Entegrasyon rehberleri · 2026-10-17

Türkçe embedding API'si: EmbeddingMagibu 200M rehberi

Türkçe metni llmtr/embeddingmagibu-200m ile OpenAI uyumlu /v1/embeddings ucundan vektöre çevirin: 768 boyut, 8.192 token, prompt_name ve tarihli fiyat.

Basit şema: Türkçe bir metin https://llmtr.com/v1/embeddings adresine gider, kutuda EmbeddingMagibu 200M yazar ve çıkışta bir sayı vektörü gösterilir.

Kısa yanıt: /v1/embeddings ucuna llmtr/embeddingmagibu-200m gönderin

LLMTR (llmtr.com), Türkiye'de ve global sağlayıcılarda barındırılan dil modellerine tek, OpenAI uyumlu API'den erişim veren bir gateway'dir. Türkçe metni vektöre çevirmek için https://llmtr.com/v1 adresindeki POST /v1/embeddings uç noktasına model olarak llmtr/embeddingmagibu-200m gönderirsiniz; OpenAI Python SDK'da bu çağrı client.embeddings.create'tir.

EmbeddingMagibu 200M, Türkçe metin için eğitilmiş ve Türkiye'de barındırılan bir embedding modelidir. Metni semantik arama, RAG, benzerlik ve kümeleme için normalize edilmiş 768 boyutlu bir vektöre çevirir ve metin başına en fazla 8.192 token kabul eder. Vektörlerin uzunluğu 1 olduğu için iki vektörün iç çarpımı kosinüs benzerliğine eşittir. Model Hugging Face'te alibayram/embeddingmagibu-200m adıyla MIT lisansıyla yayımlanmıştır; model kartı onu Google'ın EmbeddingGemma-300m modelinden damıtılmış, yaklaşık 200 milyon parametreli bir Türkçe model olarak tanımlar.

Türkçe metinler için embedding API'si nasıl kullanılır?

LLMTR'de bir API anahtarı oluşturun, anahtarı LLMTR_API_KEY ortam değişkenine koyun ve OpenAI istemcisinin base_url değerini https://llmtr.com/v1 yapın. Aşağıdaki örnek iki Türkçe cümleyi tek istekte vektörler. input alanı tek bir metin ya da metin listesi olabilir; listedeki her metin için yanıtta bir öge döner ve sırayı index alanıyla eşleştirirsiniz.

prompt_name, OpenAI SDK'nın kendi parametreleri arasında olmadığı için extra_body ile gönderilir. Yanıt OpenAI biçimindedir: data dizisindeki her öge object, index ve embedding alanlarını taşır, model ve usage alanları yanıtın kökündedir. usage.prompt_tokens faturalanan token sayısıdır; embedding modellerinde çıktı token'ı yoktur.

OpenAI Python SDK ile iki Türkçe cümleyi prompt_name document ile vektörleyen çağrı; her vektörün sırası, uzunluğu ve token kullanımı yazdırılır.

import os

from openai import OpenAI

client = OpenAI(base_url="https://llmtr.com/v1", api_key=os.environ["LLMTR_API_KEY"])

response = client.embeddings.create(
    model="llmtr/embeddingmagibu-200m",
    input=[
        "Faturalar her ayın ilk iş günü kesilir.",
        "Kargo takip numarası sipariş özetinde yer alır.",
    ],
    extra_body={"prompt_name": "document"},
)
for item in response.data:
    print(item.index, len(item.embedding), item.embedding[:3])
print(response.usage.prompt_tokens)

prompt_name ve dimensions: metnin türü ve vektör boyutu

EmbeddingMagibu metnin türünü prompt_name alanından okur. İndekse eklediğiniz dokümanlar ve parçalar için document, kullanıcının arama sorgusu için query, iki metnin benzerliğini karşılaştırırken iki tarafta da STS kullanın. Alan gönderilmezse document uygulanır. Örneğin iki ürün açıklamasının birbirine ne kadar benzediğini ölçecekseniz iki metni de STS ile gönderip vektörlerini karşılaştırırsınız. QuestionAnswering, FactChecking, Classification, Clustering ve CodeRetrieval gibi görev adları da kabul edilir; geçersiz bir değer 400 invalid_request ile kabul edilen değerlerin listesini döndürür. input_type alanı bu modelde okunmaz.

dimensions alanı 768 yerine 512, 256 ya da 128 boyut seçer; bu dört değer dışındaki bir değer 400 invalid_request döner. Aşağıdaki curl isteği bir arama sorgusunu 256 boyutla vektörler. Bir indeksi tek bir modelle, aynı prompt_name düzeniyle ve aynı dimensions değeriyle oluşturun; sorguyu da indeksle aynı boyutta gönderin ve başka bir modelin vektörleriyle karıştırmayın.

Bir arama sorgusunu prompt_name query ve dimensions 256 ile vektörleyen curl isteği.

curl https://llmtr.com/v1/embeddings \
  -H "Authorization: Bearer $LLMTR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "llmtr/embeddingmagibu-200m",
    "input": "Fatura ne zaman kesilir?",
    "prompt_name": "query",
    "dimensions": 256
  }'

Fiyat: 20 Ekim 2026 23:59'a (TSİ) kadar 0 $, 21 Ekim'den itibaren 1M token için 0,01 $

Fiyat tarihlidir ve geçiş kendiliğinden olur: isteğin geldiği anda geçerli fiyat uygulanır. 15 Ekim 2026 00:00 ile 20 Ekim 2026 23:59 (TSİ) arasında 1 milyon girdi token'ının fiyatı 0 $'dır. 20 Ekim 2026'da biten bu ücretsiz dönemde her hesabın günlük hakkı 500.000 girdi token'ıdır ve her gün 00:00'da (TSİ) yenilenir; hesabın bütün anahtarları birlikte sayılır ve anahtarın istek limitiyle ilgisi yoktur. Günlük kullanım bu sınıra ulaştıktan sonra gönderilen istekler HTTP 429 döner, details.reason alanı free_quota_exhausted olur; yanıttaki Retry-After süresi kadar bekleyin. 21 Ekim 2026 00:00'dan (TSİ) itibaren 1 milyon girdi token'ı 0,01 $'dır.

Örnek hesap: parça başına ortalama 400 token'lık 100.000 parçalık bir derlem yaklaşık 40 milyon token eder; 21 Ekim 2026'dan sonra bu derlemi bir kez vektörlemek 40 x 0,01 $ = 0,40 $ tutar. 20 Ekim 2026'ya kadarki günlük 500.000 token'lık hak aynı parça boyutuyla günde yaklaşık 1.250 parçaya yeter. Kesin token sayısı her yanıtın usage.prompt_tokens alanındadır.

LLMTR'de llmtr/embeddingmagibu-200m, 17 Ekim 2026 itibarıyla
ÖzellikDeğer
Model kimliğillmtr/embeddingmagibu-200m
Uç noktaPOST /v1/embeddings
Vektör boyutu768 boyut (dimensions ile 512, 256 ya da 128 boyut)
Metin başına bağlam8.192 token
İstek başına sınır256 metin ve toplam 16.384 token
15 Ekim 2026 00:00 - 20 Ekim 2026 23:59 (TSİ)0 $ / 1 milyon girdi token'ı; hesap başına günde 500.000 girdi token'ı
21 Ekim 2026 00:00'dan (TSİ) itibaren0,01 $ / 1 milyon girdi token'ı

Sınırlar, hatalar ve toplu indeksleme

Metin başına en fazla 8.192 token gönderin. Bu sınırı aşan bir metin kırpılmaz, istek 400 provider_error ile reddedilir; metni parçalara bölmeniz gerekir. Bir istek en fazla 256 metin ve toplam 16.384 token taşır: 256'dan fazla metin 400 invalid_request, token sınırını aşan istek 400 provider_error döner.

Toplu indekslemede dokümanları 256 ile 512 token arasındaki parçalara bölün ve istekleri paralel değil sırayla gönderin. Yoğun anlarda istek model_busy tipiyle HTTP 503 dönebilir; isteğinizde değiştirilecek bir şey yoktur, Retry-After süresi kadar bekleyip aynı isteği tekrar gönderin. Büyük isteklerde istemcinin okuma zaman aşımını en az 300 saniye yapın.

LLMTR'deki EmbeddingGemma 300M satırı 14 Ekim 2026'da emekli edildi ve yerine bu model geldi. İki modelin vektörleri uyumlu değildir; eski indeksinizi EmbeddingMagibu ile baştan oluşturun. Hata yanıtının biçimi LLMTR'nin hata kodları sayfasında anlatılır.

LLMTR ile başlamak: hesap, anahtar ve ilk istek

Adım 1: llmtr.com'da bir hesap oluşturun; ücretli kullanım için Dashboard > Faturalandırma'dan bakiye yükleyin. Adım 2: Dashboard > API Anahtarları altında bir anahtar oluşturun; ham anahtar yalnızca bir kez gösterilir, onu LLMTR_API_KEY ortam değişkeninde saklayın. Adım 3: OpenAI uyumlu SDK'nızda base_url değerini https://llmtr.com/v1 yapın ve embeddings.create çağrısında model olarak llmtr/embeddingmagibu-200m yazın.

Aynı anahtar katalogdaki diğer modellerde de geçerlidir. Türkçe dokümanlarda semantik aramanın adım adım kurulumu serinin ayrı bir yazısında anlatılıyor.

EmbeddingMagibu 200M ile Türkçe metni vektöre çevirme

Hesap açın, API anahtarı oluşturun ve llmtr/embeddingmagibu-200m ile https://llmtr.com/v1/embeddings adresine ilk isteği gönderin.

  1. Hesap. llmtr.com'da bir hesap oluşturun; ücretli kullanım için Dashboard > Faturalandırma'dan bakiye yükleyin.
  2. API anahtarı. Dashboard > API Anahtarları altında bir anahtar oluşturun. Ham anahtar yalnızca bir kez gösterilir; LLMTR_API_KEY ortam değişkeninde saklayın.
  3. İlk istek. OpenAI uyumlu bir SDK'da base_url değerini https://llmtr.com/v1 yapın ve embeddings.create çağrısını model llmtr/embeddingmagibu-200m, prompt_name document ile gönderin.

Sık sorulan sorular

EmbeddingMagibu 200M'in fiyatı ne kadar?

15 Ekim 2026 00:00 ile 20 Ekim 2026 23:59 (TSİ) arasında 0 $; bu dönemde hesap başına günlük hak 500.000 girdi token'ıdır. 21 Ekim 2026 00:00'dan (TSİ) itibaren 1 milyon girdi token'ı 0,01 $'dır. Embedding modellerinde çıktı token'ı yoktur.

EmbeddingMagibu kaç boyutlu vektör döndürür?

Varsayılan olarak normalize edilmiş 768 boyutlu vektör döndürür. dimensions alanıyla 512, 256 ya da 128 boyut seçebilirsiniz; indeksi ve sorguyu aynı boyutla oluşturun.

EmbeddingMagibu OpenAI SDK ile kullanılabilir mi?

Evet. base_url değerini https://llmtr.com/v1 yapın, client.embeddings.create çağrısında model olarak llmtr/embeddingmagibu-200m yazın ve prompt_name alanını extra_body ile gönderin. İstek POST /v1/embeddings uç noktasına gider.

İlgili yazılar