modeller

OpenAI: Text Embedding Ada 002

Markdown · JSON

OpenAI: Text Embedding Ada 002

En tekstembeddingmodel fra OpenAI, der returnerer en numerisk vektor med 1.536 dimensioner. Brug repræsentationerne til semantisk søgning, anbefalinger af relateret indhold, klyngedannelse, klassifikation eller opdagelse af usædvanlige tekstposter.

Om modellen

Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.

text-embedding-ada-002 er OpenAIs tekstembeddingmodel til at repræsentere skriftligt materiale som en numerisk vektor. Outputtet indeholder 1.536 komponenter. Producenten samler roller til lighed mellem tekster, dokument-/forespørgselssøgning og kodesøgning i én repræsentation. Resultatet er data til sammenligning eller en anden algoritme frem for et genereret svar på den tekst, der oprettes en embedding af.

Til semantisk søgning forberedes meningsfulde dokumentpassager, og deres kildeidentifikatorer bevares. Et illustrativt arbejdsforløb opretter embeddings af hver passage og brugerens spørgsmål med samme model, sammenligner vektorerne og returnerer de relevante kildepassager. Applikationen bestemmer søgereglen, filtrene og præsentationen. Et efterfølgende tekstgenereringstrin kan bruge det hentede materiale til at udforme et svar, mens embeddingmodellen leverer den numeriske repræsentation.

Andre dokumenterede anvendelser omfatter gruppering af lignende poster, anbefaling af relateret indhold, klassifikation af tekst og identificering af afvigere. Til en anbefaling sammenlignes beskrivelser af de objekter, hvis indbyrdes forhold er relevant. Til klassifikation beskriver vejledningen sammenligning med kategorirepræsentationer eller brug af vektorer som egenskaber i en klassifikator. Til anomalidetektion er det relevante resultat en post, der afviger fra den omgivende samling, fortolket efter produktets opgave.

OpenAI angiver et maksimalt input på 8.192 tokens til denne model. Producentens embedding-API accepterer tekststrenge eller tokeniseret input, tillader flere input i én forespørgsel og afviser tomme strenge. Dets samlede grænse er 300.000 tokens i én forespørgsel ud over grænsen pr. input. Opdel længere dokumenter i nyttige passager, mens titler, definitioner og referencen tilbage til originalmaterialet bevares.

Outputtet er en vektor af flydende kommatal; producenten dokumenterer også base64 som en alternativ transportkodning. OpenAIs parameter til forkortelse af dimensioner gælder embeddingmodeller fra tredje generation og frem, så Ada-modellens dokumenterede resultat med 1.536 dimensioner holdes adskilt fra denne indstilling. Gem modelidentiteten og vektoren sammen med kildeposten, så senere sammenligninger bruger en ensartet repræsentation.

Embeddingvejledningen anbefaler cosinuslighed og angiver, at OpenAIs embeddings er normaliseret til enhedslængde. For disse vektorer kan et skalarprodukt beregne cosinuslighed, og euklidisk afstand giver samme rangering. En lighedsscore er en del af applikationens søge- eller klassifikationslogik, ikke en kategorisk afgørelse, som modellen automatisk leverer.

Definer, hvilke kildefelter der bliver til inputteksten, og hvordan passager skal opdeles. Et illustrativt resultat er et rangeret sæt dokumentpassager eller relaterede poster, hver knyttet til sin oprindelige kilde og den regel, der blev brugt til udvælgelse. Hold forberedelsen ensartet, og vurder, om det returnerede materiale vedrører det faktiske spørgsmål. Det gør det numeriske output nyttigt til det næste søge-, anbefalings- eller analysetrin.

Ailoot Ultra · Embeddings POST /v1/embeddings openai/text-embedding-ada-002

openai/text-embedding-ada-002

OpenAI /openai/text-embedding-ada-002
Model-ID
  • openai/text-embedding-ada-002
  • text-embedding-ada-002

Start

En tekstembeddingmodel fra OpenAI, der returnerer en numerisk vektor med 1.536 dimensioner. Brug repræsentationerne til semantisk søgning, anbefalinger af relateret indhold, klyngedannelse, klassifikation eller opdagelse af usædvanlige tekstposter.

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
FeltTypeKravVærdier og grænserStandard
FeltmodelTypestringKravPåkrævetVærdier og grænser
openai/text-embedding-ada-002
Standard—
FeltinputTypestring|string[]|integer[]|integer[][]KravPåkrævetVærdier 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_formatTypestringKravValgfritVærdier og grænser
float
Standardfloat
FeltdimensionsTypeintegerKravIkke understøttetVærdier og grænser
Minimum: 1
Standard—
FeltuserTypejson_valueKravValgfritVærdier og grænser
Betingelser: Kilden tillader dette JSON-metadatafelt; den præcise betydning hos den bagvedliggende udbyder afhænger af modellen.
Standard—
Feltsession_idTypejson_valueKravValgfritVærdier og grænser
Betingelser: Kilden tillader dette JSON-metadatafelt; den præcise betydning hos den bagvedliggende udbyder afhænger af modellen.
Standard—
FelttraceTypejson_valueKravValgfritVærdier og grænser
Betingelser: Kilden tillader dette JSON-metadatafelt; den præcise betydning hos den bagvedliggende udbyder afhænger af modellen.
Standard—
FeltproviderTypeobjectKravValgfritVærdier og grænser
Betingelser: provider.options afvist
Standard—
Kombinationer af inputmaterialer

text_to_embedding

Metodeparametre og livscyklus
ParameterKontrakt
Parametercontent_typeKontraktapplication/json
ParameterrequiredKontraktmodel, input
Parameterinput_shapesKontraktstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[]
Parameterencoding_formatKontraktfloat
Parameterdimensions_overrideKontraktfalse
Parametermax_input_budget_unitsKontrakt8192
Parametermultimodal_objectsKontraktfalse
Parametermaterial_typesKontrakttext, 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

KonfigurationTakstplanBeløb
KonfigurationGrundtakster for tokensTakstplanGrundtakstBeløb
Input · Inputtokens $0.0002 / 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 →

Eksempelanmodninger

Ailoot Ultra · Embeddings

curlPython SDK
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-ada-002", "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
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-ada-002',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
FeltType
FeltobjectTypestring
FeltmodelTypestring
Feltdata[].indexTypeinteger
Feltdata[].embeddingTypefinite float[]
FeltusageTypeobject
Fejl og næste trin
SvarBetingelseNæste trin
Svar400 · invalid_request_errorBetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdiNæste trinRet de angivne felter før en ny oprettelsesanmodning.

Aliaser

Modelaliaser

Ailoot Ultra openai/text-embedding-ada-002, text-embedding-ada-002

Aliaser for metodestier

Brug metodestierne vist ovenfor.

Relaterede kalder-ID’er

openai/text-embedding-ada-002, text-embedding-ada-002

Ailoot Ultra · Vektorrepræsentationer · text-embedding-ada-002 POST /v1/embeddings text-embedding-ada-002

text-embedding-ada-002

OpenAI /text-embedding-ada-002
Model-ID
  • openai/text-embedding-ada-002
  • text-embedding-ada-002

Start

En tekstembeddingmodel fra OpenAI, der returnerer en numerisk vektor med 1.536 dimensioner. Brug repræsentationerne til semantisk søgning, anbefalinger af relateret indhold, klyngedannelse, klassifikation eller opdagelse af usædvanlige tekstposter.

Accepterede input
Tekst
Resultater
embedding

Tilgængelig i Ailoot · input og metoder

Ailoot Ultra · Vektorrepræsentationer · text-embedding-ada-002 POST /v1/embeddings
Inputtyper
text
Outputtyper
embedding
Kontekst
8.192 tokens
Outputformat
json
FeltTypeKravVærdier og grænserStandard
FeltmodelTypestringKravPåkrævetVærdier og grænser
text-embedding-ada-002
Standard—
FeltinputTypestring|string[]|integer[]|integer[][]KravPåkrævetVærdier 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_formatTypestringKravValgfritVærdier og grænser
float
Standardfloat
FeltdimensionsTypeintegerKravIkke understøttetVærdier og grænser
Minimum: 1
Standard—
FeltuserTypejson_valueKravValgfritVærdier og grænser
Betingelser: Valgfrie JSON-metadata; den præcise upstream-betydning afhænger af den valgte model.
Standard—
Feltsession_idTypejson_valueKravValgfritVærdier og grænser
Betingelser: Valgfrie JSON-metadata; den præcise upstream-betydning afhænger af den valgte model.
Standard—
FelttraceTypejson_valueKravValgfritVærdier og grænser
Betingelser: Valgfrie JSON-metadata; den præcise upstream-betydning afhænger af den valgte model.
Standard—
FeltproviderTypeobjectKravValgfritVærdier og grænser
Betingelser: provider.options afvist
Standard—
Kombinationer af inputmaterialer

text_to_embedding

Metodeparametre og livscyklus
ParameterKontrakt
Parametercontent_typeKontraktapplication/json
ParameterrequiredKontraktmodel, input
Parameterinput_shapesKontraktstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[]
Parameterencoding_formatKontraktfloat
Parameterdimensions_overrideKontraktfalse
Parametermax_input_budget_unitsKontrakt8192
Parametermultimodal_objectsKontraktfalse
Parametermaterial_typesKontrakttext
Parametertext_file_materialKontraktLæs 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

KonfigurationTakstplanBeløb
KonfigurationGrundtakster for tokensTakstplanGrundtakstBeløb
Input · Inputtokens $0.0002 / 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 →

Eksempelanmodninger

Ailoot Ultra · Vektorrepræsentationer · text-embedding-ada-002

Komplet minimalt requestbody i JSONcurl · brug dit UTF-8-dokumentPython · gem hele resultatet
{
  "model": "text-embedding-ada-002",
  "input": [
    "First document",
    "Second document"
  ],
  "encoding_format": "float"
}
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-ada-002', '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
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-ada-002', '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-ada-002

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
FeltType
FeltobjectTypestring
FeltmodelTypestring
Feltdata[].indexTypeinteger
Feltdata[].embeddingTypefinite float[]
FeltusageTypeobject
Fejl og næste trin
SvarBetingelseNæste trin
Svar400 · invalid_request_errorBetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdiNæste trinRet de angivne felter før en ny oprettelsesanmodning.

Aliaser

Modelaliaser

Ailoot Ultra openai/text-embedding-ada-002, text-embedding-ada-002

Aliaser for metodestier

Brug metodestierne vist ovenfor.

Relaterede kalder-ID’er

openai/text-embedding-ada-002, text-embedding-ada-002

FAQ · OpenAI: Text Embedding Ada 002
Hvilke input og resultater er tilgængelige?

POST /v1/embeddings · openai/text-embedding-ada-002: text, token_ids → embedding

POST /v1/embeddings · text-embedding-ada-002: text → embedding

Hvilke felter bruger anmodningen?

POST /v1/embeddings · openai/text-embedding-ada-002: model, input, encoding_format, provider

POST /v1/embeddings · text-embedding-ada-002: model, input, encoding_format, provider

Hvilke grænser gælder?

POST /v1/embeddings · openai/text-embedding-ada-002: ctx: 8192; input.budget.maximum: 8192 (UTF8-bytes); input.min_items: 1

POST /v1/embeddings · text-embedding-ada-002: ctx: 8192; input.budget.maximum: 8192 (UTF8-bytes); input.min_items: 1

Flere oplysninger

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 · Se modelpriser

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 · Tilbudsvilkår og licensaftale