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.
", "aboutText": "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.\n\nWie 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.\n\nEine 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.\n\nWeitere 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.\n\nOpenAI 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.\n\nDer 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.\n\nProtokollieren 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "0af375b1a75ef28650bb3f5a0afb34678fae878ef57ef3049bd405ce2f4ae210", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de-at", "methods": [ { "html": "openai/text-embedding-3-smallOpenAIs 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.
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.
POST /v1/embeddingstext, token_idsembedding| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits openai/text-embedding-3-small | 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 $0.00004 / 1K Tokens Ausgabe · Ausgabetoken $0 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${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
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-small, text-embedding-3-small
Verwenden Sie die oben angezeigten Methodenpfade.
text-embedding-3-smallOpenAIs 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.
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.
POST /v1/embeddingstextembedding| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits text-embedding-3-small | 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 $0.00004 / 1K Tokens Ausgabe · Ausgabetoken $0 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "text-embedding-3-small",\n "input": [\n "First document",\n "Second document"\n ],\n "encoding_format": "float"\n}set -eu\n: "${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
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-small, text-embedding-3-small
Verwenden Sie die oben angezeigten Methodenpfade.