Embedding 2
Zhipu AI Embedding 2 — text embedding model with fixed 1024-dim output.
智谱 AI Embedding-2 是北京智谱 AI（GLM 系列大语言模型背后的研究机构）推出的第二代文本向量化模型，在 bigmodel.cn 开放平台上发布。Embedding-2 将文本转换为固定 1024 维的稠密向量，适用于语义相似度、检索和排序任务。该模型专为中英双语语义理解设计，单条字符串输入最多 512 token，批量模式下数组总长度最多 8K token。
Embedding-2 是智谱的上一代嵌入 API，已被 Embedding-3 取代。Embedding-3 新增了可调输出维度（256/512/1024/2048）、每条字符串 3K token 限制和 matryoshka 维度压缩。对于新项目，TheRouter 推荐使用 Embedding-3。Embedding-2 对于已基于 1024 维向量索引构建且暂时无法迁移的团队，以及已采用每块 512 token 分块策略的工作负载，仍是实用选择。价格与 Embedding-3 相同，均为 ¥0.5/MTok（通过 TheRouter 约 $0.069/MTok）。
- • 维护现有 1024 维向量索引：如果您的 Pinecone、Weaviate 或 pgvector 集合已基于 Embedding-2 向量构建，继续使用此模型可避免全量重新索引的成本
- • 短文中英文片段的语义搜索：新闻标题、产品名称、短评论 — 这些场景下单条 512 token 限制不会成为瓶颈
- • 成本敏感的大规模嵌入：价格与 Embedding-3 相同（¥0.5/MTok），且如果您的分块流水线已针对每块 ≤512 token，则无需额外升级成本
- • 新项目：请改用 zhipu/embedding-3 — 它提供可变维度（256–2048）、更高的单条限制（3K token）和相同价格下的 matryoshka 压缩
- • 长文档嵌入：超过 512 token 的段落将被截断；请使用 Embedding-3（单条 3K token 限制）或更长上下文模型（如 OpenAI text-embedding-3-large，单条 8K）
- • 纯英文或非中文多语言检索：OpenAI text-embedding-3-small 或 Cohere Embed V4 在非中文语料库上具有更强的 MTEB 覆盖
模态能力
价格明细
| 类型 | 费率 |
|---|---|
| 输入 | $0.081 每百万 Tokens |
支持参数
模型规格
| 单条字符串输入限制 | 512 tokens（输入数组中每条字符串的硬性限制）docs.bigmodel.cn — API reference ↗ | 已核实 |
| 批量数组总 token 限制 | 请求数组中所有字符串的 token 总量不超过 8192docs.bigmodel.cn — API reference ↗ | 已核实 |
| 输出维度 | 1024（固定，不支持维度控制）docs.bigmodel.cn ↗ | 已核实 |
| 官方价格（智谱直购） | ¥0.5 / 百万 tokensdocs.bigmodel.cn ↗ | 已核实 |
| 模态 | 文本 → 嵌入（仅支持文本输入，不支持图像或音频）docs.bigmodel.cn ↗ | 已核实 |
| 后继型号 | 智谱 Embedding-3（可变 256–2048 维，3K token/条，matryoshka 压缩）docs.bigmodel.cn ↗ | 已核实 |
API 使用示例
所有新集成都应使用下方示例中的全球端点 api.therouter.ai；旧中国加速端点已下线。
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."}
]
}'API 使用指南
嵌入向量（OpenAI 兼容）
通过 api.therouter.ai 的标准 OpenAI /v1/embeddings 端点访问 Embedding-2。输出固定为 1024 维，该模型不支持 dimensions 参数。每条输入字符串须在 512 token 以内；批量请求中所有字符串的总 token 数不得超过 8K。
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"]
}'zhipu 其他模型
同类模型
跨供应商的相似能力档位常见问题
我应该使用 Embedding-2 还是 Embedding-3？
对于新项目，请始终使用 zhipu/embedding-3。它提供可调输出维度（256/512/1024/2048）、更高的单条字符串输入限制（3K token vs 512 token）以及 matryoshka 维度压缩 — 且价格相同（¥0.5/MTok）。仅当您已有基于固定 1024 维构建的生产向量索引且暂时无法迁移，或者您的文档分块严格限制在每块 ≤512 token 且希望避免 schema 变更时，Embedding-2 才是合理选择。
如果输入字符串超过 512 token 会怎样？
智谱 API 会在计算嵌入前将输入截断至 512 token。这意味着较长段落的末尾会被静默丢弃，可能降低长文档的检索质量。在调用 Embedding-2 之前，请将文档分块至 ≤512 token，或迁移至将单条限制提升至 3K token 的 zhipu/embedding-3。
能否在 LangChain、LlamaIndex 或其他 OpenAI 兼容框架中使用 Embedding-2？
可以。将 base URL 设置为 https://api.therouter.ai/v1，模型设置为 zhipu/embedding-2。不要传入 dimensions 参数 — Embedding-2 会忽略该参数，始终返回 1024 维向量。请确保框架的分块配置将每块文档限制在 512 token 以内，以避免静默截断。
事实档案 — 本页每条断言可在此回溯来源
| 来源 | URL | 采集于 | |
|---|---|---|---|
| 单条字符串输入限制 | docs.bigmodel.cn — API reference ↗ | 2026-06-09 | 已核实 |
| 批量数组总 token 限制 | docs.bigmodel.cn — API reference ↗ | 2026-06-09 | 已核实 |
| 输出维度 | docs.bigmodel.cn ↗ | 2026-06-09 | 已核实 |
| 官方价格（智谱直购） | docs.bigmodel.cn ↗ | 2026-06-09 | 已核实 |
| 模态 | docs.bigmodel.cn ↗ | 2026-06-09 | 已核实 |
| 后继型号 | docs.bigmodel.cn ↗ | 2026-06-09 | 已核实 |