Des vecteurs pour vos documents, calculés en France.

Un appel, un vecteur par texte

Envoyez model et input — une chaîne ou un tableau de chaînes — à POST /embeddings. La réponse est une liste avec un vecteur par entrée, dans l'ordre d'envoi, et un bloc usage avec les tokens d'entrée payés. La clé est la même que pour le chat (les clés).

curl https://evanesca.app/api/v1/embeddings \
  -H "Authorization: Bearer $EVANESCA_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "qwen3-embedding-8b",
    "input": ["Clause 4.2 du contrat", "Export de la paie, mars"]
  }'

import os
from openai import OpenAI

client = OpenAI(base_url="https://evanesca.app/api/v1", api_key=os.environ["EVANESCA_API_KEY"])

vectors = client.embeddings.create(
    model="qwen3-embedding-8b",
    input=["Clause 4.2 du contrat", "Export de la paie, mars"],
)
print(len(vectors.data[0].embedding))  # 4096

import OpenAI from "openai";

const client = new OpenAI({ baseURL: "https://evanesca.app/api/v1", apiKey: process.env.EVANESCA_API_KEY });

const vectors = await client.embeddings.create({
  model: "qwen3-embedding-8b",
  input: ["Clause 4.2 du contrat", "Export de la paie, mars"],
});
console.log(vectors.data[0].embedding.length); // 4096

package main

import (
	"fmt"
	"io"
	"net/http"
	"os"
	"strings"
)

func main() {
	body := strings.NewReader(`{"model": "qwen3-embedding-8b", "input": ["Clause 4.2 du contrat", "Export de la paie, mars"]}`)
	req, err := http.NewRequest("POST", "https://evanesca.app/api/v1/embeddings", body)
	if err != nil {
		panic(err)
	}
	req.Header.Set("Authorization", "Bearer "+os.Getenv("EVANESCA_API_KEY"))
	req.Header.Set("Content-Type", "application/json")
	res, err := http.DefaultClient.Do(req)
	if err != nil {
		panic(err)
	}
	defer res.Body.Close()
	out, _ := io.ReadAll(res.Body)
	fmt.Println(res.Status, string(out))
}

{
  "object": "list",
  "model": "qwen3-embedding-8b",
  "data": [
    { "object": "embedding", "index": 0, "embedding": [ … ] },
    { "object": "embedding", "index": 1, "embedding": [ … ] }
  ],
  "usage": { "prompt_tokens": 14, "total_tokens": 14 }
}

Les modèles d'embedding

Tous tournent en France, chez un opérateur français sans maison mère américaine. Les dimensions ont été mesurées par un vrai appel ; la fenêtre de contexte est la limite que l'opérateur annonce.

Modèles d'embedding

Modèle	Identifiant	Dimensions	Contexte (tokens)	Licence	Opéré par	Lieu	Prix / M tokens d'entrée	Fiche
Qwen3 Embedding 8B	qwen3-embedding-8b	4 096	40 960	Apache-2.0	Scaleway	Paris, France	0,168 €	Fiche du modèle
BGE Multilingual Gemma2	bge-multilingual-gemma2	3 584	8 192	Gemma Terms of Use	Scaleway	Paris, France	0,168 €	Fiche du modèle

Prix par million de tokens d'entrée, marge et TVA comprises. Un embedding n'a pas de prix de sortie.

Comment choisir

Décidez avant d'indexer quoi que ce soit : la longueur du vecteur entre dans le schéma de votre base, et changer de modèle ensuite oblige à recalculer tous les vecteurs.

• Vecteurs les plus courts : BGE Multilingual Gemma2, 3 584 dimensions — plus légers à stocker et à parcourir.
• Vecteurs les plus longs : Qwen3 Embedding 8B, 4 096 dimensions.
• Textes les plus longs : Qwen3 Embedding 8B lit jusqu'à 40 960 tokens par entrée, les autres s'arrêtent à 8 192. Découpez vos documents à cette taille.
• Prix le plus bas : Qwen3 Embedding 8B et BGE Multilingual Gemma2, 0,168 € par million de tokens d'entrée.
• Licence : Qwen3 Embedding 8B sous licence permissive (Apache-2.0) ; BGE Multilingual Gemma2 relève des conditions d'utilisation de Gemma de Google, pas d'une licence open source — lisez-les avant de bâtir dessus.

Recherche et réponse, toutes deux en Europe

Un RAG demande deux modèles : l'un transforme vos documents et la question en vecteurs, l'autre rédige la réponse à partir des passages retrouvés. Avec un modèle d'embedding de cette page, exécuté en France, et l'un des modèles de chat d'Evanesca, tous exécutés en Europe, les deux moitiés restent en Europe, avec la même clé.

1. 01
   Découper

   Coupez vos documents en passages qui tiennent dans la fenêtre de contexte du modèle.

2. 02
   Vectoriser et ranger

   Envoyez les passages à /embeddings, et gardez les vecteurs dans votre base vectorielle, à côté du texte.

3. 03
   Retrouver

   Vectorisez la question avec le même modèle et cherchez les passages les plus proches.

4. 04
   Répondre

   Envoyez la question et ces passages à /chat/completions, avec l'un des modèles de chat d'Evanesca, tous exécutés en Europe.

Vos vecteurs vivent dans votre propre base. D'un appel d'embeddings, Evanesca note le modèle, le nombre de tokens et le coût — ni texte, ni vecteur.

Facturation

Un appel d'embeddings ne consomme que des tokens d'entrée, payés au prix d'entrée du modèle sur votre crédit prépayé. Pas de prix de sortie, pas d'abonnement : les recharges commencent à 2 € et le crédit n'expire pas (tarifs).

Questions fréquentes