Embeddings
Transformez des documents en vecteurs, dans l'UE
L'endpoint d'embeddings de Frontière AI convertit du texte en vecteurs pour la génération augmentée par récupération — recherche, RAG, routage sémantique — via une API compatible OpenAI sur une infrastructure souveraine UE. Pointez votre client OpenAI existant vers notre URL de base, et vos embeddings ne passent jamais entre les mains d'un opérateur sous contrôle américain : chaque modèle est étiqueté souverain ou accès rapide avant votre appel.
Ce que Frontière AI propose pour les embeddings
Un endpoint unique POST /api/v1/embeddings qui implémente le contrat d'OpenAI. Envoyez du texte sous forme de chaîne ou de tableau, recevez un vecteur par entrée dans l'ordre d'envoi, authentifié avec la même clé API que vos appels de chat et facturé depuis le même solde prépayé.
Endpoint
curl https://getfrontiereai.eu/api/v1/embeddings \
-H "Authorization: Bearer sk-front-…" \
-H "Content-Type: application/json" \
-d '{
"model": "bge-m3",
"input": ["Your document text", "Another sentence"]
}'Conçu pour la génération augmentée par récupération
Les embeddings constituent la moitié « récupération » du RAG : vous indexez vos documents une fois, puis à l'interrogation vous transformez la question en vecteur et cherchez les plus proches. Frontière AI s'insère dans ce pipeline pour les équipes qui veulent garder les données sous juridiction UE :
01
Choisissez vos dimensions avant d'indexer — la longueur du vecteur fait partie de votre schéma de stockage, et changer de modèle plus tard oblige à recalculer tous les vecteurs.
02
Chaque modèle d'embedding indique sa fenêtre de contexte mesurée, de quoi découper vos textes pour y tenir au lieu de deviner.
03
Les embeddings sont facturés sur les tokens d'entrée uniquement — pas de token de sortie, pas de tarif de sortie — donc indexer de gros corpus reste bon marché et prévisible.
Modèles d'embedding
Chaque modèle ci-dessous est en ligne, et ses dimensions de vecteur comme sa fenêtre de contexte ont été MESURÉES par un appel réel — pas lues sur une fiche. Les valeurs que nous n'avons pas vérifiées sont simplement absentes.
| Modèle | Dimensions | Contexte | Hébergé via | Prix /100k entrée |
|---|---|---|---|---|
| BGE-M3 (multilingue)bge-m3Poids ouvertsModel Card ↗ | 1024 | 8k tokens | EU sovereign · ovhcloud | 0,0013 €pas de tarif de sortie |
| BGE Multilingual Gemma2bge-multilingual-gemma2Poids ouvertsModel Card ↗ | 3584 | 8k tokens | EU sovereign · ovhcloud | 0,0013 €pas de tarif de sortie |
| Qwen3 Embedding 8Bqwen3-embedding-8bPoids ouvertsModel Card ↗ | 4096 | 41k tokens | EU sovereign · scaleway | 0,014 €pas de tarif de sortie |
Pourquoi les dimensions et le contexte comptent
La longueur du vecteur définit votre schéma de stockage et votre qualité de rappel — des vecteurs plus petits s'indexent plus vite et coûtent moins cher, des plus grands portent plus de nuance. La fenêtre de contexte fixe la taille d'un texte avant qu'il ne doive être découpé. À dimensionner d'avance, car changer ensuite impose de ré-embedder tout votre corpus.
Facturation
Les embeddings ne consomment que des tokens d'entrée, au tarif input du modèle, depuis votre solde prépayé — sans abonnement, sans tarif de sortie. Le prix affiché est le prix client par tranche de 100 000 tokens, marge comprise.
FAQ
Puis-je utiliser le SDK OpenAI officiel pour les embeddings ?
Oui. Notre endpoint d'embeddings implémente le contrat d'OpenAI — pointez base_url vers l'API Frontière AI, passez votre clé en api_key, et client.embeddings.create fonctionne tel quel.
Mes embeddings sont-ils stockés quelque part chez Frontière AI ?
Non. Frontière AI facture l'appel et journalise ce que la facturation exige (modèle, nombres de tokens, montant). Les vecteurs eux-mêmes vivent dans votre système, chez vous, sous votre juridiction — nous ne détenons jamais votre index.
Dans quelle juridiction tournent les modèles d'embedding ?
Chaque modèle d'embedding porte une étiquette de souveraineté. Les modèles souverains tournent chez OVHcloud, Scaleway ou sur nos propres serveurs UE — des fournisseurs sans contrôle capitalistique non-UE. Aucun modèle n'est étiqueté souverain s'il ne répond pas à ce standard.
Quel est le modèle d'embedding le moins cher ?
BGE-M3 et BGE Multilingual Gemma2 démarrent tous deux au même tarif d'entrée très bas (visible sur la page /pricing). Le prix affiché est par tranche de 100 000 tokens d'entrée, marge comprise.
Comment choisir mes dimensions avant de construire mon index ?
Décidez avant d'indexer : la longueur du vecteur devient une partie de votre schéma de stockage, et changer de modèle plus tard impose un ré-embedding complet. Choisissez le modèle dont les dimensions et le contexte correspondent à vos besoins de rappel et de coût, puis verrouillez-le.
Indexez dans l'UE, récupérez dans l'UE
Créez un compte, rechargez 10 €, et générez des embeddings depuis votre client OpenAI existant en quelques minutes.