GigaChat Embeddings 2 — оплата из России

Описание модели

GigaChat Embeddings 2 — это модель эмбеддингов (векторных представлений) от SBER. Модель преобразует текст в числовые векторы фиксированной размерности, что позволяет измерять семантическую близость текстов. Максимальная длина входного текста — 512 токенов.

Эмбеддинги используются для семантического поиска, рекомендательных систем, кластеризации документов и построения RAG-систем (Retrieval-Augmented Generation). GigaChat Embeddings 2 идеально подходит для проектов, где требуется понимание смысла текста, а не простое сопоставление ключевых слов.

Доступ к API GigaChat Embeddings 2 в России предоставляется через AITUNNEL без VPN с оплатой в рублях. API полностью совместим с OpenAI SDK — достаточно заменить base URL на api.aitunnel.ru/v1 и использовать ваш ключ AITUNNEL.

Стоимость GigaChat Embeddings 2 API: цены и оплата в России

Цены указаны за 1 миллион токенов — это как 15 русских книг. Тарифы пересматриваются каждый месяц — гарантируем самую низкую цену в России.

Калькулятор стоимости API

Выберите модель, укажите объём запросов и сразу увидите ориентировочную стоимость в рублях. Удобно для оценки бюджета перед покупкой и интеграцией API.

Стоимость типовых задач

Примерная стоимость использования GigaChat Embeddings 2 для распространённых задач (рассчитано на основе актуальных цен AITUNNEL):

Особенности и характеристики GigaChat Embeddings 2 API

Подключение GigaChat Embeddings 2 API из России без VPN

Модель GigaChat Embeddings 2 преобразует текст в векторные представления (embeddings), которые используются для семантического поиска, кластеризации и рекомендательных систем.

from openai import OpenAI

client = OpenAI(
    api_key="ваш_ключ_aitunnel",
    base_url="https://api.aitunnel.ru/v1/"
)

response = client.embeddings.create(
    model="gigachat-embeddings-2",
    input="Пример текста для векторизации"
)

# Получение вектора эмбеддинга
embedding = response.data[0].embedding
print(f"Размерность вектора: {len(embedding)}")
print(f"Первые 5 значений: {embedding[:5]}")

Частые вопросы