text-embedding-3-large er OpenAIs større tekstembeddingmodel fra tredje generation til opgaver på engelsk og andre sprog. Den afbilder skriftligt materiale som en numerisk vektor og returnerer som standard 3.072 komponenter. Vektoren repræsenterer forhold i det leverede indhold; et søge- eller klassifikationsforløb bruger den til at udvælge materiale eller træffe en anden beslutning.
Modellerne fra tredje generation er trænet til at understøtte kortere repræsentationer gennem producentens dimensions-indstilling. Producenten giver 1.024 dimensioner som eksempel, når et vektorlager kræver den størrelse. En kortere vektor reducerer datamængden, der skal lagres og sammenlignes, mens en ændring af repræsentationen kan påvirke søgekvaliteten. Vælg størrelsen efter applikationens krav, og brug det samme valg til korpusset og dets forespørgsler.
Et illustrativt dokumentsøgeforløb opdeler kildemateriale i meningsfulde passager, bevarer deres identifikatorer og henter vektorer til hver passage. Der oprettes en embedding af et spørgsmål med samme model og dimensioner, som derefter sammenlignes med passagevektorerne. Applikationen leverer filtre, udvælger de rangerede resultater og viser deres kildereferencer. En efterfølgende tekstgenereringsmodel kan udforme et svar ud fra det hentede materiale; embeddingmodellens resultat forbliver numeriske data.
Andre dokumenterede anvendelser omfatter kode- eller tekstsøgning, gruppering af lignende poster, anbefalinger af relateret indhold, klassifikation, anomalidetektion og måling af variation i en samling. Til en anbefaling beskrives objekterne med de udtryk, der er relevante for forholdet mellem dem. Til klassifikation sammenlignes med kategorirepræsentationer, eller vektorer bruges som egenskaber i en klassifikator. Definer den regel, der omsætter lighed til det resultat, produktet har brug for.
OpenAI angiver et maksimalt input på 8.192 tokens pr. tekst. Embedding-API'et accepterer strenge eller tokeniseret tekst, understøtter flere input og afviser tomme strenge. Det håndhæver også en samlet grænse på 300.000 tokens for én forespørgsel. Et langt dokument bør opdeles med dets meningsfulde afgrænsninger og kontekst intakte, så hver vektor forbliver knyttet til sin kildepassage.
Producenten dokumenterer vektorer af flydende kommatal som standardoutput og base64 som alternativ kodning. Vejledningen anbefaler cosinuslighed og angiver, at OpenAIs embeddings er normaliseret til enhedslængde, hvilket gør det muligt at bruge et skalarprodukt til cosinuslighed og giver tilsvarende rangeringer med euklidisk afstand. Hvis en vektor fra tredje generation forkortes manuelt efter generering, instruerer producenten applikationen i at normalisere den forkortede vektor igen; brug af dimensions-indstillingen er den anbefalede fremgangsmåde.
Forbered en ensartet tekstrepræsentation, og registrer model, dimensioner og kildeidentifikator. Et nyttigt endeligt resultat er et rangeret sæt passager, relaterede elementer eller grupperede poster, hvis udvælgelsesregel er udtrykkelig. Vurder, om resultatet vedrører forespørgslen, og bevar kildebelæggene til næste trin frem for at behandle vektorlighed som verificering af en posts faktuelle påstande.
", "aboutText": "text-embedding-3-large er OpenAIs større tekstembeddingmodel fra tredje generation til opgaver på engelsk og andre sprog. Den afbilder skriftligt materiale som en numerisk vektor og returnerer som standard 3.072 komponenter. Vektoren repræsenterer forhold i det leverede indhold; et søge- eller klassifikationsforløb bruger den til at udvælge materiale eller træffe en anden beslutning.\n\nModellerne fra tredje generation er trænet til at understøtte kortere repræsentationer gennem producentens dimensions-indstilling. Producenten giver 1.024 dimensioner som eksempel, når et vektorlager kræver den størrelse. En kortere vektor reducerer datamængden, der skal lagres og sammenlignes, mens en ændring af repræsentationen kan påvirke søgekvaliteten. Vælg størrelsen efter applikationens krav, og brug det samme valg til korpusset og dets forespørgsler.\n\nEt illustrativt dokumentsøgeforløb opdeler kildemateriale i meningsfulde passager, bevarer deres identifikatorer og henter vektorer til hver passage. Der oprettes en embedding af et spørgsmål med samme model og dimensioner, som derefter sammenlignes med passagevektorerne. Applikationen leverer filtre, udvælger de rangerede resultater og viser deres kildereferencer. En efterfølgende tekstgenereringsmodel kan udforme et svar ud fra det hentede materiale; embeddingmodellens resultat forbliver numeriske data.\n\nAndre dokumenterede anvendelser omfatter kode- eller tekstsøgning, gruppering af lignende poster, anbefalinger af relateret indhold, klassifikation, anomalidetektion og måling af variation i en samling. Til en anbefaling beskrives objekterne med de udtryk, der er relevante for forholdet mellem dem. Til klassifikation sammenlignes med kategorirepræsentationer, eller vektorer bruges som egenskaber i en klassifikator. Definer den regel, der omsætter lighed til det resultat, produktet har brug for.\n\nOpenAI angiver et maksimalt input på 8.192 tokens pr. tekst. Embedding-API'et accepterer strenge eller tokeniseret tekst, understøtter flere input og afviser tomme strenge. Det håndhæver også en samlet grænse på 300.000 tokens for én forespørgsel. Et langt dokument bør opdeles med dets meningsfulde afgrænsninger og kontekst intakte, så hver vektor forbliver knyttet til sin kildepassage.\n\nProducenten dokumenterer vektorer af flydende kommatal som standardoutput og base64 som alternativ kodning. Vejledningen anbefaler cosinuslighed og angiver, at OpenAIs embeddings er normaliseret til enhedslængde, hvilket gør det muligt at bruge et skalarprodukt til cosinuslighed og giver tilsvarende rangeringer med euklidisk afstand. Hvis en vektor fra tredje generation forkortes manuelt efter generering, instruerer producenten applikationen i at normalisere den forkortede vektor igen; brug af dimensions-indstillingen er den anbefalede fremgangsmåde.\n\nForbered en ensartet tekstrepræsentation, og registrer model, dimensioner og kildeidentifikator. Et nyttigt endeligt resultat er et rangeret sæt passager, relaterede elementer eller grupperede poster, hvis udvælgelsesregel er udtrykkelig. Vurder, om resultatet vedrører forespørgslen, og bevar kildebelæggene til næste trin frem for at behandle vektorlighed som verificering af en posts faktuelle påstande.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "7c262df1abd9975769a0f048ac6de9d9ffa103c69e7ebfc49c3bd5327d178e95", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "openai/text-embedding-3-largeOpenAIs større tekstembeddingmodel fra tredje generation returnerer som standard vektorer med 3.072 dimensioner og har en producentindstilling til kortere repræsentationer. Brug den til semantisk søgning, flersproget sammenligning og forløb med relateret indhold eller klassifikation.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
text-embedding-3-large er OpenAIs større tekstembeddingmodel fra tredje generation til opgaver på engelsk og andre sprog. Den afbilder skriftligt materiale som en numerisk vektor og returnerer som standard 3.072 komponenter. Vektoren repræsenterer forhold i det leverede indhold; et søge- eller klassifikationsforløb bruger den til at udvælge materiale eller træffe en anden beslutning.
Modellerne fra tredje generation er trænet til at understøtte kortere repræsentationer gennem producentens dimensions-indstilling. Producenten giver 1.024 dimensioner som eksempel, når et vektorlager kræver den størrelse. En kortere vektor reducerer datamængden, der skal lagres og sammenlignes, mens en ændring af repræsentationen kan påvirke søgekvaliteten. Vælg størrelsen efter applikationens krav, og brug det samme valg til korpusset og dets forespørgsler.
Et illustrativt dokumentsøgeforløb opdeler kildemateriale i meningsfulde passager, bevarer deres identifikatorer og henter vektorer til hver passage. Der oprettes en embedding af et spørgsmål med samme model og dimensioner, som derefter sammenlignes med passagevektorerne. Applikationen leverer filtre, udvælger de rangerede resultater og viser deres kildereferencer. En efterfølgende tekstgenereringsmodel kan udforme et svar ud fra det hentede materiale; embeddingmodellens resultat forbliver numeriske data.
Andre dokumenterede anvendelser omfatter kode- eller tekstsøgning, gruppering af lignende poster, anbefalinger af relateret indhold, klassifikation, anomalidetektion og måling af variation i en samling. Til en anbefaling beskrives objekterne med de udtryk, der er relevante for forholdet mellem dem. Til klassifikation sammenlignes med kategorirepræsentationer, eller vektorer bruges som egenskaber i en klassifikator. Definer den regel, der omsætter lighed til det resultat, produktet har brug for.
OpenAI angiver et maksimalt input på 8.192 tokens pr. tekst. Embedding-API'et accepterer strenge eller tokeniseret tekst, understøtter flere input og afviser tomme strenge. Det håndhæver også en samlet grænse på 300.000 tokens for én forespørgsel. Et langt dokument bør opdeles med dets meningsfulde afgrænsninger og kontekst intakte, så hver vektor forbliver knyttet til sin kildepassage.
Producenten dokumenterer vektorer af flydende kommatal som standardoutput og base64 som alternativ kodning. Vejledningen anbefaler cosinuslighed og angiver, at OpenAIs embeddings er normaliseret til enhedslængde, hvilket gør det muligt at bruge et skalarprodukt til cosinuslighed og giver tilsvarende rangeringer med euklidisk afstand. Hvis en vektor fra tredje generation forkortes manuelt efter generering, instruerer producenten applikationen i at normalisere den forkortede vektor igen; brug af dimensions-indstillingen er den anbefalede fremgangsmåde.
Forbered en ensartet tekstrepræsentation, og registrer model, dimensioner og kildeidentifikator. Et nyttigt endeligt resultat er et rangeret sæt passager, relaterede elementer eller grupperede poster, hvis udvælgelsesregel er udtrykkelig. Vurder, om resultatet vedrører forespørgslen, og bevar kildebelæggene til næste trin frem for at behandle vektorlighed som verificering af en posts faktuelle påstande.
POST /v1/embeddingstext, token_idsembedding| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser openai/text-embedding-3-large | Standard— |
Feltinput | Typestring|string[]|integer[]|integer[][] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 Betingelser: Ikke-tom batch med ensartede elementer. Token-ID’er er ikke-negative heltal. Inputbudget: Maksimum: 8.192 · Tekstenhed: UTF8-bytes · Tokenenhed: elementer i et tokenarray | Standard— |
Feltencoding_format | Typestring | KravValgfrit | Værdier og grænser float | Standardfloat |
Feltdimensions | Typeinteger | KravIkke understøttet | Værdier og grænser Minimum: 1 | Standard— |
Feltuser | Typejson_value | KravValgfrit | Værdier og grænser Betingelser: Kilden tillader dette JSON-metadatafelt; den præcise betydning hos den bagvedliggende udbyder afhænger af modellen. | Standard— |
Feltsession_id | Typejson_value | KravValgfrit | Værdier og grænser Betingelser: Kilden tillader dette JSON-metadatafelt; den præcise betydning hos den bagvedliggende udbyder afhænger af modellen. | Standard— |
Felttrace | Typejson_value | KravValgfrit | Værdier og grænser Betingelser: Kilden tillader dette JSON-metadatafelt; den præcise betydning hos den bagvedliggende udbyder afhænger af modellen. | Standard— |
Feltprovider | Typeobject | KravValgfrit | Værdier og grænser Betingelser: provider.options afvist | Standard— |
text_to_embedding
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, input |
Parameterinput_shapes | Kontraktstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parameterencoding_format | Kontraktfloat |
Parameterdimensions_override | Kontraktfalse |
Parametermax_input_budget_units | Kontrakt8192 |
Parametermultimodal_objects | Kontraktfalse |
Parametermaterial_types | Kontrakttext, token_ids |
Livscyklus: synchronous_json
Gem hver vektors indeks og dimension.
Et multimodalt modelnavn giver ikke adgang til at bruge billedobjekter på denne præcise sti.
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.00026 / 1K tokens Output · Outputtokens $0 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${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
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Gem hver vektor med dens indeks. Antallet af vektorer skal svare til antallet af input; dimensionerne skal være ensartede.
Der indføres intet endpoint til embedding-job.
| Felt | Type |
|---|---|
Feltobject | Typestring |
Feltmodel | Typestring |
Feltdata[].index | Typeinteger |
Feltdata[].embedding | Typefinite float[] |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra openai/text-embedding-3-large, text-embedding-3-large
Brug metodestierne vist ovenfor.
text-embedding-3-largeOpenAIs større tekstembeddingmodel fra tredje generation returnerer som standard vektorer med 3.072 dimensioner og har en producentindstilling til kortere repræsentationer. Brug den til semantisk søgning, flersproget sammenligning og forløb med relateret indhold eller klassifikation.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
text-embedding-3-large er OpenAIs større tekstembeddingmodel fra tredje generation til opgaver på engelsk og andre sprog. Den afbilder skriftligt materiale som en numerisk vektor og returnerer som standard 3.072 komponenter. Vektoren repræsenterer forhold i det leverede indhold; et søge- eller klassifikationsforløb bruger den til at udvælge materiale eller træffe en anden beslutning.
Modellerne fra tredje generation er trænet til at understøtte kortere repræsentationer gennem producentens dimensions-indstilling. Producenten giver 1.024 dimensioner som eksempel, når et vektorlager kræver den størrelse. En kortere vektor reducerer datamængden, der skal lagres og sammenlignes, mens en ændring af repræsentationen kan påvirke søgekvaliteten. Vælg størrelsen efter applikationens krav, og brug det samme valg til korpusset og dets forespørgsler.
Et illustrativt dokumentsøgeforløb opdeler kildemateriale i meningsfulde passager, bevarer deres identifikatorer og henter vektorer til hver passage. Der oprettes en embedding af et spørgsmål med samme model og dimensioner, som derefter sammenlignes med passagevektorerne. Applikationen leverer filtre, udvælger de rangerede resultater og viser deres kildereferencer. En efterfølgende tekstgenereringsmodel kan udforme et svar ud fra det hentede materiale; embeddingmodellens resultat forbliver numeriske data.
Andre dokumenterede anvendelser omfatter kode- eller tekstsøgning, gruppering af lignende poster, anbefalinger af relateret indhold, klassifikation, anomalidetektion og måling af variation i en samling. Til en anbefaling beskrives objekterne med de udtryk, der er relevante for forholdet mellem dem. Til klassifikation sammenlignes med kategorirepræsentationer, eller vektorer bruges som egenskaber i en klassifikator. Definer den regel, der omsætter lighed til det resultat, produktet har brug for.
OpenAI angiver et maksimalt input på 8.192 tokens pr. tekst. Embedding-API'et accepterer strenge eller tokeniseret tekst, understøtter flere input og afviser tomme strenge. Det håndhæver også en samlet grænse på 300.000 tokens for én forespørgsel. Et langt dokument bør opdeles med dets meningsfulde afgrænsninger og kontekst intakte, så hver vektor forbliver knyttet til sin kildepassage.
Producenten dokumenterer vektorer af flydende kommatal som standardoutput og base64 som alternativ kodning. Vejledningen anbefaler cosinuslighed og angiver, at OpenAIs embeddings er normaliseret til enhedslængde, hvilket gør det muligt at bruge et skalarprodukt til cosinuslighed og giver tilsvarende rangeringer med euklidisk afstand. Hvis en vektor fra tredje generation forkortes manuelt efter generering, instruerer producenten applikationen i at normalisere den forkortede vektor igen; brug af dimensions-indstillingen er den anbefalede fremgangsmåde.
Forbered en ensartet tekstrepræsentation, og registrer model, dimensioner og kildeidentifikator. Et nyttigt endeligt resultat er et rangeret sæt passager, relaterede elementer eller grupperede poster, hvis udvælgelsesregel er udtrykkelig. Vurder, om resultatet vedrører forespørgslen, og bevar kildebelæggene til næste trin frem for at behandle vektorlighed som verificering af en posts faktuelle påstande.
POST /v1/embeddingstextembedding| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser text-embedding-3-large | Standard— |
Feltinput | Typestring|string[]|integer[]|integer[][] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 Betingelser: Ikke-tom batch med ensartede elementer. Token-ID’er er ikke-negative heltal. Inputbudget: Maksimum: 8.192 · Tekstenhed: UTF8-bytes · Tokenenhed: elementer i et tokenarray | Standard— |
Feltencoding_format | Typestring | KravValgfrit | Værdier og grænser float | Standardfloat |
Feltdimensions | Typeinteger | KravIkke understøttet | Værdier og grænser Minimum: 1 | Standard— |
Feltuser | Typejson_value | KravValgfrit | Værdier og grænser Betingelser: Valgfrie JSON-metadata; den præcise upstream-betydning afhænger af den valgte model. | Standard— |
Feltsession_id | Typejson_value | KravValgfrit | Værdier og grænser Betingelser: Valgfrie JSON-metadata; den præcise upstream-betydning afhænger af den valgte model. | Standard— |
Felttrace | Typejson_value | KravValgfrit | Værdier og grænser Betingelser: Valgfrie JSON-metadata; den præcise upstream-betydning afhænger af den valgte model. | Standard— |
Feltprovider | Typeobject | KravValgfrit | Værdier og grænser Betingelser: provider.options afvist | Standard— |
text_to_embedding
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, input |
Parameterinput_shapes | Kontraktstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parameterencoding_format | Kontraktfloat |
Parameterdimensions_override | Kontraktfalse |
Parametermax_input_budget_units | Kontrakt8192 |
Parametermultimodal_objects | Kontraktfalse |
Parametermaterial_types | Kontrakttext |
Parametertext_file_material | KontraktLæs det faktiske UTF-8-dokument, og indsæt teksten i det angivne input eller beskedens indholdsstreng. |
Livscyklus: synchronous_json
Send det præcise model-ID og de påkrævede felter.
Behold hvert returneret element og dets oprindelige identifikatorer.
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.00026 / 1K tokens Output · Outputtokens $0 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "text-embedding-3-large",\n "input": [\n "First document",\n "Second document"\n ],\n "encoding_format": "float"\n}set -eu\n: "${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
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Behold hver vektor med endelige værdier sammen med dens oprindelige indeks. Bevar alle dimensioner og hele forbrugsobjektet.
Der indføres intet endpoint til embedding-job.
| Felt | Type |
|---|---|
Feltobject | Typestring |
Feltmodel | Typestring |
Feltdata[].index | Typeinteger |
Feltdata[].embedding | Typefinite float[] |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra openai/text-embedding-3-large, text-embedding-3-large
Brug metodestierne vist ovenfor.