硅基流动渠道embedding接口兼容性问题解析
2025-05-31 05:24:27作者:幸俭卉
在开源项目new-api中,用户反馈了硅基流动渠道embedding接口调用异常的问题。经过技术分析,这实际上是一个接口兼容性问题,而非真正的异常情况。
问题背景
用户在使用new-api项目调用硅基流动渠道的embedding服务时,遇到了404错误响应。具体表现为当尝试通过API请求获取文本的embedding向量时,服务返回了上游错误信息。
技术分析
通过代码审查和技术验证,我们发现问题的本质在于new-api项目尚未对硅基流动的embedding接口进行适配和兼容。当用户使用标准的embedding请求格式时,系统无法正确路由到硅基流动的后端服务。
解决方案
项目维护团队已经针对此问题进行了修复,在最新版本中实现了对硅基流动embedding接口的兼容支持。用户现在可以正常使用以下参数调用该服务:
- 模型名称:BAAI/bge-large-zh-v1.5
- 输入格式:文本字符串
- 编码格式:float类型向量
使用建议
对于需要使用硅基流动embedding服务的开发者,建议:
- 确保使用最新版本的new-api项目
- 按照标准API格式构造请求
- 注意认证信息的正确传递
- 对于大规模使用,建议先进行小批量测试
扩展说明
值得注意的是,虽然embedding接口已经得到支持,但硅基流动的其他服务(如图像生成模型)目前仍未在项目中实现兼容。开发者在使用这些未兼容服务时可能会遇到类似问题。
该项目作为开源实现,会持续跟进各渠道API的变化,建议开发者关注项目更新以获取最新功能支持。对于特定渠道的特殊需求,也可以考虑通过项目提供的扩展机制自行实现适配层。
登录后查看全文
热门项目推荐
相关项目推荐
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
ruoyi-plus-soybeanRuoYi-Plus-Soybean 是一个现代化的企业级多租户管理系统,它结合了 RuoYi-Vue-Plus 的强大后端功能和 Soybean Admin 的现代化前端特性,为开发者提供了完整的企业管理解决方案。Vue08- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
575
3.89 K
Ascend Extension for PyTorch
Python
396
474
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
359
219
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
902
704
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.39 K
786
昇腾LLM分布式训练框架
Python
122
148
React Native鸿蒙化仓库
JavaScript
312
364
暂无简介
Dart
814
200
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
124
161
AscendNPU-IR是基于MLIR(Multi-Level Intermediate Representation)构建的,面向昇腾亲和算子编译时使用的中间表示,提供昇腾完备表达能力,通过编译优化提升昇腾AI处理器计算效率,支持通过生态框架使能昇腾AI处理器与深度调优
C++
93
161