示例结果
API 在示例图片上的实际响应记录。
- a dog on a beach0.133
- a dog in the snow0.076
- a beach at sunset0.040
- a bicycle0.018
- a cat on a sofa0.000
- a bowl of ramen0.133
- 一碗拉面0.108
- a cup of coffee0.055
- a salad0.035
- a pizza0.017
- a rainy street at night0.154
- neon signs0.072
- a snowy road0.054
- a sunny park0.014
请求与响应
POST https://api.stack.foldbun.com/v1/embeddings，使用 Bearer API 密钥。每次调用传入一张图或一组文本。
请求
# macOS：把 "base64 -w0 beach-dog.webp" 换成 "base64 -i beach-dog.webp" curl https://api.stack.foldbun.com/v1/embeddings \ -H "Authorization: Bearer $FOLDBUN_API_KEY" \ -H "Content-Type: application/json" \ -d @- <<EOF {"model": "siglip2", "image": {"base64": "$(base64 -w0 beach-dog.webp)"}} EOF
import base64, os, requests with open("beach-dog.webp", "rb") as f: image = base64.b64encode(f.read()).decode() r = requests.post( "https://api.stack.foldbun.com/v1/embeddings", headers={"Authorization": f"Bearer {os.environ['FOLDBUN_API_KEY']}"}, json={"model": "siglip2", "image": {"base64": image}}, timeout=60, ) r.raise_for_status() print(r.json()) # vectors are L2-normalised: similarity = dot product
响应（节选）
{
"id": "call_01a1913e-bed1-7605-b1be-55da62598752",
"model": "siglip2",
"image": {"height": 1008, "id": "img_d94c2292…17f8", "width": 1512},
"dimensions": 768,
"embeddings": [
{"index": 0, "vector": [0.0067, -0.0157, -0.0138, 0.0029, …]}
],
"cost": 0.05,
"balance": 1234.51
}请求字段
| 字段 | 说明 |
|---|---|
| model | siglip2。 |
| image | {"base64": "…"}，或之前响应返回的 {"id": "img_…"}。image 和 texts 二选一。 |
| texts | 1–64 条字符串，每条 1–1000 个字符。 |
价格示例
| 调用 | 额度 |
|---|---|
| 1 张图 0.05 | 0.05 按储值折合约 US$0.00005 |
| 10 条文本 10 × 0.01 | 0.1 按储值折合约 US$0.0001 |
| 1,000 张图 1,000 × 0.05 | 50 按储值折合约 US$0.05 |
| 1,000 条文本 1,000 × 0.01 | 10 按储值折合约 US$0.01 |
限制
- 图片
- JPEG、PNG、静态 WebP；最大 20 MiB、4,000 万像素
- 坐标
- 按 EXIF 摆正后的原图的像素；蒙版可以比图小，并附带自己的尺寸
- 每次调用的文本数
- 1–64 条，每条 1–1000 个字符
- 向量
- 768 维，L2 归一化的 float32
- 速率限制
- 取决于账户档位，见
GET /v1/models
常见问题
SigLIP 2 如何计费？
图像每张 0.05 额度，文本每条 0.01 额度。该模型包含在公共池中：注册后每天 100 次，不收费。调用失败不收费。
图像与文本如何匹配？
图像向量和文本向量位于同一空间且均为 L2 归一化，两者的点积即余弦相似度。按该值对候选文本排序，即可得到图像的零样本标签。
能否同时发送图像和文本？
不能。每次调用只传 image 或 texts 之一。分别为图像和文本各调用一次，得到的向量即可比较。
相关模型
Foldbun Stack — 按量计费的视觉模型 API
通过 REST API 调用 SigLIP 2，请求与响应格式见文档。
阅读文档获取 API 密钥即将推出