text-embedding-3-large je větší textový embeddingový model třetí generace společnosti OpenAI pro úlohy v angličtině i dalších jazycích. Mapuje psaný materiál na číselný vektor a ve výchozím nastavení vrací 3072 složek. Vektor reprezentuje vztahy v dodaném obsahu; postup vyhledávání nebo klasifikace jej používá k výběru materiálu nebo jinému rozhodnutí.
Modely třetí generace jsou trénovány k podpoře kratších reprezentací prostřednictvím ovládacího parametru dimensions výrobce. Výrobce uvádí 1024 rozměrů jako příklad, když vektorové úložiště vyžaduje tuto velikost. Kratší vektor snižuje množství dat k ukládání a porovnávání, změna reprezentace však může ovlivnit kvalitu vyhledávání. Velikost volte podle požadavků aplikace a stejnou volbu používejte pro korpus i jeho dotazy.
Ilustrační postup vyhledávání dokumentů dělí zdrojový materiál na smysluplné pasáže, uchovává jejich identifikátory a získává vektory každé pasáže. Embedding otázky se vytvoří stejným modelem a rozměry a poté se porovná s vektory pasáží. Aplikace dodává filtry, vybírá seřazené výsledky a zobrazuje odkazy na jejich zdroje. Následný model generování textu může z nalezeného materiálu vytvořit odpověď; výsledek embeddingového modelu zůstává číselnými daty.
Další dokumentované aplikace zahrnují vyhledávání kódu nebo textu, seskupování podobných záznamů, doporučování souvisejícího obsahu, klasifikaci, detekci anomálií a měření rozmanitosti kolekce. Pro doporučení popisujte objekty pojmy relevantními pro jejich vztah. Pro klasifikaci porovnávejte s reprezentacemi kategorií nebo používejte vektory jako příznaky v klasifikátoru. Definujte pravidlo, které promění podobnost ve výsledek potřebný pro produkt.
OpenAI uvádí maximální vstup 8192 tokenů na text. Embeddingové API přijímá řetězce nebo tokenizovaný text, podporuje více vstupů a odmítá prázdné řetězce. Také vynucuje souhrnný limit 300 000 tokenů na jeden požadavek. Dlouhý dokument by se měl rozdělit se zachováním smysluplných hranic a kontextu a každý vektor zůstat propojený se zdrojovou pasáží.
Výrobce dokumentuje vektory float jako výchozí výstup a base64 jako alternativní kódování. Průvodce doporučuje kosinovou podobnost a uvádí, že embeddingy OpenAI jsou normalizovány na jednotkovou normu, což umožňuje skalární součin pro kosinovou podobnost a ekvivalentní pořadí při eukleidovské vzdálenosti. Pokud se vektor třetí generace po vytvoření ručně zkrátí, výrobce instruuje aplikaci k opětovné normalizaci zkráceného vektoru; doporučeným postupem je použití ovládacího parametru dimensions.
Připravte konzistentní textovou reprezentaci a zaznamenejte model, rozměry a identifikátor zdroje. Užitečným konečným výstupem je seřazená sada pasáží, souvisejících položek nebo seskupených záznamů s výslovným pravidlem výběru. Posuďte, zda výsledek řeší dotaz, a uchovávejte zdrojové důkazní podklady pro další fázi, místo abyste vektorovou podobnost považovali za ověření faktických tvrzení záznamu.
", "aboutText": "text-embedding-3-large je větší textový embeddingový model třetí generace společnosti OpenAI pro úlohy v angličtině i dalších jazycích. Mapuje psaný materiál na číselný vektor a ve výchozím nastavení vrací 3072 složek. Vektor reprezentuje vztahy v dodaném obsahu; postup vyhledávání nebo klasifikace jej používá k výběru materiálu nebo jinému rozhodnutí.\n\nModely třetí generace jsou trénovány k podpoře kratších reprezentací prostřednictvím ovládacího parametru dimensions výrobce. Výrobce uvádí 1024 rozměrů jako příklad, když vektorové úložiště vyžaduje tuto velikost. Kratší vektor snižuje množství dat k ukládání a porovnávání, změna reprezentace však může ovlivnit kvalitu vyhledávání. Velikost volte podle požadavků aplikace a stejnou volbu používejte pro korpus i jeho dotazy.\n\nIlustrační postup vyhledávání dokumentů dělí zdrojový materiál na smysluplné pasáže, uchovává jejich identifikátory a získává vektory každé pasáže. Embedding otázky se vytvoří stejným modelem a rozměry a poté se porovná s vektory pasáží. Aplikace dodává filtry, vybírá seřazené výsledky a zobrazuje odkazy na jejich zdroje. Následný model generování textu může z nalezeného materiálu vytvořit odpověď; výsledek embeddingového modelu zůstává číselnými daty.\n\nDalší dokumentované aplikace zahrnují vyhledávání kódu nebo textu, seskupování podobných záznamů, doporučování souvisejícího obsahu, klasifikaci, detekci anomálií a měření rozmanitosti kolekce. Pro doporučení popisujte objekty pojmy relevantními pro jejich vztah. Pro klasifikaci porovnávejte s reprezentacemi kategorií nebo používejte vektory jako příznaky v klasifikátoru. Definujte pravidlo, které promění podobnost ve výsledek potřebný pro produkt.\n\nOpenAI uvádí maximální vstup 8192 tokenů na text. Embeddingové API přijímá řetězce nebo tokenizovaný text, podporuje více vstupů a odmítá prázdné řetězce. Také vynucuje souhrnný limit 300 000 tokenů na jeden požadavek. Dlouhý dokument by se měl rozdělit se zachováním smysluplných hranic a kontextu a každý vektor zůstat propojený se zdrojovou pasáží.\n\nVýrobce dokumentuje vektory float jako výchozí výstup a base64 jako alternativní kódování. Průvodce doporučuje kosinovou podobnost a uvádí, že embeddingy OpenAI jsou normalizovány na jednotkovou normu, což umožňuje skalární součin pro kosinovou podobnost a ekvivalentní pořadí při eukleidovské vzdálenosti. Pokud se vektor třetí generace po vytvoření ručně zkrátí, výrobce instruuje aplikaci k opětovné normalizaci zkráceného vektoru; doporučeným postupem je použití ovládacího parametru dimensions.\n\nPřipravte konzistentní textovou reprezentaci a zaznamenejte model, rozměry a identifikátor zdroje. Užitečným konečným výstupem je seřazená sada pasáží, souvisejících položek nebo seskupených záznamů s výslovným pravidlem výběru. Posuďte, zda výsledek řeší dotaz, a uchovávejte zdrojové důkazní podklady pro další fázi, místo abyste vektorovou podobnost považovali za ověření faktických tvrzení záznamu.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "792e09def297fc42685a0cffed8faf05517b516b0221c99d795b6c45d2b1f7cc", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "cs", "methods": [ { "html": "openai/text-embedding-3-largeVětší textový embeddingový model třetí generace společnosti OpenAI ve výchozím nastavení vrací 3072rozměrné vektory s ovládacím prvkem výrobce pro kratší reprezentace. Používejte jej pro sémantické vyhledávání, vícejazyčné porovnávání a postupy doporučování souvisejícího obsahu nebo klasifikace.
Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.
text-embedding-3-large je větší textový embeddingový model třetí generace společnosti OpenAI pro úlohy v angličtině i dalších jazycích. Mapuje psaný materiál na číselný vektor a ve výchozím nastavení vrací 3072 složek. Vektor reprezentuje vztahy v dodaném obsahu; postup vyhledávání nebo klasifikace jej používá k výběru materiálu nebo jinému rozhodnutí.
Modely třetí generace jsou trénovány k podpoře kratších reprezentací prostřednictvím ovládacího parametru dimensions výrobce. Výrobce uvádí 1024 rozměrů jako příklad, když vektorové úložiště vyžaduje tuto velikost. Kratší vektor snižuje množství dat k ukládání a porovnávání, změna reprezentace však může ovlivnit kvalitu vyhledávání. Velikost volte podle požadavků aplikace a stejnou volbu používejte pro korpus i jeho dotazy.
Ilustrační postup vyhledávání dokumentů dělí zdrojový materiál na smysluplné pasáže, uchovává jejich identifikátory a získává vektory každé pasáže. Embedding otázky se vytvoří stejným modelem a rozměry a poté se porovná s vektory pasáží. Aplikace dodává filtry, vybírá seřazené výsledky a zobrazuje odkazy na jejich zdroje. Následný model generování textu může z nalezeného materiálu vytvořit odpověď; výsledek embeddingového modelu zůstává číselnými daty.
Další dokumentované aplikace zahrnují vyhledávání kódu nebo textu, seskupování podobných záznamů, doporučování souvisejícího obsahu, klasifikaci, detekci anomálií a měření rozmanitosti kolekce. Pro doporučení popisujte objekty pojmy relevantními pro jejich vztah. Pro klasifikaci porovnávejte s reprezentacemi kategorií nebo používejte vektory jako příznaky v klasifikátoru. Definujte pravidlo, které promění podobnost ve výsledek potřebný pro produkt.
OpenAI uvádí maximální vstup 8192 tokenů na text. Embeddingové API přijímá řetězce nebo tokenizovaný text, podporuje více vstupů a odmítá prázdné řetězce. Také vynucuje souhrnný limit 300 000 tokenů na jeden požadavek. Dlouhý dokument by se měl rozdělit se zachováním smysluplných hranic a kontextu a každý vektor zůstat propojený se zdrojovou pasáží.
Výrobce dokumentuje vektory float jako výchozí výstup a base64 jako alternativní kódování. Průvodce doporučuje kosinovou podobnost a uvádí, že embeddingy OpenAI jsou normalizovány na jednotkovou normu, což umožňuje skalární součin pro kosinovou podobnost a ekvivalentní pořadí při eukleidovské vzdálenosti. Pokud se vektor třetí generace po vytvoření ručně zkrátí, výrobce instruuje aplikaci k opětovné normalizaci zkráceného vektoru; doporučeným postupem je použití ovládacího parametru dimensions.
Připravte konzistentní textovou reprezentaci a zaznamenejte model, rozměry a identifikátor zdroje. Užitečným konečným výstupem je seřazená sada pasáží, souvisejících položek nebo seskupených záznamů s výslovným pravidlem výběru. Posuďte, zda výsledek řeší dotaz, a uchovávejte zdrojové důkazní podklady pro další fázi, místo abyste vektorovou podobnost považovali za ověření faktických tvrzení záznamu.
POST /v1/embeddingstext, token_idsembedding| Pole | Typ | Požadavek | Hodnoty a limity | Výchozí |
|---|---|---|---|---|
Polemodel | Typstring | PožadavekPovinné | Hodnoty a limity openai/text-embedding-3-large | Výchozí— |
Poleinput | Typstring|string[]|integer[]|integer[][] | PožadavekPovinné | Hodnoty a limity Minimální počet položek: 1 Podmínky: Neprázdná homogenní dávka. ID tokenů jsou nezáporná celá čísla. Rozpočet vstupu: Maximum: 8 192 · Jednotka textu: bajty UTF8 · Jednotka tokenů: prvky pole tokenů | Výchozí— |
Poleencoding_format | Typstring | PožadavekVolitelné | Hodnoty a limity float | Výchozífloat |
Poledimensions | Typinteger | PožadavekNepodporováno | Hodnoty a limity Minimum: 1 | Výchozí— |
Poleuser | Typjson_value | PožadavekVolitelné | Hodnoty a limity Podmínky: Zdroj povoluje toto pole metadat JSON; jeho přesný význam u poskytovatele závisí na konkrétním modelu. | Výchozí— |
Polesession_id | Typjson_value | PožadavekVolitelné | Hodnoty a limity Podmínky: Zdroj povoluje toto pole metadat JSON; jeho přesný význam u poskytovatele závisí na konkrétním modelu. | Výchozí— |
Poletrace | Typjson_value | PožadavekVolitelné | Hodnoty a limity Podmínky: Zdroj povoluje toto pole metadat JSON; jeho přesný význam u poskytovatele závisí na konkrétním modelu. | Výchozí— |
Poleprovider | Typobject | PožadavekVolitelné | Hodnoty a limity Podmínky: Parametr provider.options byl odmítnut | Výchozí— |
text_to_embedding
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, input |
Parametrinput_shapes | Kontraktstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parametrencoding_format | Kontraktfloat |
Parametrdimensions_override | Kontraktfalse |
Parametrmax_input_budget_units | Kontrakt8192 |
Parametrmultimodal_objects | Kontraktfalse |
Parametrmaterial_types | Kontrakttext, token_ids |
Životní cyklus: synchronous_json
Uchovejte index i rozměr každého vektoru.
Multimodální název modelu neznamená, že tato konkrétní cesta přijímá obrazové objekty.
Údaje o tarifech nepřidávají možnosti požadavku. Podporované parametry jsou uvedeny u vybrané metody.
| Konfigurace | Tabulka sazeb | Poplatek |
|---|---|---|
| KonfiguraceZákladní sazby za tokeny | Tabulka sazebZákladní sazba | Poplatek Vstup · Vstupní tokeny $0.00026 / 1K tokenů Výstup · Výstupní tokeny $0 / 1K tokenů Vstup · Čtení z mezipaměti — / 1K tokenů Vstup · Zápis do mezipaměti — / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů |
Ailoot před požadavkem rezervuje odhadovanou částku. Po výsledku vyúčtuje konečný poplatek podle naměřeného využití. Při streamování se účtování řídí konečným záznamem využití. Jak funguje rezervace a vyúčtování →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "openai/text-embedding-3-large", "input": ["First document", "Second document"]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.embeddings.create(model='openai/text-embedding-3-large',input=["First document","Second document"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\njson
Uchovejte každou úplnou vrácenou odpověď, soubor i část obsahu.
Uchovejte každý vektor spolu s jeho indexem. Počet vektorů musí odpovídat počtu vstupů; jejich rozměr musí být jednotný.
Samostatný endpoint úloh pro embeddingy se nezavádí.
| Pole | Typ |
|---|---|
Poleobject | Typstring |
Polemodel | Typstring |
Poledata[].index | Typinteger |
Poledata[].embedding | Typfinite float[] |
Poleusage | Typobject |
| Odpověď | Podmínka | Další krok |
|---|---|---|
Odpověď400 · invalid_request_error | PodmínkaNeplatná povinná pole, reprezentace podkladů nebo hodnota parametru | Další krokPřed novým požadavkem na vytvoření opravte uvedená pole. |
Ailoot Ultra openai/text-embedding-3-large, text-embedding-3-large
Použijte cesty metod uvedené výše.
text-embedding-3-largeVětší textový embeddingový model třetí generace společnosti OpenAI ve výchozím nastavení vrací 3072rozměrné vektory s ovládacím prvkem výrobce pro kratší reprezentace. Používejte jej pro sémantické vyhledávání, vícejazyčné porovnávání a postupy doporučování souvisejícího obsahu nebo klasifikace.
Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.
text-embedding-3-large je větší textový embeddingový model třetí generace společnosti OpenAI pro úlohy v angličtině i dalších jazycích. Mapuje psaný materiál na číselný vektor a ve výchozím nastavení vrací 3072 složek. Vektor reprezentuje vztahy v dodaném obsahu; postup vyhledávání nebo klasifikace jej používá k výběru materiálu nebo jinému rozhodnutí.
Modely třetí generace jsou trénovány k podpoře kratších reprezentací prostřednictvím ovládacího parametru dimensions výrobce. Výrobce uvádí 1024 rozměrů jako příklad, když vektorové úložiště vyžaduje tuto velikost. Kratší vektor snižuje množství dat k ukládání a porovnávání, změna reprezentace však může ovlivnit kvalitu vyhledávání. Velikost volte podle požadavků aplikace a stejnou volbu používejte pro korpus i jeho dotazy.
Ilustrační postup vyhledávání dokumentů dělí zdrojový materiál na smysluplné pasáže, uchovává jejich identifikátory a získává vektory každé pasáže. Embedding otázky se vytvoří stejným modelem a rozměry a poté se porovná s vektory pasáží. Aplikace dodává filtry, vybírá seřazené výsledky a zobrazuje odkazy na jejich zdroje. Následný model generování textu může z nalezeného materiálu vytvořit odpověď; výsledek embeddingového modelu zůstává číselnými daty.
Další dokumentované aplikace zahrnují vyhledávání kódu nebo textu, seskupování podobných záznamů, doporučování souvisejícího obsahu, klasifikaci, detekci anomálií a měření rozmanitosti kolekce. Pro doporučení popisujte objekty pojmy relevantními pro jejich vztah. Pro klasifikaci porovnávejte s reprezentacemi kategorií nebo používejte vektory jako příznaky v klasifikátoru. Definujte pravidlo, které promění podobnost ve výsledek potřebný pro produkt.
OpenAI uvádí maximální vstup 8192 tokenů na text. Embeddingové API přijímá řetězce nebo tokenizovaný text, podporuje více vstupů a odmítá prázdné řetězce. Také vynucuje souhrnný limit 300 000 tokenů na jeden požadavek. Dlouhý dokument by se měl rozdělit se zachováním smysluplných hranic a kontextu a každý vektor zůstat propojený se zdrojovou pasáží.
Výrobce dokumentuje vektory float jako výchozí výstup a base64 jako alternativní kódování. Průvodce doporučuje kosinovou podobnost a uvádí, že embeddingy OpenAI jsou normalizovány na jednotkovou normu, což umožňuje skalární součin pro kosinovou podobnost a ekvivalentní pořadí při eukleidovské vzdálenosti. Pokud se vektor třetí generace po vytvoření ručně zkrátí, výrobce instruuje aplikaci k opětovné normalizaci zkráceného vektoru; doporučeným postupem je použití ovládacího parametru dimensions.
Připravte konzistentní textovou reprezentaci a zaznamenejte model, rozměry a identifikátor zdroje. Užitečným konečným výstupem je seřazená sada pasáží, souvisejících položek nebo seskupených záznamů s výslovným pravidlem výběru. Posuďte, zda výsledek řeší dotaz, a uchovávejte zdrojové důkazní podklady pro další fázi, místo abyste vektorovou podobnost považovali za ověření faktických tvrzení záznamu.
POST /v1/embeddingstextembedding| Pole | Typ | Požadavek | Hodnoty a limity | Výchozí |
|---|---|---|---|---|
Polemodel | Typstring | PožadavekPovinné | Hodnoty a limity text-embedding-3-large | Výchozí— |
Poleinput | Typstring|string[]|integer[]|integer[][] | PožadavekPovinné | Hodnoty a limity Minimální počet položek: 1 Podmínky: Neprázdná homogenní dávka. ID tokenů jsou nezáporná celá čísla. Rozpočet vstupu: Maximum: 8 192 · Jednotka textu: bajty UTF8 · Jednotka tokenů: prvky pole tokenů | Výchozí— |
Poleencoding_format | Typstring | PožadavekVolitelné | Hodnoty a limity float | Výchozífloat |
Poledimensions | Typinteger | PožadavekNepodporováno | Hodnoty a limity Minimum: 1 | Výchozí— |
Poleuser | Typjson_value | PožadavekVolitelné | Hodnoty a limity Podmínky: Volitelná metadata JSON; přesný význam u dodavatele závisí na vybraném modelu. | Výchozí— |
Polesession_id | Typjson_value | PožadavekVolitelné | Hodnoty a limity Podmínky: Volitelná metadata JSON; přesný význam u dodavatele závisí na vybraném modelu. | Výchozí— |
Poletrace | Typjson_value | PožadavekVolitelné | Hodnoty a limity Podmínky: Volitelná metadata JSON; přesný význam u dodavatele závisí na vybraném modelu. | Výchozí— |
Poleprovider | Typobject | PožadavekVolitelné | Hodnoty a limity Podmínky: Parametr provider.options byl odmítnut | Výchozí— |
text_to_embedding
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, input |
Parametrinput_shapes | Kontraktstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parametrencoding_format | Kontraktfloat |
Parametrdimensions_override | Kontraktfalse |
Parametrmax_input_budget_units | Kontrakt8192 |
Parametrmultimodal_objects | Kontraktfalse |
Parametrmaterial_types | Kontrakttext |
Parametrtext_file_material | KontraktPřečtěte skutečný dokument UTF-8 a vložte jeho text do uvedeného pole input nebo do řetězce obsahu zprávy. |
Životní cyklus: synchronous_json
Odešlete přesné ID modelu a povinná pole.
Uchovejte každou vrácenou položku a její původní identifikátory.
Údaje o tarifech nepřidávají možnosti požadavku. Podporované parametry jsou uvedeny u vybrané metody.
| Konfigurace | Tabulka sazeb | Poplatek |
|---|---|---|
| KonfiguraceZákladní sazby za tokeny | Tabulka sazebZákladní sazba | Poplatek Vstup · Vstupní tokeny $0.00026 / 1K tokenů Výstup · Výstupní tokeny $0 / 1K tokenů Vstup · Čtení z mezipaměti — / 1K tokenů Vstup · Zápis do mezipaměti — / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů |
Ailoot před požadavkem rezervuje odhadovanou částku. Po výsledku vyúčtuje konečný poplatek podle naměřeného využití. Při streamování se účtování řídí konečným záznamem využití. Jak funguje rezervace a vyúčtování →
{\n "model": "text-embedding-3-large",\n "input": [\n "First document",\n "Second document"\n ],\n "encoding_format": "float"\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'text-embedding-3-large', 'input': ['First document', 'Second document'], 'encoding_format': 'float'}\npayload['input'] = [text]\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nfor vector in result.get('data', []):\n print('Vector', vector.get('index'), json.dumps(vector.get('embedding')))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'text-embedding-3-large', 'input': ['First document', 'Second document'], 'encoding_format': 'float'}\npayload['input'] = [text]\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'Authorization': 'Bearer PLACEHOLDER_KEY', 'Content-Type': 'application/json'}\nheaders['Authorization'] = 'Bearer ' + api_key\nrequest = Request('https://api.ailoot.ai/v1/embeddings', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nfor vector in result.get('data', []):\n print('Vector', vector.get('index'), json.dumps(vector.get('embedding')))\njson
Uchovejte každou úplnou vrácenou odpověď, soubor i část obsahu.
Uchovejte každý vektor s konečnými hodnotami a jeho původní index. Zachovejte všechny rozměry a celý objekt usage.
Samostatný endpoint úloh pro embeddingy se nezavádí.
| Pole | Typ |
|---|---|
Poleobject | Typstring |
Polemodel | Typstring |
Poledata[].index | Typinteger |
Poledata[].embedding | Typfinite float[] |
Poleusage | Typobject |
| Odpověď | Podmínka | Další krok |
|---|---|---|
Odpověď400 · invalid_request_error | PodmínkaNeplatná povinná pole, reprezentace podkladů nebo hodnota parametru | Další krokPřed novým požadavkem na vytvoření opravte uvedená pole. |
Ailoot Ultra openai/text-embedding-3-large, text-embedding-3-large
Použijte cesty metod uvedené výše.