text-embedding-3-large ist OpenAIs größeres Text-Embedding-Modell der dritten Generation für englischsprachige und nichtenglischsprachige Aufgaben. Es bildet schriftliches Material auf einen numerischen Vektor ab und gibt standardmäßig 3.072 Komponenten zurück. Der Vektor repräsentiert Beziehungen im bereitgestellten Inhalt; ein Such- oder Klassifikationsprozess verwendet ihn zur Materialauswahl oder für eine weitere Entscheidung.
Die Modelle der dritten Generation sind darauf trainiert, über das Steuerelement dimensions des Anbieters kürzere Repräsentationen zu unterstützen. Der Hersteller nennt 1.024 Dimensionen als Beispiel, wenn ein Vektorspeicher diese Größe benötigt. Ein kürzerer Vektor reduziert die zu speichernde und zu vergleichende Datenmenge, während eine Änderung der Repräsentation die Suchqualität beeinflussen kann. Wählen Sie die Größe anhand der Anwendungsanforderungen und verwenden Sie dieselbe Wahl für den Korpus und seine Anfragen.
Ein beispielhafter Dokumentensuchworkflow teilt Quellmaterial in sinnvolle Passagen auf, bewahrt deren Kennungen und erhält Vektoren für jede Passage. Eine Frage wird mit demselben Modell und denselben Dimensionen eingebettet und anschließend mit den Passagenvektoren verglichen. Die Anwendung liefert Filter, wählt die sortierten Ergebnisse aus und zeigt ihre Quellverweise. Ein nachfolgendes Textgenerierungsmodell kann aus dem abgerufenen Material eine Antwort entwickeln; das Ergebnis des Embedding-Modells besteht weiterhin aus numerischen Daten.
Weitere dokumentierte Anwendungen umfassen Code- oder Textsuche, Gruppierung ähnlicher Datensätze, Empfehlungen verwandter Inhalte, Klassifikation, Anomalieerkennung und das Messen von Vielfalt in einer Sammlung. Beschreiben Sie für eine Empfehlung die Objekte mit den für ihre Beziehung relevanten Begriffen. Vergleichen Sie für Klassifikation mit Kategorierepräsentationen oder verwenden Sie Vektoren als Merkmale in einem Klassifikator. Definieren Sie die Regel, die Ähnlichkeit in das vom Produkt benötigte Ergebnis umwandelt.
OpenAI nennt eine maximale Eingabe von 8.192 Tokens pro Text. Die Embedding-API akzeptiert Zeichenfolgen oder tokenisierten Text, unterstützt mehrere Eingaben und weist leere Zeichenfolgen zurück. Sie erzwingt außerdem eine Gesamtgrenze von 300.000 Tokens für eine Anfrage. Ein langes Dokument sollte unter Erhaltung seiner sinnvollen Grenzen und seines Kontexts aufgeteilt werden, wobei jeder Vektor mit seiner Quellpassage verknüpft bleibt.
Der Anbieter dokumentiert float-Vektoren als Standardausgabe und base64 als alternative Kodierung. Der Leitfaden empfiehlt Kosinusähnlichkeit und erklärt, dass OpenAI-Embeddings auf Einheitslänge normalisiert sind, sodass ein Skalarprodukt für die Kosinusähnlichkeit und gleichwertige Rangfolgen bei euklidischer Distanz möglich sind. Wenn ein Vektor der dritten Generation nach der Erzeugung manuell verkürzt wird, weist der Hersteller die Anwendung an, den verkürzten Vektor erneut zu normalisieren; die Verwendung des Steuerelements dimensions ist der empfohlene Weg.
Bereiten Sie eine einheitliche Textrepräsentation vor und protokollieren Sie Modell, Dimensionen und Quellkennung. Ein nützliches abschließendes Artefakt ist eine sortierte Menge von Passagen, verwandten Elementen oder gruppierten Datensätzen mit ausdrücklicher Auswahlregel. Bewerten Sie, ob das Ergebnis die Anfrage behandelt, und bewahren Sie die Quellbelege für die nächste Stufe, statt Vektorähnlichkeit als Verifizierung der sachlichen Behauptungen eines Datensatzes zu behandeln.
", "aboutText": "text-embedding-3-large ist OpenAIs größeres Text-Embedding-Modell der dritten Generation für englischsprachige und nichtenglischsprachige Aufgaben. Es bildet schriftliches Material auf einen numerischen Vektor ab und gibt standardmäßig 3.072 Komponenten zurück. Der Vektor repräsentiert Beziehungen im bereitgestellten Inhalt; ein Such- oder Klassifikationsprozess verwendet ihn zur Materialauswahl oder für eine weitere Entscheidung.\n\nDie Modelle der dritten Generation sind darauf trainiert, über das Steuerelement dimensions des Anbieters kürzere Repräsentationen zu unterstützen. Der Hersteller nennt 1.024 Dimensionen als Beispiel, wenn ein Vektorspeicher diese Größe benötigt. Ein kürzerer Vektor reduziert die zu speichernde und zu vergleichende Datenmenge, während eine Änderung der Repräsentation die Suchqualität beeinflussen kann. Wählen Sie die Größe anhand der Anwendungsanforderungen und verwenden Sie dieselbe Wahl für den Korpus und seine Anfragen.\n\nEin beispielhafter Dokumentensuchworkflow teilt Quellmaterial in sinnvolle Passagen auf, bewahrt deren Kennungen und erhält Vektoren für jede Passage. Eine Frage wird mit demselben Modell und denselben Dimensionen eingebettet und anschließend mit den Passagenvektoren verglichen. Die Anwendung liefert Filter, wählt die sortierten Ergebnisse aus und zeigt ihre Quellverweise. Ein nachfolgendes Textgenerierungsmodell kann aus dem abgerufenen Material eine Antwort entwickeln; das Ergebnis des Embedding-Modells besteht weiterhin aus numerischen Daten.\n\nWeitere dokumentierte Anwendungen umfassen Code- oder Textsuche, Gruppierung ähnlicher Datensätze, Empfehlungen verwandter Inhalte, Klassifikation, Anomalieerkennung und das Messen von Vielfalt in einer Sammlung. Beschreiben Sie für eine Empfehlung die Objekte mit den für ihre Beziehung relevanten Begriffen. Vergleichen Sie für Klassifikation mit Kategorierepräsentationen oder verwenden Sie Vektoren als Merkmale in einem Klassifikator. Definieren Sie die Regel, die Ähnlichkeit in das vom Produkt benötigte Ergebnis umwandelt.\n\nOpenAI nennt eine maximale Eingabe von 8.192 Tokens pro Text. Die Embedding-API akzeptiert Zeichenfolgen oder tokenisierten Text, unterstützt mehrere Eingaben und weist leere Zeichenfolgen zurück. Sie erzwingt außerdem eine Gesamtgrenze von 300.000 Tokens für eine Anfrage. Ein langes Dokument sollte unter Erhaltung seiner sinnvollen Grenzen und seines Kontexts aufgeteilt werden, wobei jeder Vektor mit seiner Quellpassage verknüpft bleibt.\n\nDer Anbieter dokumentiert float-Vektoren als Standardausgabe und base64 als alternative Kodierung. Der Leitfaden empfiehlt Kosinusähnlichkeit und erklärt, dass OpenAI-Embeddings auf Einheitslänge normalisiert sind, sodass ein Skalarprodukt für die Kosinusähnlichkeit und gleichwertige Rangfolgen bei euklidischer Distanz möglich sind. Wenn ein Vektor der dritten Generation nach der Erzeugung manuell verkürzt wird, weist der Hersteller die Anwendung an, den verkürzten Vektor erneut zu normalisieren; die Verwendung des Steuerelements dimensions ist der empfohlene Weg.\n\nBereiten Sie eine einheitliche Textrepräsentation vor und protokollieren Sie Modell, Dimensionen und Quellkennung. Ein nützliches abschließendes Artefakt ist eine sortierte Menge von Passagen, verwandten Elementen oder gruppierten Datensätzen mit ausdrücklicher Auswahlregel. Bewerten Sie, ob das Ergebnis die Anfrage behandelt, und bewahren Sie die Quellbelege für die nächste Stufe, statt Vektorähnlichkeit als Verifizierung der sachlichen Behauptungen eines Datensatzes zu behandeln.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "d4833f7e6e73c5a20c3cf3012ba47541d5010f04f2c8cf1e97787b12b0b84529", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de-at", "methods": [ { "html": "openai/text-embedding-3-largeOpenAIs größeres Text-Embedding-Modell der dritten Generation gibt standardmäßig 3.072-dimensionale Vektoren zurück, mit einem Steuerelement des Anbieters für kürzere Repräsentationen. Verwenden Sie es für semantische Informationssuche, mehrsprachige Vergleiche und Workflows für verwandte Inhalte oder Klassifikation.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
text-embedding-3-large ist OpenAIs größeres Text-Embedding-Modell der dritten Generation für englischsprachige und nichtenglischsprachige Aufgaben. Es bildet schriftliches Material auf einen numerischen Vektor ab und gibt standardmäßig 3.072 Komponenten zurück. Der Vektor repräsentiert Beziehungen im bereitgestellten Inhalt; ein Such- oder Klassifikationsprozess verwendet ihn zur Materialauswahl oder für eine weitere Entscheidung.
Die Modelle der dritten Generation sind darauf trainiert, über das Steuerelement dimensions des Anbieters kürzere Repräsentationen zu unterstützen. Der Hersteller nennt 1.024 Dimensionen als Beispiel, wenn ein Vektorspeicher diese Größe benötigt. Ein kürzerer Vektor reduziert die zu speichernde und zu vergleichende Datenmenge, während eine Änderung der Repräsentation die Suchqualität beeinflussen kann. Wählen Sie die Größe anhand der Anwendungsanforderungen und verwenden Sie dieselbe Wahl für den Korpus und seine Anfragen.
Ein beispielhafter Dokumentensuchworkflow teilt Quellmaterial in sinnvolle Passagen auf, bewahrt deren Kennungen und erhält Vektoren für jede Passage. Eine Frage wird mit demselben Modell und denselben Dimensionen eingebettet und anschließend mit den Passagenvektoren verglichen. Die Anwendung liefert Filter, wählt die sortierten Ergebnisse aus und zeigt ihre Quellverweise. Ein nachfolgendes Textgenerierungsmodell kann aus dem abgerufenen Material eine Antwort entwickeln; das Ergebnis des Embedding-Modells besteht weiterhin aus numerischen Daten.
Weitere dokumentierte Anwendungen umfassen Code- oder Textsuche, Gruppierung ähnlicher Datensätze, Empfehlungen verwandter Inhalte, Klassifikation, Anomalieerkennung und das Messen von Vielfalt in einer Sammlung. Beschreiben Sie für eine Empfehlung die Objekte mit den für ihre Beziehung relevanten Begriffen. Vergleichen Sie für Klassifikation mit Kategorierepräsentationen oder verwenden Sie Vektoren als Merkmale in einem Klassifikator. Definieren Sie die Regel, die Ähnlichkeit in das vom Produkt benötigte Ergebnis umwandelt.
OpenAI nennt eine maximale Eingabe von 8.192 Tokens pro Text. Die Embedding-API akzeptiert Zeichenfolgen oder tokenisierten Text, unterstützt mehrere Eingaben und weist leere Zeichenfolgen zurück. Sie erzwingt außerdem eine Gesamtgrenze von 300.000 Tokens für eine Anfrage. Ein langes Dokument sollte unter Erhaltung seiner sinnvollen Grenzen und seines Kontexts aufgeteilt werden, wobei jeder Vektor mit seiner Quellpassage verknüpft bleibt.
Der Anbieter dokumentiert float-Vektoren als Standardausgabe und base64 als alternative Kodierung. Der Leitfaden empfiehlt Kosinusähnlichkeit und erklärt, dass OpenAI-Embeddings auf Einheitslänge normalisiert sind, sodass ein Skalarprodukt für die Kosinusähnlichkeit und gleichwertige Rangfolgen bei euklidischer Distanz möglich sind. Wenn ein Vektor der dritten Generation nach der Erzeugung manuell verkürzt wird, weist der Hersteller die Anwendung an, den verkürzten Vektor erneut zu normalisieren; die Verwendung des Steuerelements dimensions ist der empfohlene Weg.
Bereiten Sie eine einheitliche Textrepräsentation vor und protokollieren Sie Modell, Dimensionen und Quellkennung. Ein nützliches abschließendes Artefakt ist eine sortierte Menge von Passagen, verwandten Elementen oder gruppierten Datensätzen mit ausdrücklicher Auswahlregel. Bewerten Sie, ob das Ergebnis die Anfrage behandelt, und bewahren Sie die Quellbelege für die nächste Stufe, statt Vektorähnlichkeit als Verifizierung der sachlichen Behauptungen eines Datensatzes zu behandeln.
POST /v1/embeddingstext, token_idsembedding| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits openai/text-embedding-3-large | Standard— |
Feldinput | Typstring|string[]|integer[]|integer[][] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 Bedingungen: Nicht leerer, homogener Batch. Token-IDs sind nichtnegative Ganzzahlen. Eingabebudget: Maximum: 8 192 · Texteinheit: UTF8-Bytes · Tokeneinheit: Elemente des Token-Arrays | Standard— |
Feldencoding_format | Typstring | AnforderungOptional | Werte und Limits float | Standardfloat |
Felddimensions | Typinteger | AnforderungNicht unterstützt | Werte und Limits Minimum: 1 | Standard— |
Felduser | Typjson_value | AnforderungOptional | Werte und Limits Bedingungen: Die Quelle lässt dieses JSON-Metadatenfeld zu; die genaue Semantik des vorgelagerten Systems ist modellspezifisch. | Standard— |
Feldsession_id | Typjson_value | AnforderungOptional | Werte und Limits Bedingungen: Die Quelle lässt dieses JSON-Metadatenfeld zu; die genaue Semantik des vorgelagerten Systems ist modellspezifisch. | Standard— |
Feldtrace | Typjson_value | AnforderungOptional | Werte und Limits Bedingungen: Die Quelle lässt dieses JSON-Metadatenfeld zu; die genaue Semantik des vorgelagerten Systems ist modellspezifisch. | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options abgelehnt | Standard— |
text_to_embedding
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, input |
Parameterinput_shapes | Vertragstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parameterencoding_format | Vertragfloat |
Parameterdimensions_override | Vertragfalse |
Parametermax_input_budget_units | Vertrag8192 |
Parametermultimodal_objects | Vertragfalse |
Parametermaterial_types | Vertragtext, token_ids |
Lebenszyklus: synchronous_json
Jeden Vektorindex und jede Dimension beibehalten.
Ein multimodaler Modellname erlaubt auf genau diesem Pfad keine Bildobjekte.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.00026 / 1K Tokens Ausgabe · Ausgabetoken $0 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "openai/text-embedding-3-large", "input": ["First document", "Second document"]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.embeddings.create(model='openai/text-embedding-3-large',input=["First document","Second document"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\njson
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Jeden Vektor mit seinem Index beibehalten. Die Anzahl der Vektoren muss der Anzahl der Eingaben entsprechen; die Dimensionen müssen konsistent sein.
Es wird kein Endpunkt für Embedding-Aufträge eingeführt.
| Feld | Typ |
|---|---|
Feldobject | Typstring |
Feldmodel | Typstring |
Felddata[].index | Typinteger |
Felddata[].embedding | Typfinite float[] |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra openai/text-embedding-3-large, text-embedding-3-large
Verwenden Sie die oben angezeigten Methodenpfade.
text-embedding-3-largeOpenAIs größeres Text-Embedding-Modell der dritten Generation gibt standardmäßig 3.072-dimensionale Vektoren zurück, mit einem Steuerelement des Anbieters für kürzere Repräsentationen. Verwenden Sie es für semantische Informationssuche, mehrsprachige Vergleiche und Workflows für verwandte Inhalte oder Klassifikation.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
text-embedding-3-large ist OpenAIs größeres Text-Embedding-Modell der dritten Generation für englischsprachige und nichtenglischsprachige Aufgaben. Es bildet schriftliches Material auf einen numerischen Vektor ab und gibt standardmäßig 3.072 Komponenten zurück. Der Vektor repräsentiert Beziehungen im bereitgestellten Inhalt; ein Such- oder Klassifikationsprozess verwendet ihn zur Materialauswahl oder für eine weitere Entscheidung.
Die Modelle der dritten Generation sind darauf trainiert, über das Steuerelement dimensions des Anbieters kürzere Repräsentationen zu unterstützen. Der Hersteller nennt 1.024 Dimensionen als Beispiel, wenn ein Vektorspeicher diese Größe benötigt. Ein kürzerer Vektor reduziert die zu speichernde und zu vergleichende Datenmenge, während eine Änderung der Repräsentation die Suchqualität beeinflussen kann. Wählen Sie die Größe anhand der Anwendungsanforderungen und verwenden Sie dieselbe Wahl für den Korpus und seine Anfragen.
Ein beispielhafter Dokumentensuchworkflow teilt Quellmaterial in sinnvolle Passagen auf, bewahrt deren Kennungen und erhält Vektoren für jede Passage. Eine Frage wird mit demselben Modell und denselben Dimensionen eingebettet und anschließend mit den Passagenvektoren verglichen. Die Anwendung liefert Filter, wählt die sortierten Ergebnisse aus und zeigt ihre Quellverweise. Ein nachfolgendes Textgenerierungsmodell kann aus dem abgerufenen Material eine Antwort entwickeln; das Ergebnis des Embedding-Modells besteht weiterhin aus numerischen Daten.
Weitere dokumentierte Anwendungen umfassen Code- oder Textsuche, Gruppierung ähnlicher Datensätze, Empfehlungen verwandter Inhalte, Klassifikation, Anomalieerkennung und das Messen von Vielfalt in einer Sammlung. Beschreiben Sie für eine Empfehlung die Objekte mit den für ihre Beziehung relevanten Begriffen. Vergleichen Sie für Klassifikation mit Kategorierepräsentationen oder verwenden Sie Vektoren als Merkmale in einem Klassifikator. Definieren Sie die Regel, die Ähnlichkeit in das vom Produkt benötigte Ergebnis umwandelt.
OpenAI nennt eine maximale Eingabe von 8.192 Tokens pro Text. Die Embedding-API akzeptiert Zeichenfolgen oder tokenisierten Text, unterstützt mehrere Eingaben und weist leere Zeichenfolgen zurück. Sie erzwingt außerdem eine Gesamtgrenze von 300.000 Tokens für eine Anfrage. Ein langes Dokument sollte unter Erhaltung seiner sinnvollen Grenzen und seines Kontexts aufgeteilt werden, wobei jeder Vektor mit seiner Quellpassage verknüpft bleibt.
Der Anbieter dokumentiert float-Vektoren als Standardausgabe und base64 als alternative Kodierung. Der Leitfaden empfiehlt Kosinusähnlichkeit und erklärt, dass OpenAI-Embeddings auf Einheitslänge normalisiert sind, sodass ein Skalarprodukt für die Kosinusähnlichkeit und gleichwertige Rangfolgen bei euklidischer Distanz möglich sind. Wenn ein Vektor der dritten Generation nach der Erzeugung manuell verkürzt wird, weist der Hersteller die Anwendung an, den verkürzten Vektor erneut zu normalisieren; die Verwendung des Steuerelements dimensions ist der empfohlene Weg.
Bereiten Sie eine einheitliche Textrepräsentation vor und protokollieren Sie Modell, Dimensionen und Quellkennung. Ein nützliches abschließendes Artefakt ist eine sortierte Menge von Passagen, verwandten Elementen oder gruppierten Datensätzen mit ausdrücklicher Auswahlregel. Bewerten Sie, ob das Ergebnis die Anfrage behandelt, und bewahren Sie die Quellbelege für die nächste Stufe, statt Vektorähnlichkeit als Verifizierung der sachlichen Behauptungen eines Datensatzes zu behandeln.
POST /v1/embeddingstextembedding| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits text-embedding-3-large | Standard— |
Feldinput | Typstring|string[]|integer[]|integer[][] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 Bedingungen: Nicht leerer, homogener Batch. Token-IDs sind nichtnegative Ganzzahlen. Eingabebudget: Maximum: 8 192 · Texteinheit: UTF8-Bytes · Tokeneinheit: Elemente des Token-Arrays | Standard— |
Feldencoding_format | Typstring | AnforderungOptional | Werte und Limits float | Standardfloat |
Felddimensions | Typinteger | AnforderungNicht unterstützt | Werte und Limits Minimum: 1 | Standard— |
Felduser | Typjson_value | AnforderungOptional | Werte und Limits Bedingungen: Optionale JSON-Metadaten; die exakte Semantik des vorgelagerten Anbieters hängt vom ausgewählten Modell ab. | Standard— |
Feldsession_id | Typjson_value | AnforderungOptional | Werte und Limits Bedingungen: Optionale JSON-Metadaten; die exakte Semantik des vorgelagerten Anbieters hängt vom ausgewählten Modell ab. | Standard— |
Feldtrace | Typjson_value | AnforderungOptional | Werte und Limits Bedingungen: Optionale JSON-Metadaten; die exakte Semantik des vorgelagerten Anbieters hängt vom ausgewählten Modell ab. | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options abgelehnt | Standard— |
text_to_embedding
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, input |
Parameterinput_shapes | Vertragstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parameterencoding_format | Vertragfloat |
Parameterdimensions_override | Vertragfalse |
Parametermax_input_budget_units | Vertrag8192 |
Parametermultimodal_objects | Vertragfalse |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_json
Senden Sie die exakte Modell-ID und die Pflichtfelder.
Bewahren Sie jedes zurückgegebene Element und dessen ursprüngliche Kennungen auf.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.00026 / 1K Tokens Ausgabe · Ausgabetoken $0 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "text-embedding-3-large",\n "input": [\n "First document",\n "Second document"\n ],\n "encoding_format": "float"\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'text-embedding-3-large', 'input': ['First document', 'Second document'], 'encoding_format': 'float'}\npayload['input'] = [text]\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nfor vector in result.get('data', []):\n print('Vector', vector.get('index'), json.dumps(vector.get('embedding')))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'text-embedding-3-large', 'input': ['First document', 'Second document'], 'encoding_format': 'float'}\npayload['input'] = [text]\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'Authorization': 'Bearer PLACEHOLDER_KEY', 'Content-Type': 'application/json'}\nheaders['Authorization'] = 'Bearer ' + api_key\nrequest = Request('https://api.ailoot.ai/v1/embeddings', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nfor vector in result.get('data', []):\n print('Vector', vector.get('index'), json.dumps(vector.get('embedding')))\njson
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Bewahren Sie jeden endlichen Vektor mit seinem ursprünglichen Index auf. Erhalten Sie sämtliche Dimensionen und das vollständige Verbrauchsobjekt.
Es wird kein Endpunkt für Embedding-Aufträge eingeführt.
| Feld | Typ |
|---|---|
Feldobject | Typstring |
Feldmodel | Typstring |
Felddata[].index | Typinteger |
Felddata[].embedding | Typfinite float[] |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra openai/text-embedding-3-large, text-embedding-3-large
Verwenden Sie die oben angezeigten Methodenpfade.