Embedding 2

zhipuzhipu/embedding-2

Zhipu AI Embedding 2 — text embedding model with fixed 1024-dim output.

Embedding-2 — официальная документация Zhipu AI ↗Открытая платформа Zhipu AI (bigmodel.cn) ↗

Zhipu AI Embedding-2 — второе поколение модели текстовых эмбеддингов от пекинской компании Zhipu AI (智谱 AI), создателей серии языковых моделей GLM. Опубликована на открытой платформе bigmodel.cn, Embedding-2 преобразует текст в фиксированные 1024-мерные плотные векторы для задач семантического сходства, поиска и ранжирования. Модель разработана для двуязычного (китайско-английского) семантического понимания: лимит одной строки — 512 токенов, суммарный объём массива в пакетном режиме — до 8K токенов.

Embedding-2 — предыдущее поколение API эмбеддингов Zhipu, замещённое Embedding-3, которое добавляет настраиваемые выходные размерности (256/512/1024/2048), лимит 3K токенов на строку и матрёшечное уменьшение размерности. Для новых проектов TheRouter рекомендует Embedding-3. Embedding-2 остаётся практичным вариантом для команд с существующими векторными индексами 1024-мерных векторов, которые пока не могут мигрировать, а также для задач, где уже применяется стратегия чанкинга 512 токенов на фрагмент. Цена идентична Embedding-3: ¥0,5/MTok (~$0,069/MTok через TheRouter).

Когда выбирать

• Поддержка существующих 1024-мерных векторных индексов: если ваша коллекция Pinecone, Weaviate или pgvector уже построена на векторах Embedding-2, продолжение работы с этой моделью позволяет избежать затрат на полную переиндексацию
• Семантический поиск по коротким китайско-английским фрагментам: заголовки новостей, названия продуктов, короткие отзывы — ограничение 512 токенов на элемент здесь не является проблемой
• Экономичное крупномасштабное эмбеддирование по той же цене ¥0,5/MTok, что и Embedding-3, без лишних затрат на переход, если ваш конвейер чанкинга уже нацелен на ≤512 токенов на фрагмент

Когда не выбирать

• Новые проекты: используйте zhipu/embedding-3 — она предлагает переменные размерности (256–2048), более высокий лимит на строку (3K токенов) и матрёшечное сжатие по той же цене
• Эмбеддинг длинных документов: фрагменты длиннее 512 токенов будут обрезаны; используйте Embedding-3 (лимит 3K/строка) или модель с длинным контекстом, например OpenAI text-embedding-3-large (8K/строка)
• Исключительно англоязычный или многоязычный (не китайский) поиск: OpenAI text-embedding-3-small или Cohere Embed V4 обеспечивают лучшее MTEB-покрытие для не-китайских корпусов

Размер контекста

512

Максимальный вывод

Цена Входза 1M токенов

$0.081за 1 млн токенов

Модальности

Текст→embedding

Разбивка цен

Тип	Ставка
Вход	$0.081 за 1 млн токенов

Поддерживаемые параметры

inputencoding_formatuser

Характеристики

Лимит ввода на строку	512 токенов (жёсткий лимит на строку во входном массиве)docs.bigmodel.cn — API reference ↗	проверено
Суммарный лимит токенов массива	8 192 токена суммарно по всем строкам в массиве запросаdocs.bigmodel.cn — API reference ↗	проверено
Размерность выхода	1024 (фиксировано — управление размерностью не поддерживается)docs.bigmodel.cn ↗	проверено
Прейскурантная цена (прямая покупка)	¥0,5 за миллион токеновdocs.bigmodel.cn ↗	проверено
Модальность	Текст → эмбеддинг (только текстовый ввод; изображения и аудио не поддерживаются)docs.bigmodel.cn ↗	проверено
Преемник	Zhipu Embedding-3 (переменные 256–2048 измерений, 3K/строка, матрёшечное сжатие)docs.bigmodel.cn ↗	проверено

Примеры API

Для новых интеграций используйте глобальный endpoint api.therouter.ai из примеров ниже; старый China accelerated endpoint выведен из эксплуатации.

cURL

curl https://api.therouter.ai/v1/chat/completions   -H "Content-Type: application/json"   -H "Authorization: Bearer $THE_ROUTER_API_KEY"   -d '{
    "model": "zhipu/embedding-2",
    "messages": [
      {"role": "user", "content": "Summarize the key points from this input."}
    ]
  }'

Гид по API

Эмбеддинги (совместимость с OpenAI)

Доступ к Embedding-2 через стандартный OpenAI-совместимый эндпоинт /v1/embeddings на api.therouter.ai. Выход фиксирован на 1024 измерениях — параметр dimensions для этой модели не поддерживается. Держите каждую строку ввода до 512 токенов; суммарное количество токенов всех строк в пакете не должно превышать 8K.

cURL

curl https://api.therouter.ai/v1/embeddings \
  -H "Authorization: Bearer $THEROUTER_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "zhipu/embedding-2",
    "input": ["智谱 AI 是中国领先的 AI 研究机构", "Zhipu AI is a leading Chinese AI research lab"]
  }'

Ещё от zhipu

zhipu/embedding-3 zhipu/glm-4-flash zhipu/glm-4-air

Частые вопросы

Что выбрать — Embedding-2 или Embedding-3?

Для новых проектов всегда используйте zhipu/embedding-3. Она предлагает настраиваемые выходные размерности (256/512/1024/2048), более высокий лимит на строку (3K токенов против 512) и матрёшечное сжатие — по той же цене (¥0,5/MTok). Embedding-2 — обоснованный выбор только если у вас уже есть продакшн-индексы с фиксированными 1024-мерными векторами, которые пока нельзя мигрировать, или если ваш конвейер чанкинга строго ограничивает ≤512 токенов на фрагмент и вы хотите избежать изменения схемы.

Что произойдёт, если строка ввода превысит 512 токенов?

API Zhipu усечёт ввод до 512 токенов перед вычислением эмбеддинга. Это означает, что «хвост» более длинных фрагментов будет молча отброшен, что может снизить качество поиска для длинных документов. Разбивайте документы на фрагменты ≤512 токенов перед вызовом Embedding-2, или мигрируйте на zhipu/embedding-3, которая повышает лимит на строку до 3K токенов.

Можно ли использовать Embedding-2 с LangChain, LlamaIndex или другими OpenAI-совместимыми фреймворками?

Да. Укажите base URL https://api.therouter.ai/v1 и модель zhipu/embedding-2. Не передавайте параметр dimensions — Embedding-2 игнорирует его и всегда возвращает 1024-мерные векторы. Убедитесь, что конфигурация чанкинга вашего фреймворка ограничивает документы до 512 токенов на фрагмент, чтобы избежать молчаливого усечения.

Реестр фактов — каждая утверждаемая величина имеет источник

источник	URL	получено
Лимит ввода на строку	docs.bigmodel.cn — API reference ↗	2026-06-09	проверено
Суммарный лимит токенов массива	docs.bigmodel.cn — API reference ↗	2026-06-09	проверено
Размерность выхода	docs.bigmodel.cn ↗	2026-06-09	проверено
Прейскурантная цена (прямая покупка)	docs.bigmodel.cn ↗	2026-06-09	проверено
Модальность	docs.bigmodel.cn ↗	2026-06-09	проверено
Преемник	docs.bigmodel.cn ↗	2026-06-09	проверено