text-embedding-ada-002 je textový embeddingový model společnosti OpenAI pro reprezentaci psaného materiálu číselným vektorem. Jeho výstup obsahuje 1536 složek. Výrobce v jediné reprezentaci spojuje posuzování podobnosti textů, vyhledávání dokumentů podle dotazů a vyhledávání kódu. Výsledkem jsou data pro porovnání nebo jiný algoritmus, nikoli generovaná odpověď na text, pro který embedding vzniká.
Pro sémantické vyhledávání připravte smysluplné pasáže dokumentů a zachovejte identifikátory jejich zdrojů. Ilustrační postup vytváří embedding každé pasáže a otázky uživatele stejným modelem, porovnává vektory a vrací relevantní zdrojové pasáže. Aplikace určuje pravidlo vyhledávání, filtry a způsob zobrazení. Následný krok generování textu může nalezený materiál použít k vytvoření odpovědi, zatímco embeddingový model dodává číselnou reprezentaci.
Další dokumentovaná použití zahrnují seskupování podobných záznamů, doporučování souvisejícího obsahu, klasifikaci textu a identifikaci odlehlých položek. Pro doporučení porovnávejte popisy objektů, jejichž vztah je důležitý. Pro klasifikaci průvodce popisuje porovnání s reprezentacemi kategorií nebo použití vektorů jako příznaků v klasifikátoru. U detekce anomálií je relevantním výsledkem záznam odlišný od okolní kolekce, interpretovaný podle úkolu produktu.
OpenAI pro tento model uvádí maximální vstup 8192 tokenů. Embeddingové API výrobce přijímá textové řetězce nebo tokenizovaný vstup, umožňuje více vstupů v jednom požadavku a odmítá prázdné řetězce. Kromě limitu jednotlivého vstupu platí souhrnný limit 300 000 tokenů na jeden požadavek. Delší dokumenty rozdělte na užitečné pasáže a zachovejte názvy, definice a odkaz zpět na původní materiál.
Výstupem je vektor hodnot s plovoucí řádovou čárkou; výrobce také dokumentuje base64 jako alternativní přenosové kódování. Parametr OpenAI pro zkrácení rozměru je určen embeddingovým modelům třetí generace a pozdějším, takže dokumentovaný 1536rozměrný výsledek modelu Ada zůstává od tohoto ovládacího prvku oddělený. Identitu modelu a vektor ukládejte se zdrojovým záznamem, aby pozdější porovnávání používalo konzistentní reprezentaci.
Průvodce embeddingy doporučuje kosinovou podobnost a uvádí, že embeddingy OpenAI jsou normalizovány na jednotkovou normu. U těchto vektorů může skalární součin vypočítat kosinovou podobnost a eukleidovská vzdálenost dává stejné pořadí. Skóre podobnosti je součástí logiky vyhledávání nebo klasifikace v aplikaci, nikoli rozhodnutím o kategorii automaticky dodaným modelem.
Definujte, která zdrojová pole se stanou vstupním textem a jak se mají pasáže dělit. Ilustračním výsledkem je seřazená sada pasáží dokumentů nebo souvisejících záznamů, z nichž každý je propojen s původním zdrojem a pravidlem použitým pro výběr. Přípravu udržujte konzistentní a vyhodnocujte, zda vrácený materiál řeší skutečnou otázku. Tím se číselný výstup stává užitečným pro další krok vyhledávání, doporučování nebo analýzy.
", "aboutText": "text-embedding-ada-002 je textový embeddingový model společnosti OpenAI pro reprezentaci psaného materiálu číselným vektorem. Jeho výstup obsahuje 1536 složek. Výrobce v jediné reprezentaci spojuje posuzování podobnosti textů, vyhledávání dokumentů podle dotazů a vyhledávání kódu. Výsledkem jsou data pro porovnání nebo jiný algoritmus, nikoli generovaná odpověď na text, pro který embedding vzniká.\n\nPro sémantické vyhledávání připravte smysluplné pasáže dokumentů a zachovejte identifikátory jejich zdrojů. Ilustrační postup vytváří embedding každé pasáže a otázky uživatele stejným modelem, porovnává vektory a vrací relevantní zdrojové pasáže. Aplikace určuje pravidlo vyhledávání, filtry a způsob zobrazení. Následný krok generování textu může nalezený materiál použít k vytvoření odpovědi, zatímco embeddingový model dodává číselnou reprezentaci.\n\nDalší dokumentovaná použití zahrnují seskupování podobných záznamů, doporučování souvisejícího obsahu, klasifikaci textu a identifikaci odlehlých položek. Pro doporučení porovnávejte popisy objektů, jejichž vztah je důležitý. Pro klasifikaci průvodce popisuje porovnání s reprezentacemi kategorií nebo použití vektorů jako příznaků v klasifikátoru. U detekce anomálií je relevantním výsledkem záznam odlišný od okolní kolekce, interpretovaný podle úkolu produktu.\n\nOpenAI pro tento model uvádí maximální vstup 8192 tokenů. Embeddingové API výrobce přijímá textové řetězce nebo tokenizovaný vstup, umožňuje více vstupů v jednom požadavku a odmítá prázdné řetězce. Kromě limitu jednotlivého vstupu platí souhrnný limit 300 000 tokenů na jeden požadavek. Delší dokumenty rozdělte na užitečné pasáže a zachovejte názvy, definice a odkaz zpět na původní materiál.\n\nVýstupem je vektor hodnot s plovoucí řádovou čárkou; výrobce také dokumentuje base64 jako alternativní přenosové kódování. Parametr OpenAI pro zkrácení rozměru je určen embeddingovým modelům třetí generace a pozdějším, takže dokumentovaný 1536rozměrný výsledek modelu Ada zůstává od tohoto ovládacího prvku oddělený. Identitu modelu a vektor ukládejte se zdrojovým záznamem, aby pozdější porovnávání používalo konzistentní reprezentaci.\n\nPrůvodce embeddingy doporučuje kosinovou podobnost a uvádí, že embeddingy OpenAI jsou normalizovány na jednotkovou normu. U těchto vektorů může skalární součin vypočítat kosinovou podobnost a eukleidovská vzdálenost dává stejné pořadí. Skóre podobnosti je součástí logiky vyhledávání nebo klasifikace v aplikaci, nikoli rozhodnutím o kategorii automaticky dodaným modelem.\n\nDefinujte, která zdrojová pole se stanou vstupním textem a jak se mají pasáže dělit. Ilustračním výsledkem je seřazená sada pasáží dokumentů nebo souvisejících záznamů, z nichž každý je propojen s původním zdrojem a pravidlem použitým pro výběr. Přípravu udržujte konzistentní a vyhodnocujte, zda vrácený materiál řeší skutečnou otázku. Tím se číselný výstup stává užitečným pro další krok vyhledávání, doporučování nebo analýzy.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "35bd901a4865d59be4f7abccaef99896e5391d8ee289c079b4cb7d07d9b5a470", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "cs", "methods": [ { "html": "openai/text-embedding-ada-002Textový embeddingový model společnosti OpenAI, který vrací 1536rozměrný číselný vektor. Tyto reprezentace používejte pro sémantické vyhledávání, doporučování souvisejícího obsahu, shlukování, klasifikaci nebo detekci neobvyklých textových záznamů.
Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.
text-embedding-ada-002 je textový embeddingový model společnosti OpenAI pro reprezentaci psaného materiálu číselným vektorem. Jeho výstup obsahuje 1536 složek. Výrobce v jediné reprezentaci spojuje posuzování podobnosti textů, vyhledávání dokumentů podle dotazů a vyhledávání kódu. Výsledkem jsou data pro porovnání nebo jiný algoritmus, nikoli generovaná odpověď na text, pro který embedding vzniká.
Pro sémantické vyhledávání připravte smysluplné pasáže dokumentů a zachovejte identifikátory jejich zdrojů. Ilustrační postup vytváří embedding každé pasáže a otázky uživatele stejným modelem, porovnává vektory a vrací relevantní zdrojové pasáže. Aplikace určuje pravidlo vyhledávání, filtry a způsob zobrazení. Následný krok generování textu může nalezený materiál použít k vytvoření odpovědi, zatímco embeddingový model dodává číselnou reprezentaci.
Další dokumentovaná použití zahrnují seskupování podobných záznamů, doporučování souvisejícího obsahu, klasifikaci textu a identifikaci odlehlých položek. Pro doporučení porovnávejte popisy objektů, jejichž vztah je důležitý. Pro klasifikaci průvodce popisuje porovnání s reprezentacemi kategorií nebo použití vektorů jako příznaků v klasifikátoru. U detekce anomálií je relevantním výsledkem záznam odlišný od okolní kolekce, interpretovaný podle úkolu produktu.
OpenAI pro tento model uvádí maximální vstup 8192 tokenů. Embeddingové API výrobce přijímá textové řetězce nebo tokenizovaný vstup, umožňuje více vstupů v jednom požadavku a odmítá prázdné řetězce. Kromě limitu jednotlivého vstupu platí souhrnný limit 300 000 tokenů na jeden požadavek. Delší dokumenty rozdělte na užitečné pasáže a zachovejte názvy, definice a odkaz zpět na původní materiál.
Výstupem je vektor hodnot s plovoucí řádovou čárkou; výrobce také dokumentuje base64 jako alternativní přenosové kódování. Parametr OpenAI pro zkrácení rozměru je určen embeddingovým modelům třetí generace a pozdějším, takže dokumentovaný 1536rozměrný výsledek modelu Ada zůstává od tohoto ovládacího prvku oddělený. Identitu modelu a vektor ukládejte se zdrojovým záznamem, aby pozdější porovnávání používalo konzistentní reprezentaci.
Průvodce embeddingy doporučuje kosinovou podobnost a uvádí, že embeddingy OpenAI jsou normalizovány na jednotkovou normu. U těchto vektorů může skalární součin vypočítat kosinovou podobnost a eukleidovská vzdálenost dává stejné pořadí. Skóre podobnosti je součástí logiky vyhledávání nebo klasifikace v aplikaci, nikoli rozhodnutím o kategorii automaticky dodaným modelem.
Definujte, která zdrojová pole se stanou vstupním textem a jak se mají pasáže dělit. Ilustračním výsledkem je seřazená sada pasáží dokumentů nebo souvisejících záznamů, z nichž každý je propojen s původním zdrojem a pravidlem použitým pro výběr. Přípravu udržujte konzistentní a vyhodnocujte, zda vrácený materiál řeší skutečnou otázku. Tím se číselný výstup stává užitečným pro další krok vyhledávání, doporučování nebo analýzy.
POST /v1/embeddingstext, token_idsembedding| Pole | Typ | Požadavek | Hodnoty a limity | Výchozí |
|---|---|---|---|---|
Polemodel | Typstring | PožadavekPovinné | Hodnoty a limity openai/text-embedding-ada-002 | 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 $0.0002 / 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-ada-002", "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-ada-002',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-ada-002, text-embedding-ada-002
Použijte cesty metod uvedené výše.
text-embedding-ada-002Textový embeddingový model společnosti OpenAI, který vrací 1536rozměrný číselný vektor. Tyto reprezentace používejte pro sémantické vyhledávání, doporučování souvisejícího obsahu, shlukování, klasifikaci nebo detekci neobvyklých textových záznamů.
Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.
text-embedding-ada-002 je textový embeddingový model společnosti OpenAI pro reprezentaci psaného materiálu číselným vektorem. Jeho výstup obsahuje 1536 složek. Výrobce v jediné reprezentaci spojuje posuzování podobnosti textů, vyhledávání dokumentů podle dotazů a vyhledávání kódu. Výsledkem jsou data pro porovnání nebo jiný algoritmus, nikoli generovaná odpověď na text, pro který embedding vzniká.
Pro sémantické vyhledávání připravte smysluplné pasáže dokumentů a zachovejte identifikátory jejich zdrojů. Ilustrační postup vytváří embedding každé pasáže a otázky uživatele stejným modelem, porovnává vektory a vrací relevantní zdrojové pasáže. Aplikace určuje pravidlo vyhledávání, filtry a způsob zobrazení. Následný krok generování textu může nalezený materiál použít k vytvoření odpovědi, zatímco embeddingový model dodává číselnou reprezentaci.
Další dokumentovaná použití zahrnují seskupování podobných záznamů, doporučování souvisejícího obsahu, klasifikaci textu a identifikaci odlehlých položek. Pro doporučení porovnávejte popisy objektů, jejichž vztah je důležitý. Pro klasifikaci průvodce popisuje porovnání s reprezentacemi kategorií nebo použití vektorů jako příznaků v klasifikátoru. U detekce anomálií je relevantním výsledkem záznam odlišný od okolní kolekce, interpretovaný podle úkolu produktu.
OpenAI pro tento model uvádí maximální vstup 8192 tokenů. Embeddingové API výrobce přijímá textové řetězce nebo tokenizovaný vstup, umožňuje více vstupů v jednom požadavku a odmítá prázdné řetězce. Kromě limitu jednotlivého vstupu platí souhrnný limit 300 000 tokenů na jeden požadavek. Delší dokumenty rozdělte na užitečné pasáže a zachovejte názvy, definice a odkaz zpět na původní materiál.
Výstupem je vektor hodnot s plovoucí řádovou čárkou; výrobce také dokumentuje base64 jako alternativní přenosové kódování. Parametr OpenAI pro zkrácení rozměru je určen embeddingovým modelům třetí generace a pozdějším, takže dokumentovaný 1536rozměrný výsledek modelu Ada zůstává od tohoto ovládacího prvku oddělený. Identitu modelu a vektor ukládejte se zdrojovým záznamem, aby pozdější porovnávání používalo konzistentní reprezentaci.
Průvodce embeddingy doporučuje kosinovou podobnost a uvádí, že embeddingy OpenAI jsou normalizovány na jednotkovou normu. U těchto vektorů může skalární součin vypočítat kosinovou podobnost a eukleidovská vzdálenost dává stejné pořadí. Skóre podobnosti je součástí logiky vyhledávání nebo klasifikace v aplikaci, nikoli rozhodnutím o kategorii automaticky dodaným modelem.
Definujte, která zdrojová pole se stanou vstupním textem a jak se mají pasáže dělit. Ilustračním výsledkem je seřazená sada pasáží dokumentů nebo souvisejících záznamů, z nichž každý je propojen s původním zdrojem a pravidlem použitým pro výběr. Přípravu udržujte konzistentní a vyhodnocujte, zda vrácený materiál řeší skutečnou otázku. Tím se číselný výstup stává užitečným pro další krok vyhledávání, doporučování nebo analýzy.
POST /v1/embeddingstextembedding| Pole | Typ | Požadavek | Hodnoty a limity | Výchozí |
|---|---|---|---|---|
Polemodel | Typstring | PožadavekPovinné | Hodnoty a limity text-embedding-ada-002 | 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 $0.0002 / 1K tokenů Výstup · Výstupní tokeny $0 / 1K tokenů Vstup · Čtení z mezipaměti — / 1K tokenů Vstup · Zápis do mezipaměti — / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů |
Ailoot před požadavkem rezervuje odhadovanou částku. Po výsledku vyúčtuje konečný poplatek podle naměřeného využití. Při streamování se účtování řídí konečným záznamem využití. Jak funguje rezervace a vyúčtování →
{\n "model": "text-embedding-ada-002",\n "input": [\n "First document",\n "Second document"\n ],\n "encoding_format": "float"\n}set -eu\n: "${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-ada-002', '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-ada-002', '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-ada-002, text-embedding-ada-002
Použijte cesty metod uvedené výše.