Yandex Embeddings Query API — цена в рублях

Что такое Yandex Embeddings Query

Yandex Embeddings Query — вторая половина пары: векторизует поисковые запросы к базе, собранной моделью doc от компании Yandex. Модель поддерживает контекстное окно 8K токенов, принимает на вход текст и относится к категории «векторные эмбеддинги». Через kosareva.cloud модель доступна по единому OpenAI-совместимому API: тот же код, что и для OpenAI, — достаточно поменять base_url и ключ.

Напрямую у Yandex российская компания оплатить доступ не может: провайдер не принимает карты российских банков и не заключает договор с российским юрлицом. kosareva.cloud закрывает ровно этот разрыв — счёт выставляется в рублях армянским юрлицом, деньги уходят провайдеру, а вы получаете ключ и закрывающие документы. Запросы идут с российских IP, поэтому ни VPN, ни зарубежный хостинг для работы с Yandex Embeddings Query не нужны.

Один ключ открывает не только Yandex Embeddings Query: в каталоге больше сотни моделей — текстовых, картиночных, звуковых и видео. Это важнее, чем кажется: модели устаревают за месяцы, и переключение на следующую версию сводится к замене одной строки, а не к новому договору и новой интеграции.

Сильные и слабые стороны Yandex Embeddings Query

Кому подходит. Запросы пользователя к базе знаний, поисковая строка, вопрос в чат-боте — всё, что ищется по базе.

С чем сравнивать. Сравнивать её стоит не с другими моделями, а со сценарием «одна модель на индекс и на поиск». Пара doc-query для того и разделена, что документ и вопрос к нему устроены по-разному.

Место Yandex Embeddings Query в каталоге

Из 3 моделей категории «векторные эмбеддинги» в каталоге Yandex Embeddings Query занимает 1-е место по цене — считая от самой дешёвой. Следующая ступень вверх — Gemini Embedding 2 за 21,6 ₽ за 1 млн токенов, дороже на 53%. Дешевле в своей категории в каталоге ничего нет.

Цена Yandex Embeddings Query в рублях

Цена в таблице = цена в вашем счёте: в рублях, по договору, с закрывающими документами. Списание — только за фактическое использование.

Как подключить Yandex Embeddings Query

Используйте стандартный OpenAI SDK, укажите base_url kosareva.cloud и модель yandex-embeddings-query. Менять в существующем коде нужно ровно две строки — адрес и ключ.

Python, OpenAI SDK

from openai import OpenAI

client = OpenAI(
    api_key="ВАШ_КЛЮЧ_KOSAREVA",
    base_url="https://api.kosareva.cloud/v1",
)

response = client.embeddings.create(
    model="yandex-embeddings-query",
    input=[
        "Оплата в рублях по договору, с закрывающими документами.",
        "Ключ работает без VPN, запросы идут с российских IP.",
    ],
)
for item in response.data:
    print(len(item.embedding))  # длина вектора

Python, без SDK — requests

import requests

response = requests.post(
    "https://api.kosareva.cloud/v1/embeddings",
    headers={"Authorization": "Bearer ВАШ_КЛЮЧ_KOSAREVA"},
    json={"model": "yandex-embeddings-query", "input": ["Фрагмент документа", "Ещё фрагмент"]},
    timeout=120,
)
vectors = [row["embedding"] for row in response.json()["data"]]
print(len(vectors), len(vectors[0]))

cURL

curl https://api.kosareva.cloud/v1/embeddings \
  -H "Authorization: Bearer ВАШ_КЛЮЧ_KOSAREVA" \
  -H "Content-Type: application/json" \
  -d '{"model":"yandex-embeddings-query","input":"Фрагмент документа"}'

Тот же ключ работает и с Anthropic SDK, и с любым клиентом, который умеет OpenAI-совместимый эндпоинт: LangChain, LlamaIndex, Cursor, Continue, n8n. Отдельного ключа под каждую модель заводить не нужно — один ключ открывает весь каталог.

Эндпоинты и параметры Yandex Embeddings Query

Шлюз повторяет схему OpenAI, поэтому имена параметров и формат ответа те же, к которым вы привыкли. Базовый адрес один на все модели каталога.

Векторы удобнее считать пачками: input принимает список строк, и один запрос на сотню фрагментов быстрее и дешевле по накладным расходам, чем сотня запросов по одному. Разбивайте документ на куски по 200–500 слов — фрагмент длиннее теряет смысловую точность, короче теряет контекст.

Характеристики

Для чего подходит Yandex Embeddings Query

• Чат-боты, ассистенты, вопросы-ответы, поддержка

Что учесть при работе с Yandex Embeddings Query

Запросы короткие, так что расход на эту половину пары обычно в десятки раз меньше, чем на индексацию: платите вы в основном за сборку базы, а поиск почти ничего не стоит. Считать бюджет надо по объёму документов, а не по числу запросов.

Первое — контекст расходуется быстрее, чем кажется. В диалоге на вход уходит вся переписка целиком, а не только последняя реплика, поэтому длинный чат дорожает с каждым ходом. Если история не нужна для ответа, обрезайте её: экономия на входных токенах обычно заметнее, чем выбор более дешёвой модели.

Второе — заявленное окно 8K токенов делится между запросом и ответом: чем больше вы отправили, тем меньше места остаётся модели на генерацию. Ограничение max_tokens стоит ставить осознанно, а не «с запасом».

Третье — баланс общий на все модели каталога. Не нужно заранее решать, сколько денег «положить на Yandex Embeddings Query»: те же средства уйдут на любую другую модель, если завтра вы переключитесь. Расход по каждой модели виден в личном кабинете отдельной строкой, вместе с числом запросов и токенов.

Yandex Embeddings Query с оплатой в рублях и без VPN

Yandex Embeddings Query от Yandex — вторая половина пары: векторизует поисковые запросы к базе, собранной моделью Doc. Доступ через kosareva.cloud без VPN и зарубежных карт, оплата в рублях, OpenAI-совместимый API.

• Оплата в рублях по карте или счёту — для юрлиц договор, акт и инвойс.
• Без VPN и зарубежных карт: запросы идут с российских IP.
• Единый OpenAI-совместимый API к Yandex Embeddings Query и ещё 100+ моделям по одному ключу.
• Оплата только за фактическое использование, без абонентской платы.

Другие модели Yandex

Частые вопросы о Yandex Embeddings Query