Modelle

OpenAI: Text Embedding 3 Small

Markdown · JSON

OpenAI: Text Embedding 3 Small

OpenAIs kleines Text-Embedding-Modell der dritten Generation gibt standardmäßig 1.536-dimensionale Vektoren zurück und unterstützt kürzere Repräsentationen. Verwenden Sie die numerische Ausgabe für semantische Suche, Codesuche, Gruppierung, Empfehlungen und Klassifikation.

Über das Modell

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-small ist OpenAIs kleineres Text-Embedding-Modell der dritten Generation. Es wandelt schriftliches Material in numerische Vektoren mit standardmäßig 1.536 Komponenten um. Diese Vektoren messen Beziehungen zwischen Texten für einen weiteren Such- oder Analyseschritt; das Modell generiert keine Gesprächsantwort auf die Eingabe.

Wie das größere Modell der dritten Generation unterstützt es das Steuerelement dimensions des Anbieters für kürzere Embeddings. Das Training ist darauf ausgelegt, konzeptrepräsentierende Informationen in einem verkürzten Vektor zu erhalten, wobei die Größenwahl Qualität und Ressourcenbedarf der Anwendung beeinflusst. Halten Sie Modell und gewählte Dimensionen für die verglichenen Datensätze und Anfragen einheitlich.

Eine praktische Anwendung ist die Codesuche. Der Herstellerleitfaden beschreibt, Quellcodefunktionen als Text zu repräsentieren und einzubetten, anschließend eine natürlichsprachliche Anfrage mit demselben Modell einzubetten und die resultierenden Vektoren zu vergleichen. Ein beispielhaftes Ergebnis ist eine sortierte Menge relevanter Funktionen mit Verknüpfungen zu ihren Quellpositionen. Für Dokumentensuche ist das entsprechende Artefakt eine Menge von Passagen, deren Text und Originalverweise für Leser oder das nächste Modell verfügbar bleiben.

Weitere dokumentierte Anwendungen umfassen Clustering, Empfehlungen verwandter Inhalte, Klassifikation, Ausreißererkennung und das Messen von Vielfalt. Ein fokussierter Nachrichtenworkflow kann ähnliche Anfragen gruppieren oder sie mit Kategoriebeschreibungen vergleichen. Die Anwendung definiert, wie aus einem Ähnlichkeitsergebnis eine Kategorie, Empfehlung oder ein Prüfelement wird; das Embedding selbst besteht weiterhin aus numerischen Daten.

OpenAI gibt eine maximale Eingabe von 8.192 Tokens pro Text an. Seine Embedding-API akzeptiert Zeichenfolgen oder tokenisierte Eingaben sowie mehrere Eingaben in einer Anfrage, weist leere Zeichenfolgen zurück und wendet eine Gesamtgrenze von 300.000 Tokens an. Bereiten Sie langes Material als sinnvolle Passagen vor und bewahren Sie die zum Verständnis nötigen Titel oder Definitionen. Verwenden Sie eine einheitliche Menge von Quellfeldern, statt verschiedene Datensatzarten mit unzusammenhängenden Vorbereitungsregeln einzubetten.

Der Anbieter gibt standardmäßig float-Vektoren zurück und dokumentiert außerdem base64-Kodierung. Der Leitfaden erklärt, dass OpenAI-Embeddings auf Einheitslänge normalisiert sind, und empfiehlt Kosinusähnlichkeit; ein Skalarprodukt kann sie berechnen, und die euklidische Distanz liefert dieselbe Rangfolge. Wenn ein Embedding der dritten Generation nach der Rückgabe manuell verkürzt wird, normalisieren Sie den verkürzten Vektor erneut wie im Leitfaden beschrieben. Das Steuerelement dimensions vermeidet, dass manuelles Abschneiden zum gewöhnlichen Vorbereitungsschritt wird.

Protokollieren Sie Modellidentität, Dimensionen und Quellverknüpfung bei jedem Vektor. Ein nützliches nachgelagertes Artefakt ist eine sortierte Liste, gruppierte Sammlung oder Menge von Klassifikationsmerkmalen mit Verknüpfungen zu dem Text, der sie erzeugt hat. Prüfen Sie, ob das ausgewählte Material die Aufgabe tatsächlich unterstützt, und halten Sie fehlende Fakten von semantischer Verwandtschaft getrennt. Der nächste Schritt kann die Repräsentation dann für einen konkreten Such- oder Entscheidungsworkflow verwenden.

Ailoot Ultra · Embeddings POST /v1/embeddings openai/text-embedding-3-small

openai/text-embedding-3-small

OpenAI /openai/text-embedding-3-small
Modell-ID
  • openai/text-embedding-3-small
  • text-embedding-3-small

Einstieg

OpenAIs kleines Text-Embedding-Modell der dritten Generation gibt standardmäßig 1.536-dimensionale Vektoren zurück und unterstützt kürzere Repräsentationen. Verwenden Sie die numerische Ausgabe für semantische Suche, Codesuche, Gruppierung, Empfehlungen und Klassifikation.

Zulässige Eingaben
Text · token_ids
Ergebnisse
embedding

In Ailoot verfügbar · Eingaben und Methoden

Ailoot Ultra · Embeddings POST /v1/embeddings
Eingabe
text, token_ids
Ausgabe
embedding
Kontext
8 192 tokens
Ausgabeformat
json
FeldTypAnforderungWerte und LimitsStandard
FeldmodelTypstringAnforderungErforderlichWerte und Limits
openai/text-embedding-3-small
Standard—
FeldinputTypstring|string[]|integer[]|integer[][]AnforderungErforderlichWerte 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_formatTypstringAnforderungOptionalWerte und Limits
float
Standardfloat
FelddimensionsTypintegerAnforderungNicht unterstütztWerte und Limits
Minimum: 1
Standard—
FelduserTypjson_valueAnforderungOptionalWerte und Limits
Bedingungen: Die Quelle lässt dieses JSON-Metadatenfeld zu; die genaue Semantik des vorgelagerten Systems ist modellspezifisch.
Standard—
Feldsession_idTypjson_valueAnforderungOptionalWerte und Limits
Bedingungen: Die Quelle lässt dieses JSON-Metadatenfeld zu; die genaue Semantik des vorgelagerten Systems ist modellspezifisch.
Standard—
FeldtraceTypjson_valueAnforderungOptionalWerte und Limits
Bedingungen: Die Quelle lässt dieses JSON-Metadatenfeld zu; die genaue Semantik des vorgelagerten Systems ist modellspezifisch.
Standard—
FeldproviderTypobjectAnforderungOptionalWerte und Limits
Bedingungen: provider.options abgelehnt
Standard—
Kombinationen von Eingabematerialien

text_to_embedding

Methodenparameter und Lebenszyklus
ParameterVertrag
Parametercontent_typeVertragapplication/json
ParameterrequiredVertragmodel, input
Parameterinput_shapesVertragstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[]
Parameterencoding_formatVertragfloat
Parameterdimensions_overrideVertragfalse
Parametermax_input_budget_unitsVertrag8192
Parametermultimodal_objectsVertragfalse
Parametermaterial_typesVertragtext, token_ids

Lebenszyklus: synchronous_json

Jeden Vektorindex und jede Dimension beibehalten.

Ein multimodaler Modellname erlaubt auf genau diesem Pfad keine Bildobjekte.

Tarife

Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.

Schnellmodus
Standardtarif Wenn der Schnellmodus ausgewählt ist
Flex-Modus
Standardtarif Wenn der Modus flex ausgewählt ist
Maximaler Denkaufwand
Standardtarif Wenn beim maximalen Denkaufwand die Standardanpassung (default) verwendet wird

Ailoot-Tarife

Preise nach Konfiguration

KonfigurationTarifstaffelGebühr
KonfigurationBasistarife für TokenTarifstaffelGrundtarifGebühr
Eingabe · Eingabetoken $0.00004 / 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 →

Beispielanfragen

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-3-small", "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-3-small',input=["First document","Second document"])
print(result)
for item in result.data:print(item.index,item.embedding)

Ergebnisse abrufen und speichern

Ailoot Ultra · Embeddings

json

Alle fertiggestellten Ergebnisse aufbewahren

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.

Wenn die ursprüngliche Antwort geprüft werden muss

Es wird kein Endpunkt für Embedding-Aufträge eingeführt.

Antwortfelder
FeldTyp
FeldobjectTypstring
FeldmodelTypstring
Felddata[].indexTypinteger
Felddata[].embeddingTypfinite float[]
FeldusageTypobject
Fehler und nächste Schritte
AntwortBedingungNächster Schritt
Antwort400 · invalid_request_errorBedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültigNächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren.

Aliasnamen

Modellaliasnamen

Ailoot Ultra openai/text-embedding-3-small, text-embedding-3-small

Aliasnamen für Methodenpfade

Verwenden Sie die oben angezeigten Methodenpfade.

Zugehörige Aufrufer-IDs

openai/text-embedding-3-small, text-embedding-3-small

Ailoot Ultra · Vektoreinbettungen · text-embedding-3-small POST /v1/embeddings text-embedding-3-small

text-embedding-3-small

OpenAI /text-embedding-3-small
Modell-ID
  • openai/text-embedding-3-small
  • text-embedding-3-small

Einstieg

OpenAIs kleines Text-Embedding-Modell der dritten Generation gibt standardmäßig 1.536-dimensionale Vektoren zurück und unterstützt kürzere Repräsentationen. Verwenden Sie die numerische Ausgabe für semantische Suche, Codesuche, Gruppierung, Empfehlungen und Klassifikation.

Zulässige Eingaben
Text
Ergebnisse
embedding

In Ailoot verfügbar · Eingaben und Methoden

Ailoot Ultra · Vektoreinbettungen · text-embedding-3-small POST /v1/embeddings
Eingabe
text
Ausgabe
embedding
Kontext
8 192 tokens
Ausgabeformat
json
FeldTypAnforderungWerte und LimitsStandard
FeldmodelTypstringAnforderungErforderlichWerte und Limits
text-embedding-3-small
Standard—
FeldinputTypstring|string[]|integer[]|integer[][]AnforderungErforderlichWerte 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_formatTypstringAnforderungOptionalWerte und Limits
float
Standardfloat
FelddimensionsTypintegerAnforderungNicht unterstütztWerte und Limits
Minimum: 1
Standard—
FelduserTypjson_valueAnforderungOptionalWerte und Limits
Bedingungen: Optionale JSON-Metadaten; die exakte Semantik des vorgelagerten Anbieters hängt vom ausgewählten Modell ab.
Standard—
Feldsession_idTypjson_valueAnforderungOptionalWerte und Limits
Bedingungen: Optionale JSON-Metadaten; die exakte Semantik des vorgelagerten Anbieters hängt vom ausgewählten Modell ab.
Standard—
FeldtraceTypjson_valueAnforderungOptionalWerte und Limits
Bedingungen: Optionale JSON-Metadaten; die exakte Semantik des vorgelagerten Anbieters hängt vom ausgewählten Modell ab.
Standard—
FeldproviderTypobjectAnforderungOptionalWerte und Limits
Bedingungen: provider.options abgelehnt
Standard—
Kombinationen von Eingabematerialien

text_to_embedding

Methodenparameter und Lebenszyklus
ParameterVertrag
Parametercontent_typeVertragapplication/json
ParameterrequiredVertragmodel, input
Parameterinput_shapesVertragstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[]
Parameterencoding_formatVertragfloat
Parameterdimensions_overrideVertragfalse
Parametermax_input_budget_unitsVertrag8192
Parametermultimodal_objectsVertragfalse
Parametermaterial_typesVertragtext
Parametertext_file_materialVertragDas 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.

Tarife

Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.

Schnellmodus
Standardtarif Wenn der Schnellmodus ausgewählt ist
Flex-Modus
Standardtarif Wenn der Modus flex ausgewählt ist
Maximaler Denkaufwand
Standardtarif Wenn beim maximalen Denkaufwand die Standardanpassung (default) verwendet wird

Ailoot-Tarife

Preise nach Konfiguration

KonfigurationTarifstaffelGebühr
KonfigurationBasistarife für TokenTarifstaffelGrundtarifGebühr
Eingabe · Eingabetoken $0.00004 / 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 →

Beispielanfragen

Ailoot Ultra · Vektoreinbettungen · text-embedding-3-small

Vollständiger minimaler JSON-Bodycurl · eigenes UTF-8-Dokument verwendenPython · das vollständige Ergebnis speichern
{
  "model": "text-embedding-3-small",
  "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-3-small', '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-3-small', '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')))

Ergebnisse abrufen und speichern

Ailoot Ultra · Vektoreinbettungen · text-embedding-3-small

json

Alle fertiggestellten Ergebnisse aufbewahren

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.

Wenn die ursprüngliche Antwort geprüft werden muss

Es wird kein Endpunkt für Embedding-Aufträge eingeführt.

Antwortfelder
FeldTyp
FeldobjectTypstring
FeldmodelTypstring
Felddata[].indexTypinteger
Felddata[].embeddingTypfinite float[]
FeldusageTypobject
Fehler und nächste Schritte
AntwortBedingungNächster Schritt
Antwort400 · invalid_request_errorBedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültigNächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren.

Aliasnamen

Modellaliasnamen

Ailoot Ultra openai/text-embedding-3-small, text-embedding-3-small

Aliasnamen für Methodenpfade

Verwenden Sie die oben angezeigten Methodenpfade.

Zugehörige Aufrufer-IDs

openai/text-embedding-3-small, text-embedding-3-small

FAQ · OpenAI: Text Embedding 3 Small
Welche Eingaben und Ergebnisse sind verfügbar?

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

POST /v1/embeddings · text-embedding-3-small: text → embedding

Welche Felder verwendet die Anfrage?

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

POST /v1/embeddings · text-embedding-3-small: model, input, encoding_format, provider

Welche Grenzen gelten?

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

POST /v1/embeddings · text-embedding-3-small: ctx: 8192; input.budget.maximum: 8192 (UTF8-Bytes); input.min_items: 1

Weitere Details

Verbinden Sie Ailoot mit Claude Code, OpenCode, Hermes oder Ihrer eigenen Anwendung.

Das Unternehmen und sein Projektportfolio

Das Unternehmen und sein Projektportfolio: Millionen von Kunden; monatliche Umsätze in Milliardenhöhe.

Tokens mit Rabatt kaufen.

Aborabatt für regelmäßige Arbeit. Aktionscodes bieten bis 50% beim Tokenkauf.

Abo
Wählen Sie einen Tarif mit Rabatt für Ihre regelmäßigen Anfragen.
Aktionscode bis 50%
Geben Sie den Code beim Kauf ein. Der Preis wird nach den gültigen Aktionsbedingungen berechnet.
Ausgaben in der Historie
Modell, Tokens und Betrag werden für jede Anfrage gespeichert.

Abo wählen · Modellpreise ansehen

Verbinden Sie die API mit dem Produkt, das Sie verkaufen.

SaaS, Anwendungen und Bots nach dem offiziellen Angebot und Lizenzvertrag von Ailoot. Fordern Sie für den Weiterverkauf eine Reseller-Lizenz an.

Kommerzielle Anwendung
Integrieren Sie Text-, Bild-, Video- und Audioerzeugung in kostenpflichtige Funktionen Ihres Dienstes.
Reseller-Lizenz
Senden Sie Projektbeschreibung und Zugangsmodell. Fordern Sie schriftliche Nutzungs- und Weiterverkaufsbedingungen an.
Dokumente auf der Website
Offizielles Angebot, Lizenzvertrag und Datenschutzerklärung sind vor der Verbindung zugänglich.

Reseller-Lizenz anfordern · Offizielles Angebot und Lizenzvertrag