text-embedding-3-small er OpenAIs mindre tekstembeddingmodel fra tredje generation. Den omdanner skriftligt materiale til numeriske vektorer med 1.536 komponenter som standard. Vektorerne måler forhold mellem tekster til et efterfølgende søge- eller analysetrin; modellen genererer ikke et samtalesvar på inputtet.
Ligesom den større model fra tredje generation understøtter den producentens dimensions-indstilling til kortere embeddings. Træningen er udformet til at bevare information, der repræsenterer begreber, i en forkortet vektor, og størrelsesvalget påvirker applikationens kvalitet og ressourcekrav. Hold model og valgte dimensioner ensartede for de poster og forespørgsler, der sammenlignes.
En praktisk anvendelse er kodesøgning. Producentens vejledning beskriver at repræsentere kildekodefunktioner som tekst og oprette embeddings af dem, derefter oprette en embedding af en forespørgsel på naturligt sprog med samme model og sammenligne de resulterende vektorer. Et illustrativt resultat er et rangeret sæt relevante funktioner knyttet til deres placeringer i kildekoden. Til dokumentsøgning er det tilsvarende resultat et sæt passager, hvis tekst og oprindelige referencer fortsat er tilgængelige for læseren eller den næste model.
Andre dokumenterede anvendelser omfatter klyngedannelse, anbefalinger af relateret indhold, klassifikation, opdagelse af afvigere og måling af variation. Et afgrænset meddelelsesforløb kan gruppere lignende henvendelser eller sammenligne dem med kategoribeskrivelser. Applikationen definerer, hvordan et lighedsresultat bliver til en kategori, anbefaling eller post til gennemgang; selve embeddingvektoren forbliver numeriske data.
OpenAI angiver et maksimalt input på 8.192 tokens pr. tekst. Dets embedding-API accepterer strenge eller tokeniseret input og flere input i én forespørgsel, afviser tomme strenge og anvender en samlet grænse på 300.000 tokens. Forbered langt materiale som meningsfulde passager, og bevar de titler eller definitioner, der kræves for at fortolke dem. Brug et ensartet sæt kildefelter frem for at oprette embeddings af forskellige slags poster med forberedelsesregler uden indbyrdes sammenhæng.
Producenten returnerer som standard vektorer af flydende kommatal og dokumenterer også base64-kodning. Vejledningen angiver, at OpenAIs embeddings er normaliseret til enhedslængde, og anbefaler cosinuslighed; et skalarprodukt kan beregne den, og euklidisk afstand giver samme rangering. Hvis en embedding fra tredje generation forkortes manuelt efter returnering, normaliseres den forkortede vektor igen som beskrevet i vejledningen. Indstillingen dimensions gør det unødvendigt at bruge manuel afkortning som det almindelige forberedelsestrin.
Registrer modelidentiteten, dimensionerne og kildeforbindelsen sammen med hver vektor. Et nyttigt efterfølgende resultat er en rangeret liste, en grupperet samling eller et sæt klassifikationsegenskaber knyttet til den tekst, der producerede dem. Kontroller, om det udvalgte materiale faktisk understøtter opgaven, og hold manglende fakta adskilt fra semantisk beslægtethed. Det næste trin kan derefter bruge repræsentationen til et konkret søge- eller beslutningsforløb.
", "aboutText": "text-embedding-3-small er OpenAIs mindre tekstembeddingmodel fra tredje generation. Den omdanner skriftligt materiale til numeriske vektorer med 1.536 komponenter som standard. Vektorerne måler forhold mellem tekster til et efterfølgende søge- eller analysetrin; modellen genererer ikke et samtalesvar på inputtet.\n\nLigesom den større model fra tredje generation understøtter den producentens dimensions-indstilling til kortere embeddings. Træningen er udformet til at bevare information, der repræsenterer begreber, i en forkortet vektor, og størrelsesvalget påvirker applikationens kvalitet og ressourcekrav. Hold model og valgte dimensioner ensartede for de poster og forespørgsler, der sammenlignes.\n\nEn praktisk anvendelse er kodesøgning. Producentens vejledning beskriver at repræsentere kildekodefunktioner som tekst og oprette embeddings af dem, derefter oprette en embedding af en forespørgsel på naturligt sprog med samme model og sammenligne de resulterende vektorer. Et illustrativt resultat er et rangeret sæt relevante funktioner knyttet til deres placeringer i kildekoden. Til dokumentsøgning er det tilsvarende resultat et sæt passager, hvis tekst og oprindelige referencer fortsat er tilgængelige for læseren eller den næste model.\n\nAndre dokumenterede anvendelser omfatter klyngedannelse, anbefalinger af relateret indhold, klassifikation, opdagelse af afvigere og måling af variation. Et afgrænset meddelelsesforløb kan gruppere lignende henvendelser eller sammenligne dem med kategoribeskrivelser. Applikationen definerer, hvordan et lighedsresultat bliver til en kategori, anbefaling eller post til gennemgang; selve embeddingvektoren forbliver numeriske data.\n\nOpenAI angiver et maksimalt input på 8.192 tokens pr. tekst. Dets embedding-API accepterer strenge eller tokeniseret input og flere input i én forespørgsel, afviser tomme strenge og anvender en samlet grænse på 300.000 tokens. Forbered langt materiale som meningsfulde passager, og bevar de titler eller definitioner, der kræves for at fortolke dem. Brug et ensartet sæt kildefelter frem for at oprette embeddings af forskellige slags poster med forberedelsesregler uden indbyrdes sammenhæng.\n\nProducenten returnerer som standard vektorer af flydende kommatal og dokumenterer også base64-kodning. Vejledningen angiver, at OpenAIs embeddings er normaliseret til enhedslængde, og anbefaler cosinuslighed; et skalarprodukt kan beregne den, og euklidisk afstand giver samme rangering. Hvis en embedding fra tredje generation forkortes manuelt efter returnering, normaliseres den forkortede vektor igen som beskrevet i vejledningen. Indstillingen dimensions gør det unødvendigt at bruge manuel afkortning som det almindelige forberedelsestrin.\n\nRegistrer modelidentiteten, dimensionerne og kildeforbindelsen sammen med hver vektor. Et nyttigt efterfølgende resultat er en rangeret liste, en grupperet samling eller et sæt klassifikationsegenskaber knyttet til den tekst, der producerede dem. Kontroller, om det udvalgte materiale faktisk understøtter opgaven, og hold manglende fakta adskilt fra semantisk beslægtethed. Det næste trin kan derefter bruge repræsentationen til et konkret søge- eller beslutningsforløb.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "a76a87385a1bddb698816cfb9caf0f8404bd9ed0016c71c3ce7a1d853b34d94f", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "openai/text-embedding-3-smallOpenAIs lille tekstembeddingmodel fra tredje generation returnerer som standard vektorer med 1.536 dimensioner og understøtter kortere repræsentationer. Brug det numeriske output til semantisk søgning, kodesøgning, gruppering, anbefalinger og klassifikation.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
text-embedding-3-small er OpenAIs mindre tekstembeddingmodel fra tredje generation. Den omdanner skriftligt materiale til numeriske vektorer med 1.536 komponenter som standard. Vektorerne måler forhold mellem tekster til et efterfølgende søge- eller analysetrin; modellen genererer ikke et samtalesvar på inputtet.
Ligesom den større model fra tredje generation understøtter den producentens dimensions-indstilling til kortere embeddings. Træningen er udformet til at bevare information, der repræsenterer begreber, i en forkortet vektor, og størrelsesvalget påvirker applikationens kvalitet og ressourcekrav. Hold model og valgte dimensioner ensartede for de poster og forespørgsler, der sammenlignes.
En praktisk anvendelse er kodesøgning. Producentens vejledning beskriver at repræsentere kildekodefunktioner som tekst og oprette embeddings af dem, derefter oprette en embedding af en forespørgsel på naturligt sprog med samme model og sammenligne de resulterende vektorer. Et illustrativt resultat er et rangeret sæt relevante funktioner knyttet til deres placeringer i kildekoden. Til dokumentsøgning er det tilsvarende resultat et sæt passager, hvis tekst og oprindelige referencer fortsat er tilgængelige for læseren eller den næste model.
Andre dokumenterede anvendelser omfatter klyngedannelse, anbefalinger af relateret indhold, klassifikation, opdagelse af afvigere og måling af variation. Et afgrænset meddelelsesforløb kan gruppere lignende henvendelser eller sammenligne dem med kategoribeskrivelser. Applikationen definerer, hvordan et lighedsresultat bliver til en kategori, anbefaling eller post til gennemgang; selve embeddingvektoren forbliver numeriske data.
OpenAI angiver et maksimalt input på 8.192 tokens pr. tekst. Dets embedding-API accepterer strenge eller tokeniseret input og flere input i én forespørgsel, afviser tomme strenge og anvender en samlet grænse på 300.000 tokens. Forbered langt materiale som meningsfulde passager, og bevar de titler eller definitioner, der kræves for at fortolke dem. Brug et ensartet sæt kildefelter frem for at oprette embeddings af forskellige slags poster med forberedelsesregler uden indbyrdes sammenhæng.
Producenten returnerer som standard vektorer af flydende kommatal og dokumenterer også base64-kodning. Vejledningen angiver, at OpenAIs embeddings er normaliseret til enhedslængde, og anbefaler cosinuslighed; et skalarprodukt kan beregne den, og euklidisk afstand giver samme rangering. Hvis en embedding fra tredje generation forkortes manuelt efter returnering, normaliseres den forkortede vektor igen som beskrevet i vejledningen. Indstillingen dimensions gør det unødvendigt at bruge manuel afkortning som det almindelige forberedelsestrin.
Registrer modelidentiteten, dimensionerne og kildeforbindelsen sammen med hver vektor. Et nyttigt efterfølgende resultat er en rangeret liste, en grupperet samling eller et sæt klassifikationsegenskaber knyttet til den tekst, der producerede dem. Kontroller, om det udvalgte materiale faktisk understøtter opgaven, og hold manglende fakta adskilt fra semantisk beslægtethed. Det næste trin kan derefter bruge repræsentationen til et konkret søge- eller beslutningsforløb.
POST /v1/embeddingstext, token_idsembedding| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser openai/text-embedding-3-small | 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 $0.00004 / 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-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
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-small, text-embedding-3-small
Brug metodestierne vist ovenfor.
text-embedding-3-smallOpenAIs lille tekstembeddingmodel fra tredje generation returnerer som standard vektorer med 1.536 dimensioner og understøtter kortere repræsentationer. Brug det numeriske output til semantisk søgning, kodesøgning, gruppering, anbefalinger og klassifikation.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
text-embedding-3-small er OpenAIs mindre tekstembeddingmodel fra tredje generation. Den omdanner skriftligt materiale til numeriske vektorer med 1.536 komponenter som standard. Vektorerne måler forhold mellem tekster til et efterfølgende søge- eller analysetrin; modellen genererer ikke et samtalesvar på inputtet.
Ligesom den større model fra tredje generation understøtter den producentens dimensions-indstilling til kortere embeddings. Træningen er udformet til at bevare information, der repræsenterer begreber, i en forkortet vektor, og størrelsesvalget påvirker applikationens kvalitet og ressourcekrav. Hold model og valgte dimensioner ensartede for de poster og forespørgsler, der sammenlignes.
En praktisk anvendelse er kodesøgning. Producentens vejledning beskriver at repræsentere kildekodefunktioner som tekst og oprette embeddings af dem, derefter oprette en embedding af en forespørgsel på naturligt sprog med samme model og sammenligne de resulterende vektorer. Et illustrativt resultat er et rangeret sæt relevante funktioner knyttet til deres placeringer i kildekoden. Til dokumentsøgning er det tilsvarende resultat et sæt passager, hvis tekst og oprindelige referencer fortsat er tilgængelige for læseren eller den næste model.
Andre dokumenterede anvendelser omfatter klyngedannelse, anbefalinger af relateret indhold, klassifikation, opdagelse af afvigere og måling af variation. Et afgrænset meddelelsesforløb kan gruppere lignende henvendelser eller sammenligne dem med kategoribeskrivelser. Applikationen definerer, hvordan et lighedsresultat bliver til en kategori, anbefaling eller post til gennemgang; selve embeddingvektoren forbliver numeriske data.
OpenAI angiver et maksimalt input på 8.192 tokens pr. tekst. Dets embedding-API accepterer strenge eller tokeniseret input og flere input i én forespørgsel, afviser tomme strenge og anvender en samlet grænse på 300.000 tokens. Forbered langt materiale som meningsfulde passager, og bevar de titler eller definitioner, der kræves for at fortolke dem. Brug et ensartet sæt kildefelter frem for at oprette embeddings af forskellige slags poster med forberedelsesregler uden indbyrdes sammenhæng.
Producenten returnerer som standard vektorer af flydende kommatal og dokumenterer også base64-kodning. Vejledningen angiver, at OpenAIs embeddings er normaliseret til enhedslængde, og anbefaler cosinuslighed; et skalarprodukt kan beregne den, og euklidisk afstand giver samme rangering. Hvis en embedding fra tredje generation forkortes manuelt efter returnering, normaliseres den forkortede vektor igen som beskrevet i vejledningen. Indstillingen dimensions gør det unødvendigt at bruge manuel afkortning som det almindelige forberedelsestrin.
Registrer modelidentiteten, dimensionerne og kildeforbindelsen sammen med hver vektor. Et nyttigt efterfølgende resultat er en rangeret liste, en grupperet samling eller et sæt klassifikationsegenskaber knyttet til den tekst, der producerede dem. Kontroller, om det udvalgte materiale faktisk understøtter opgaven, og hold manglende fakta adskilt fra semantisk beslægtethed. Det næste trin kan derefter bruge repræsentationen til et konkret søge- eller beslutningsforløb.
POST /v1/embeddingstextembedding| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser text-embedding-3-small | 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 $0.00004 / 1K tokens Output · Outputtokens $0 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "text-embedding-3-small",\n "input": [\n "First document",\n "Second document"\n ],\n "encoding_format": "float"\n}set -eu\n: "${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
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-small, text-embedding-3-small
Brug metodestierne vist ovenfor.