> ## Documentation Index
> Fetch the complete documentation index at: https://docs.geekhub.mx/llms.txt
> Use this file to discover all available pages before exploring further.

# POST /v1/embeddings

> Genera embeddings de texto compatibles OpenAI para retrieval, clustering, clasificación y RAG.

Endpoint compatible con OpenAI para generar embeddings — vectores densos de un texto para usar en retrieval, clustering, clasificación o RAG. Se cobra por token de input.

## Modelos disponibles

| Modelo                          | Dimensiones | Precio /1M tokens |
| ------------------------------- | ----------- | ----------------- |
| `openai/text-embedding-3-small` | 1536        | \$0.02 USD        |
| `openai/text-embedding-3-large` | 3072        | \$0.13 USD        |

## Ejemplo básico

```bash theme={null}
curl -X POST https://api.geekhub.mx/v1/embeddings \
  -H "Authorization: Bearer ghub_sk_live_TU_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "openai/text-embedding-3-small",
    "input": "El zorro café salta sobre el perro perezoso"
  }'
```

Respuesta:

```json theme={null}
{
  "object": "list",
  "model": "openai/text-embedding-3-small",
  "data": [
    { "object": "embedding", "index": 0, "embedding": [0.012, -0.043, ...] }
  ],
  "usage": {
    "prompt_tokens": 12,
    "total_tokens": 12,
    "cost_usd": 0.00000025,
    "cost_mxn": 0.000005
  }
}
```

## Batch de textos

`input` acepta también un array (hasta 2048 elementos):

```json theme={null}
{
  "model": "openai/text-embedding-3-large",
  "input": [
    "Primer documento…",
    "Segundo documento…",
    "Tercero…"
  ]
}
```

El `data` en la respuesta viene ordenado según el input.

## Reducir dimensiones

Los modelos `-3-*` permiten pedir una dimensionalidad menor (útil para bajar el costo de almacenamiento en tu vector DB):

```json theme={null}
{
  "model": "openai/text-embedding-3-large",
  "input": "Texto…",
  "dimensions": 512
}
```

**Nota:** el precio se calcula por token de input, no por dimensión. Reducir dimensiones no baja el costo del embedding — solo el costo de tu storage y latencia de búsqueda.

## Zero Data Retention

Sigue las mismas reglas que `/chat/completions` — activa `zdr: true` o configura tu guardrail. text-embedding-3-\* de OpenAI está en la lista verificada.

## Vector store gestionado

En la roadmap: `POST /v1/vector-stores` para crear colecciones, upload y query semántica sin montar tu propio Pinecone/pgvector. Por ahora consume el endpoint directo y guarda los vectores donde ya tengas infraestructura.