Source: https://ailoot.ai/models/da/openai-text-embedding-3-large/
Canonical: https://ailoot.ai/models/da/openai-text-embedding-3-large/
Language: da

# OpenAI: Text Embedding 3 Large

[Markdown](https://ailoot.ai/models/da/openai-text-embedding-3-large/index.md) · [JSON](https://ailoot.ai/models/da/openai-text-embedding-3-large/facts.json)

## [OpenAI: Text Embedding 3 Large](https://ailoot.ai/models/da/openai-text-embedding-3-large/)

OpenAIs 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.

- [**Ailoot Ultra · Embeddings** `POST /v1/embeddings` `openai/text-embedding-3-large`](https://ailoot.ai/models/da/openai-text-embedding-3-large/#method-0)
- [**Ailoot Ultra · Vektorrepræsentationer · text-embedding-3-large** `POST /v1/embeddings` `text-embedding-3-large`](https://ailoot.ai/models/da/openai-text-embedding-3-large/#method-1)

Om modellen

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.

**Ailoot Ultra · Embeddings** `POST /v1/embeddings` `openai/text-embedding-3-large`

[`openai/text-embedding-3-large`](https://ailoot.ai/models/da/#m=openai%2Ftext-embedding-3-large&route=Ultra&caller=openai%2Ftext-embedding-3-large&fmt=embeddings)

OpenAI /`openai/text-embedding-3-large`

Model-ID

- `openai/text-embedding-3-large`
- `text-embedding-3-large`

### Start

OpenAIs 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.

Accepterede input

Tekst · token\_ids

Resultater

embedding

### Tilgængelig i Ailoot · input og metoder

**Ailoot Ultra · Embeddings** `POST /v1/embeddings`

Inputtyper

`text`, `token_ids`

Outputtyper

`embedding`

Kontekst

8.192 tokens

Outputformat

json

| Felt | Type | Krav | Værdier og grænser | Standard |
| --- | --- | --- | --- | --- |
| Felt`model` | Type`string` | KravPåkrævet | Værdier og grænser openai/text-embedding-3-large | Standard— |
| Felt`input` | Type`string\|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— |
| Felt`encoding_format` | Type`string` | KravValgfrit | Værdier og grænser float | Standardfloat |
| Felt`dimensions` | Type`integer` | KravIkke understøttet | Værdier og grænser Minimum: 1 | Standard— |
| Felt`user` | Type`json_value` | KravValgfrit | Værdier og grænser Betingelser: Kilden tillader dette JSON-metadatafelt; den præcise betydning hos den bagvedliggende udbyder afhænger af modellen. | Standard— |
| Felt`session_id` | Type`json_value` | KravValgfrit | Værdier og grænser Betingelser: Kilden tillader dette JSON-metadatafelt; den præcise betydning hos den bagvedliggende udbyder afhænger af modellen. | Standard— |
| Felt`trace` | Type`json_value` | KravValgfrit | Værdier og grænser Betingelser: Kilden tillader dette JSON-metadatafelt; den præcise betydning hos den bagvedliggende udbyder afhænger af modellen. | Standard— |
| Felt`provider` | Type`object` | KravValgfrit | Værdier og grænser Betingelser: provider.options afvist | Standard— |

Kombinationer af inputmaterialer

**text\_to\_embedding**

Metodeparametre og livscyklus

| Parameter | Kontrakt |
| --- | --- |
| Parameter`content_type` | Kontraktapplication/json |
| Parameter`required` | Kontraktmodel, input |
| Parameter`input_shapes` | Kontraktstring, string\[\], nonnegative\_integer\_token\_array, nonnegative\_integer\_token\_array\[\] |
| Parameter`encoding_format` | Kontraktfloat |
| Parameter`dimensions_override` | Kontraktfalse |
| Parameter`max_input_budget_units` | Kontrakt8192 |
| Parameter`multimodal_objects` | Kontraktfalse |
| Parameter`material_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.

### Priser

Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.

Hurtig tilstand

Standardpris Når hurtig tilstand er valgt

flex-tilstand

Standardpris Når flex-tilstanden er valgt

Maksimal ræsonneringsindsats

Standardpris Når default-justeringen anvendes ved maksimal ræsonneringsindsats

#### Ailoot-takster

#### Priser efter konfiguration

| 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 →](https://ailoot.ai/docs/da/billing/reserve/)

### Eksempelanmodninger

#### Ailoot Ultra · Embeddings

curlPython SDK

```bash
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "openai/text-embedding-3-large", "input": ["First document", "Second document"]}')

Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
r=json.loads(Path("result.json").read_text())
for x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))
PY_RESULT
```

```python
from openai import OpenAI
import os

client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)
result=client.embeddings.create(model='openai/text-embedding-3-large',input=["First document","Second document"])
print(result)
for item in result.data:print(item.index,item.embedding)
```

### Hent og gem resultater

#### Ailoot Ultra · Embeddings

json

##### Behold alle færdige resultater

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.

##### Hvis det oprindelige svar skal kontrolleres

Der indføres intet endpoint til embedding-job.

Svarfelter

| Felt | Type |
| --- | --- |
| Felt`object` | Typestring |
| Felt`model` | Typestring |
| Felt`data[].index` | Typeinteger |
| Felt`data[].embedding` | Typefinite float\[\] |
| Felt`usage` | Typeobject |

Fejl og næste trin

| Svar | Betingelse | Næste trin |
| --- | --- | --- |
| Svar400 · `invalid_request_error` | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |

### Aliaser

#### Modelaliaser

**Ailoot Ultra** [`openai/text-embedding-3-large`](https://ailoot.ai/models/da/#m=openai%2Ftext-embedding-3-large&route=Ultra&caller=openai%2Ftext-embedding-3-large&fmt=embeddings), [`text-embedding-3-large`](https://ailoot.ai/models/da/#m=openai%2Ftext-embedding-3-large&route=Ultra&caller=text-embedding-3-large&fmt=embeddings)

#### Aliaser for metodestier

Brug metodestierne vist ovenfor.

#### Relaterede kalder-ID’er

[`openai/text-embedding-3-large`](https://ailoot.ai/models/da/#m=openai%2Ftext-embedding-3-large&route=Ultra&caller=openai%2Ftext-embedding-3-large&fmt=embeddings), [`text-embedding-3-large`](https://ailoot.ai/models/da/#m=openai%2Ftext-embedding-3-large&route=Ultra&caller=text-embedding-3-large&fmt=embeddings)

**Ailoot Ultra · Vektorrepræsentationer · text-embedding-3-large** `POST /v1/embeddings` `text-embedding-3-large`

[`text-embedding-3-large`](https://ailoot.ai/models/da/#m=openai%2Ftext-embedding-3-large&route=Ultra&caller=text-embedding-3-large&fmt=embeddings)

OpenAI /`text-embedding-3-large`

Model-ID

- `openai/text-embedding-3-large`
- `text-embedding-3-large`

### Start

OpenAIs 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.

Accepterede input

Tekst

Resultater

embedding

### Tilgængelig i Ailoot · input og metoder

**Ailoot Ultra · Vektorrepræsentationer · text-embedding-3-large** `POST /v1/embeddings`

Inputtyper

`text`

Outputtyper

`embedding`

Kontekst

8.192 tokens

Outputformat

json

| Felt | Type | Krav | Værdier og grænser | Standard |
| --- | --- | --- | --- | --- |
| Felt`model` | Type`string` | KravPåkrævet | Værdier og grænser text-embedding-3-large | Standard— |
| Felt`input` | Type`string\|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— |
| Felt`encoding_format` | Type`string` | KravValgfrit | Værdier og grænser float | Standardfloat |
| Felt`dimensions` | Type`integer` | KravIkke understøttet | Værdier og grænser Minimum: 1 | Standard— |
| Felt`user` | Type`json_value` | KravValgfrit | Værdier og grænser Betingelser: Valgfrie JSON-metadata; den præcise upstream-betydning afhænger af den valgte model. | Standard— |
| Felt`session_id` | Type`json_value` | KravValgfrit | Værdier og grænser Betingelser: Valgfrie JSON-metadata; den præcise upstream-betydning afhænger af den valgte model. | Standard— |
| Felt`trace` | Type`json_value` | KravValgfrit | Værdier og grænser Betingelser: Valgfrie JSON-metadata; den præcise upstream-betydning afhænger af den valgte model. | Standard— |
| Felt`provider` | Type`object` | KravValgfrit | Værdier og grænser Betingelser: provider.options afvist | Standard— |

Kombinationer af inputmaterialer

**text\_to\_embedding**

Metodeparametre og livscyklus

| Parameter | Kontrakt |
| --- | --- |
| Parameter`content_type` | Kontraktapplication/json |
| Parameter`required` | Kontraktmodel, input |
| Parameter`input_shapes` | Kontraktstring, string\[\], nonnegative\_integer\_token\_array, nonnegative\_integer\_token\_array\[\] |
| Parameter`encoding_format` | Kontraktfloat |
| Parameter`dimensions_override` | Kontraktfalse |
| Parameter`max_input_budget_units` | Kontrakt8192 |
| Parameter`multimodal_objects` | Kontraktfalse |
| Parameter`material_types` | Kontrakttext |
| Parameter`text_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.

### Priser

Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.

Hurtig tilstand

Standardpris Når hurtig tilstand er valgt

flex-tilstand

Standardpris Når flex-tilstanden er valgt

Maksimal ræsonneringsindsats

Standardpris Når default-justeringen anvendes ved maksimal ræsonneringsindsats

#### Ailoot-takster

#### Priser efter konfiguration

| 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 →](https://ailoot.ai/docs/da/billing/reserve/)

### Eksempelanmodninger

#### Ailoot Ultra · Vektorrepræsentationer · text-embedding-3-large

Komplet minimalt requestbody i JSONcurl · brug dit UTF-8-dokumentPython · gem hele resultatet

```json
{
  "model": "text-embedding-3-large",
  "input": [
    "First document",
    "Second document"
  ],
  "encoding_format": "float"
}
```

```bash
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"
export AILOOT_TEXT_FILE
python3 - <<'PY_REQUEST'
import json, os
from pathlib import Path

source_file = Path(os.environ['AILOOT_TEXT_FILE'])
if not source_file.is_file():
    raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')
text = source_file.read_text(encoding='utf-8')
if not text.strip():
    raise SystemExit('Choose a document containing text')
payload = {'model': 'text-embedding-3-large', 'input': ['First document', 'Second document'], 'encoding_format': 'float'}
payload['input'] = [text]
Path('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path

result = json.loads(Path('result.json').read_text(encoding='utf-8'))
print(json.dumps(result, ensure_ascii=False, indent=2))
for vector in result.get('data', []):
    print('Vector', vector.get('index'), json.dumps(vector.get('embedding')))
PY_RESULT
```

```python
import json, os
from pathlib import Path

source_file = Path(os.environ['AILOOT_TEXT_FILE'])
if not source_file.is_file():
    raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')
text = source_file.read_text(encoding='utf-8')
if not text.strip():
    raise SystemExit('Choose a document containing text')
payload = {'model': 'text-embedding-3-large', 'input': ['First document', 'Second document'], 'encoding_format': 'float'}
payload['input'] = [text]
from urllib.request import Request, urlopen
from urllib.error import HTTPError

api_key = os.environ['AILOOT_API_KEY']
if not api_key.strip():
    raise SystemExit('Set AILOOT_API_KEY before making a request')
headers = {'Authorization': 'Bearer PLACEHOLDER_KEY', 'Content-Type': 'application/json'}
headers['Authorization'] = 'Bearer ' + api_key
request = Request('https://api.ailoot.ai/v1/embeddings', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')
try:
    with urlopen(request, timeout=120) as response:
        raw = response.read()
        Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')
except HTTPError as error:
    Path('result.json').write_bytes(error.read())
    Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')
    raise
Path('result.json').write_bytes(raw)
import json
from pathlib import Path

result = json.loads(Path('result.json').read_text(encoding='utf-8'))
print(json.dumps(result, ensure_ascii=False, indent=2))
for vector in result.get('data', []):
    print('Vector', vector.get('index'), json.dumps(vector.get('embedding')))
```

### Hent og gem resultater

#### Ailoot Ultra · Vektorrepræsentationer · text-embedding-3-large

json

##### Behold alle færdige resultater

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.

##### Hvis det oprindelige svar skal kontrolleres

Der indføres intet endpoint til embedding-job.

Svarfelter

| Felt | Type |
| --- | --- |
| Felt`object` | Typestring |
| Felt`model` | Typestring |
| Felt`data[].index` | Typeinteger |
| Felt`data[].embedding` | Typefinite float\[\] |
| Felt`usage` | Typeobject |

Fejl og næste trin

| Svar | Betingelse | Næste trin |
| --- | --- | --- |
| Svar400 · `invalid_request_error` | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |

### Aliaser

#### Modelaliaser

**Ailoot Ultra** [`openai/text-embedding-3-large`](https://ailoot.ai/models/da/#m=openai%2Ftext-embedding-3-large&route=Ultra&caller=openai%2Ftext-embedding-3-large&fmt=embeddings), [`text-embedding-3-large`](https://ailoot.ai/models/da/#m=openai%2Ftext-embedding-3-large&route=Ultra&caller=text-embedding-3-large&fmt=embeddings)

#### Aliaser for metodestier

Brug metodestierne vist ovenfor.

#### Relaterede kalder-ID’er

[`openai/text-embedding-3-large`](https://ailoot.ai/models/da/#m=openai%2Ftext-embedding-3-large&route=Ultra&caller=openai%2Ftext-embedding-3-large&fmt=embeddings), [`text-embedding-3-large`](https://ailoot.ai/models/da/#m=openai%2Ftext-embedding-3-large&route=Ultra&caller=text-embedding-3-large&fmt=embeddings)

FAQ · OpenAI: Text Embedding 3 Large

Hvilke input og resultater er tilgængelige?

`POST /v1/embeddings` · `openai/text-embedding-3-large`: `text`, `token_ids` → `embedding` `POST /v1/embeddings` · `text-embedding-3-large`: `text` → `embedding`

Hvilke felter bruger anmodningen?

`POST /v1/embeddings` · `openai/text-embedding-3-large`: `model`, `input`, `encoding_format`, `provider` `POST /v1/embeddings` · `text-embedding-3-large`: `model`, `input`, `encoding_format`, `provider`

Hvilke grænser gælder?

`POST /v1/embeddings` · `openai/text-embedding-3-large`: `ctx`: `8192`; `input.budget.maximum`: `8192` (UTF8-bytes); `input.min_items`: `1` `POST /v1/embeddings` · `text-embedding-3-large`: `ctx`: `8192`; `input.budget.maximum`: `8192` (UTF8-bytes); `input.min_items`: `1`

Tilslut Ailoot til Claude Code, OpenCode, Hermes eller din egen applikation.

## Virksomheden og dens projektportefølje

Virksomheden og dens projektportefølje: millioner af kunder; månedligt salg for milliarder.

## Køb tokens med rabat.

Abonnementsrabat til regelmæssigt arbejde. Rabatkoder giver op til 50% på tokenkøb.

Abonnement

Vælg et abonnement med rabat til dine regelmæssige anmodninger.

Rabatkode på op til 50%

Indtast koden ved købet. Prisen genberegnes efter den aktuelle kampagne.

Udgifter i historikken

Model, tokens og beløb gemmes for hver anmodning.

[Vælg abonnement](https://ailoot.ai/docs/da/billing/subscriptions/) · [Se modelpriser](https://ailoot.ai/models/da/)

## Tilslut API’et til produktet, du sælger.

SaaS, apps og bots efter Ailoots tilbudsvilkår og licensaftale. Anmod om en forhandlerlicens til videresalg.

Kommerciel applikation

Byg generering af tekst, billeder, video og lyd ind i tjenestens betalte funktioner.

Licens til forhandlere

Send projektbeskrivelse og adgangsmodel. Bed om skriftlige vilkår for anvendelse og videresalg.

Dokumenter på websitet

Tilbudsvilkår, licensaftale og politik for behandling af data kan læses før tilslutning.

[Anmod om forhandlerlicens](mailto:support@ailoot.ai) · [Tilbudsvilkår og licensaftale](https://ailoot.ai/legal/offer?lang=da)

## Ailoot · Virksomheden og dens projektportefølje





Ailoot bygger på solid driftserfaring, en stor kundebase, stabil service og løbende kontrol af KPI.





Virksomheden og dens projektportefølje: millioner af kunder; månedligt salg for milliarder.





Ailoot bruger denne driftserfaring til API-adgang til AI-funktioner i kundernes produkter, agenter, applikationer og automatiseringer.