text-embedding-3-small je menší textový embeddingový model třetí generace společnosti OpenAI. Převádí psaný materiál na číselné vektory s výchozími 1536 složkami. Tyto vektory měří vztahy mezi texty pro další krok vyhledávání nebo analýzy; model negeneruje konverzační odpověď na vstup.
Stejně jako větší model třetí generace podporuje ovládací parametr dimensions výrobce pro kratší embeddingy. Trénování je navrženo tak, aby ve zkráceném vektoru zachovalo informace reprezentující pojmy, přičemž volba velikosti ovlivňuje kvalitu aplikace a její nároky na prostředky. Mezi porovnávanými záznamy a dotazy udržujte konzistentní model a zvolené rozměry.
Praktickou aplikací je vyhledávání kódu. Průvodce výrobce popisuje reprezentaci zdrojových funkcí jako textu a vytváření jejich embeddingů, následované embeddingem dotazu v přirozeném jazyce stejným modelem a porovnáním výsledných vektorů. Ilustračním výsledkem je seřazená sada relevantních funkcí propojených s jejich umístěním ve zdroji. U vyhledávání dokumentů je odpovídajícím výstupem sada pasáží, jejichž text a původní odkazy zůstávají dostupné čtenáři nebo dalšímu modelu.
Další dokumentovaná použití zahrnují shlukování, doporučování souvisejícího obsahu, klasifikaci, detekci odlehlých položek a měření rozmanitosti. Postup práce se zprávami zaměřený na konkrétní úlohu může seskupovat podobné požadavky nebo je porovnávat s popisy kategorií. Aplikace definuje, jak se výsledek podobnosti promění v kategorii, doporučení nebo položku ke kontrole; samotný embedding zůstává číselnými daty.
OpenAI stanovuje maximální vstup 8192 tokenů na text. Její embeddingové API přijímá řetězce nebo tokenizovaný vstup i více vstupů v jednom požadavku, odmítá prázdné řetězce a uplatňuje souhrnný limit 300 000 tokenů. Dlouhý materiál připravujte jako smysluplné pasáže a zachovejte názvy nebo definice potřebné k jejich interpretaci. Používejte konzistentní sadu zdrojových polí, místo abyste vytvářeli embeddingy různých druhů záznamů podle nesouvisejících pravidel přípravy.
Výrobce ve výchozím nastavení vrací vektory float a dokumentuje také kódování base64. Průvodce uvádí, že embeddingy OpenAI jsou normalizovány na jednotkovou normu, a doporučuje kosinovou podobnost; skalární součin ji může vypočítat a eukleidovská vzdálenost dává stejné pořadí. Pokud se embedding třetí generace po vrácení ručně zkrátí, zkrácený vektor znovu normalizujte podle popisu v průvodci. Ovládací parametr dimensions umožňuje nepoužívat ruční ořezávání jako běžný krok přípravy.
U každého vektoru zaznamenejte identitu modelu, rozměry a odkaz na zdroj. Užitečným navazujícím výstupem je seřazený seznam, seskupená kolekce nebo sada klasifikačních příznaků propojených s textem, který je vytvořil. Zkontrolujte, zda vybraný materiál skutečně podporuje úkol, a chybějící fakta odlišujte od sémantické souvislosti. Další krok pak může reprezentaci použít pro konkrétní postup vyhledávání nebo rozhodování.
", "aboutText": "text-embedding-3-small je menší textový embeddingový model třetí generace společnosti OpenAI. Převádí psaný materiál na číselné vektory s výchozími 1536 složkami. Tyto vektory měří vztahy mezi texty pro další krok vyhledávání nebo analýzy; model negeneruje konverzační odpověď na vstup.\n\nStejně jako větší model třetí generace podporuje ovládací parametr dimensions výrobce pro kratší embeddingy. Trénování je navrženo tak, aby ve zkráceném vektoru zachovalo informace reprezentující pojmy, přičemž volba velikosti ovlivňuje kvalitu aplikace a její nároky na prostředky. Mezi porovnávanými záznamy a dotazy udržujte konzistentní model a zvolené rozměry.\n\nPraktickou aplikací je vyhledávání kódu. Průvodce výrobce popisuje reprezentaci zdrojových funkcí jako textu a vytváření jejich embeddingů, následované embeddingem dotazu v přirozeném jazyce stejným modelem a porovnáním výsledných vektorů. Ilustračním výsledkem je seřazená sada relevantních funkcí propojených s jejich umístěním ve zdroji. U vyhledávání dokumentů je odpovídajícím výstupem sada pasáží, jejichž text a původní odkazy zůstávají dostupné čtenáři nebo dalšímu modelu.\n\nDalší dokumentovaná použití zahrnují shlukování, doporučování souvisejícího obsahu, klasifikaci, detekci odlehlých položek a měření rozmanitosti. Postup práce se zprávami zaměřený na konkrétní úlohu může seskupovat podobné požadavky nebo je porovnávat s popisy kategorií. Aplikace definuje, jak se výsledek podobnosti promění v kategorii, doporučení nebo položku ke kontrole; samotný embedding zůstává číselnými daty.\n\nOpenAI stanovuje maximální vstup 8192 tokenů na text. Její embeddingové API přijímá řetězce nebo tokenizovaný vstup i více vstupů v jednom požadavku, odmítá prázdné řetězce a uplatňuje souhrnný limit 300 000 tokenů. Dlouhý materiál připravujte jako smysluplné pasáže a zachovejte názvy nebo definice potřebné k jejich interpretaci. Používejte konzistentní sadu zdrojových polí, místo abyste vytvářeli embeddingy různých druhů záznamů podle nesouvisejících pravidel přípravy.\n\nVýrobce ve výchozím nastavení vrací vektory float a dokumentuje také kódování base64. Průvodce uvádí, že embeddingy OpenAI jsou normalizovány na jednotkovou normu, a doporučuje kosinovou podobnost; skalární součin ji může vypočítat a eukleidovská vzdálenost dává stejné pořadí. Pokud se embedding třetí generace po vrácení ručně zkrátí, zkrácený vektor znovu normalizujte podle popisu v průvodci. Ovládací parametr dimensions umožňuje nepoužívat ruční ořezávání jako běžný krok přípravy.\n\nU každého vektoru zaznamenejte identitu modelu, rozměry a odkaz na zdroj. Užitečným navazujícím výstupem je seřazený seznam, seskupená kolekce nebo sada klasifikačních příznaků propojených s textem, který je vytvořil. Zkontrolujte, zda vybraný materiál skutečně podporuje úkol, a chybějící fakta odlišujte od sémantické souvislosti. Další krok pak může reprezentaci použít pro konkrétní postup vyhledávání nebo rozhodování.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "2bc42d9fdd062daf560d61c4988f3f57161e94375c77033c92986395ebae566e", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "cs", "methods": [ { "html": "openai/text-embedding-3-smallMenší textový embeddingový model třetí generace společnosti OpenAI ve výchozím nastavení vrací 1536rozměrné vektory a podporuje kratší reprezentace. Číselný výstup používejte pro sémantické vyhledávání, vyhledávání kódu, seskupování, doporučování a klasifikaci.
Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.
text-embedding-3-small je menší textový embeddingový model třetí generace společnosti OpenAI. Převádí psaný materiál na číselné vektory s výchozími 1536 složkami. Tyto vektory měří vztahy mezi texty pro další krok vyhledávání nebo analýzy; model negeneruje konverzační odpověď na vstup.
Stejně jako větší model třetí generace podporuje ovládací parametr dimensions výrobce pro kratší embeddingy. Trénování je navrženo tak, aby ve zkráceném vektoru zachovalo informace reprezentující pojmy, přičemž volba velikosti ovlivňuje kvalitu aplikace a její nároky na prostředky. Mezi porovnávanými záznamy a dotazy udržujte konzistentní model a zvolené rozměry.
Praktickou aplikací je vyhledávání kódu. Průvodce výrobce popisuje reprezentaci zdrojových funkcí jako textu a vytváření jejich embeddingů, následované embeddingem dotazu v přirozeném jazyce stejným modelem a porovnáním výsledných vektorů. Ilustračním výsledkem je seřazená sada relevantních funkcí propojených s jejich umístěním ve zdroji. U vyhledávání dokumentů je odpovídajícím výstupem sada pasáží, jejichž text a původní odkazy zůstávají dostupné čtenáři nebo dalšímu modelu.
Další dokumentovaná použití zahrnují shlukování, doporučování souvisejícího obsahu, klasifikaci, detekci odlehlých položek a měření rozmanitosti. Postup práce se zprávami zaměřený na konkrétní úlohu může seskupovat podobné požadavky nebo je porovnávat s popisy kategorií. Aplikace definuje, jak se výsledek podobnosti promění v kategorii, doporučení nebo položku ke kontrole; samotný embedding zůstává číselnými daty.
OpenAI stanovuje maximální vstup 8192 tokenů na text. Její embeddingové API přijímá řetězce nebo tokenizovaný vstup i více vstupů v jednom požadavku, odmítá prázdné řetězce a uplatňuje souhrnný limit 300 000 tokenů. Dlouhý materiál připravujte jako smysluplné pasáže a zachovejte názvy nebo definice potřebné k jejich interpretaci. Používejte konzistentní sadu zdrojových polí, místo abyste vytvářeli embeddingy různých druhů záznamů podle nesouvisejících pravidel přípravy.
Výrobce ve výchozím nastavení vrací vektory float a dokumentuje také kódování base64. Průvodce uvádí, že embeddingy OpenAI jsou normalizovány na jednotkovou normu, a doporučuje kosinovou podobnost; skalární součin ji může vypočítat a eukleidovská vzdálenost dává stejné pořadí. Pokud se embedding třetí generace po vrácení ručně zkrátí, zkrácený vektor znovu normalizujte podle popisu v průvodci. Ovládací parametr dimensions umožňuje nepoužívat ruční ořezávání jako běžný krok přípravy.
U každého vektoru zaznamenejte identitu modelu, rozměry a odkaz na zdroj. Užitečným navazujícím výstupem je seřazený seznam, seskupená kolekce nebo sada klasifikačních příznaků propojených s textem, který je vytvořil. Zkontrolujte, zda vybraný materiál skutečně podporuje úkol, a chybějící fakta odlišujte od sémantické souvislosti. Další krok pak může reprezentaci použít pro konkrétní postup vyhledávání nebo rozhodování.
POST /v1/embeddingstext, token_idsembedding| Pole | Typ | Požadavek | Hodnoty a limity | Výchozí |
|---|---|---|---|---|
Polemodel | Typstring | PožadavekPovinné | Hodnoty a limity openai/text-embedding-3-small | 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 $0.00004 / 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-small", "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-small',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-small, text-embedding-3-small
Použijte cesty metod uvedené výše.
text-embedding-3-smallMenší textový embeddingový model třetí generace společnosti OpenAI ve výchozím nastavení vrací 1536rozměrné vektory a podporuje kratší reprezentace. Číselný výstup používejte pro sémantické vyhledávání, vyhledávání kódu, seskupování, doporučování a klasifikaci.
Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.
text-embedding-3-small je menší textový embeddingový model třetí generace společnosti OpenAI. Převádí psaný materiál na číselné vektory s výchozími 1536 složkami. Tyto vektory měří vztahy mezi texty pro další krok vyhledávání nebo analýzy; model negeneruje konverzační odpověď na vstup.
Stejně jako větší model třetí generace podporuje ovládací parametr dimensions výrobce pro kratší embeddingy. Trénování je navrženo tak, aby ve zkráceném vektoru zachovalo informace reprezentující pojmy, přičemž volba velikosti ovlivňuje kvalitu aplikace a její nároky na prostředky. Mezi porovnávanými záznamy a dotazy udržujte konzistentní model a zvolené rozměry.
Praktickou aplikací je vyhledávání kódu. Průvodce výrobce popisuje reprezentaci zdrojových funkcí jako textu a vytváření jejich embeddingů, následované embeddingem dotazu v přirozeném jazyce stejným modelem a porovnáním výsledných vektorů. Ilustračním výsledkem je seřazená sada relevantních funkcí propojených s jejich umístěním ve zdroji. U vyhledávání dokumentů je odpovídajícím výstupem sada pasáží, jejichž text a původní odkazy zůstávají dostupné čtenáři nebo dalšímu modelu.
Další dokumentovaná použití zahrnují shlukování, doporučování souvisejícího obsahu, klasifikaci, detekci odlehlých položek a měření rozmanitosti. Postup práce se zprávami zaměřený na konkrétní úlohu může seskupovat podobné požadavky nebo je porovnávat s popisy kategorií. Aplikace definuje, jak se výsledek podobnosti promění v kategorii, doporučení nebo položku ke kontrole; samotný embedding zůstává číselnými daty.
OpenAI stanovuje maximální vstup 8192 tokenů na text. Její embeddingové API přijímá řetězce nebo tokenizovaný vstup i více vstupů v jednom požadavku, odmítá prázdné řetězce a uplatňuje souhrnný limit 300 000 tokenů. Dlouhý materiál připravujte jako smysluplné pasáže a zachovejte názvy nebo definice potřebné k jejich interpretaci. Používejte konzistentní sadu zdrojových polí, místo abyste vytvářeli embeddingy různých druhů záznamů podle nesouvisejících pravidel přípravy.
Výrobce ve výchozím nastavení vrací vektory float a dokumentuje také kódování base64. Průvodce uvádí, že embeddingy OpenAI jsou normalizovány na jednotkovou normu, a doporučuje kosinovou podobnost; skalární součin ji může vypočítat a eukleidovská vzdálenost dává stejné pořadí. Pokud se embedding třetí generace po vrácení ručně zkrátí, zkrácený vektor znovu normalizujte podle popisu v průvodci. Ovládací parametr dimensions umožňuje nepoužívat ruční ořezávání jako běžný krok přípravy.
U každého vektoru zaznamenejte identitu modelu, rozměry a odkaz na zdroj. Užitečným navazujícím výstupem je seřazený seznam, seskupená kolekce nebo sada klasifikačních příznaků propojených s textem, který je vytvořil. Zkontrolujte, zda vybraný materiál skutečně podporuje úkol, a chybějící fakta odlišujte od sémantické souvislosti. Další krok pak může reprezentaci použít pro konkrétní postup vyhledávání nebo rozhodování.
POST /v1/embeddingstextembedding| Pole | Typ | Požadavek | Hodnoty a limity | Výchozí |
|---|---|---|---|---|
Polemodel | Typstring | PožadavekPovinné | Hodnoty a limity text-embedding-3-small | 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 $0.00004 / 1K tokenů Výstup · Výstupní tokeny $0 / 1K tokenů Vstup · Čtení z mezipaměti — / 1K tokenů Vstup · Zápis do mezipaměti — / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů |
Ailoot před požadavkem rezervuje odhadovanou částku. Po výsledku vyúčtuje konečný poplatek podle naměřeného využití. Při streamování se účtování řídí konečným záznamem využití. Jak funguje rezervace a vyúčtování →
{\n "model": "text-embedding-3-small",\n "input": [\n "First document",\n "Second document"\n ],\n "encoding_format": "float"\n}set -eu\n: "${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-small', '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-small', '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-small, text-embedding-3-small
Použijte cesty metod uvedené výše.