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.
", "aboutText": "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.\n\nTil 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.\n\nAndre 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.\n\nOpenAI 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.\n\nOutputtet 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.\n\nEmbeddingvejledningen 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.\n\nDefiner, 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "d22afef4ee197a856572b36e3284dfcaa504945476d570001dca9d8903476c51", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "openai/text-embedding-ada-002En 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.
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.
POST /v1/embeddingstext, token_idsembedding| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser openai/text-embedding-ada-002 | 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 $0.0002 / 1K tokens Output · Outputtokens $0 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "openai/text-embedding-ada-002", "input": ["First document", "Second document"]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.embeddings.create(model='openai/text-embedding-ada-002',input=["First document","Second document"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\njson
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-ada-002, text-embedding-ada-002
Brug metodestierne vist ovenfor.
text-embedding-ada-002En 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.
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.
POST /v1/embeddingstextembedding| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser text-embedding-ada-002 | 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 $0.0002 / 1K tokens Output · Outputtokens $0 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "text-embedding-ada-002",\n "input": [\n "First document",\n "Second document"\n ],\n "encoding_format": "float"\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'text-embedding-ada-002', 'input': ['First document', 'Second document'], 'encoding_format': 'float'}\npayload['input'] = [text]\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nfor vector in result.get('data', []):\n print('Vector', vector.get('index'), json.dumps(vector.get('embedding')))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'text-embedding-ada-002', 'input': ['First document', 'Second document'], 'encoding_format': 'float'}\npayload['input'] = [text]\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'Authorization': 'Bearer PLACEHOLDER_KEY', 'Content-Type': 'application/json'}\nheaders['Authorization'] = 'Bearer ' + api_key\nrequest = Request('https://api.ailoot.ai/v1/embeddings', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nfor vector in result.get('data', []):\n print('Vector', vector.get('index'), json.dumps(vector.get('embedding')))\njson
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-ada-002, text-embedding-ada-002
Brug metodestierne vist ovenfor.