать «по смыслу», а не по точному совпадению слов.

Зачем эмбеддинги нужны в RAG-системах?

В RAG (retrieval-augmented generation) эмбеддинги используют, чтобы найти в базе знаний фрагменты, релевантные вопросу пользователя, прежде чем передать их генеративной модели. Вопрос и документы превращаются в векторы, а система ищет ближайшие по смыслу — это и есть семантический поиск.

Чем text-embedding-3-large отличается от text-embedding-3-small?

Large использует эмбеддинги большей размерности и обычно точнее находит смысловые связи, особенно на сложных и многоязычных корпусах, но стоит дороже и требует больше места для хранения векторов. Small компактнее и дешевле — хороший выбор при большом объёме данных и умеренных требованиях к точности.

Чем отличаются модели эмбеддингов Gemini от моделей OpenAI?

gemini-embedding-2 и gemini-embedding-001 — модели эмбеддингов от Google, которые хорошо работают в многоязычных и смешанных корпусах; gemini-embedding-2 — более новая модель и принимает на вход до 8192 токенов. Выбор между ними и моделями OpenAI обычно делается эмпирически на своих данных: разница в точности зависит от языка, домена и типа текста.

Можно ли получить доступ к моделям эмбеддингов из России без VPN?

Да, через AI Mediator. Запросы уходят на российский эндпоинт api.ai-mediator.ru, который проксирует их к моделям эмбеддингов Google и OpenAI — VPN не требуется.

Сколько стоит генерация эмбеддингов через AI Mediator?

Тарификация потокенная и считается по входящему тексту — эмбеддинги не генерируют текстовый ответ, поэтому оплачивается только обработка запроса. Актуальные ставки в рублях — на странице тарифов.

Как оценивают качество моделей эмбеддингов?

Стандартный подход — бенчмарки типа MTEB (Massive Text Embedding Benchmark), которые проверяют модель на разных задачах: поиск, кластеризация, классификация, определение схожести текстов. Итоговое место — усреднённая оценка по многим задачам и языкам, поэтому для конкретного проекта полезно дополнительно проверить модель на своих данных.

Можно ли использовать разные модели эмбеддингов и генеративные модели по одному ключу?

Да. Один ключ AI Mediator работает как с моделями эмбеддингов, так и с генеративными моделями GPT, Claude, Gemini и других вендоров — удобно для полного цикла RAG-системы: эмбеддинг для поиска и генеративная модель для ответа.

Подходит ли Embedding API через AI Mediator для юридических лиц?

Да. AI Mediator работает от ООО «ЛТ Сервис Групп» с российскими реквизитами, поддерживает документооборот по ЭДО и подходит для интеграции в коммерческие продукты и поисковые системы.