Source: https://ailoot.ai/models/de-ch/openai-text-embedding-3-large/
Canonical: https://ailoot.ai/models/de-ch/openai-text-embedding-3-large/
Language: de-ch

# OpenAI: Text Embedding 3 Large

[Markdown](https://ailoot.ai/models/de-ch/openai-text-embedding-3-large/index.md) · [JSON](https://ailoot.ai/models/de-ch/openai-text-embedding-3-large/facts.json)

## [OpenAI: Text Embedding 3 Large](https://ailoot.ai/models/de-ch/openai-text-embedding-3-large/)

OpenAIs 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.

- [**Ailoot Ultra · Embeddings** `POST /v1/embeddings` `openai/text-embedding-3-large`](https://ailoot.ai/models/de-ch/openai-text-embedding-3-large/#method-0)
- [**Ailoot Ultra · Einbettungsvektoren · text-embedding-3-large** `POST /v1/embeddings` `text-embedding-3-large`](https://ailoot.ai/models/de-ch/openai-text-embedding-3-large/#method-1)

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-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.

**Ailoot Ultra · Embeddings** `POST /v1/embeddings` `openai/text-embedding-3-large`

[`openai/text-embedding-3-large`](https://ailoot.ai/models/de-ch/#m=openai%2Ftext-embedding-3-large&route=Ultra&caller=openai%2Ftext-embedding-3-large&fmt=embeddings)

OpenAI /`openai/text-embedding-3-large`

Modell-ID

- `openai/text-embedding-3-large`
- `text-embedding-3-large`

### Einstieg

OpenAIs 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.

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

| Feld | Typ | Anforderung | Werte und Limits | Standard |
| --- | --- | --- | --- | --- |
| Feld`model` | Typ`string` | AnforderungErforderlich | Werte und Limits openai/text-embedding-3-large | Standard— |
| Feld`input` | Typ`string\|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— |
| Feld`encoding_format` | Typ`string` | AnforderungOptional | Werte und Limits float | Standardfloat |
| Feld`dimensions` | Typ`integer` | AnforderungNicht unterstützt | Werte und Limits Minimum: 1 | Standard— |
| Feld`user` | Typ`json_value` | AnforderungOptional | Werte und Limits Bedingungen: Der Quellcode erlaubt dieses JSON-Metadatenfeld; die genaue Semantik beim vorgelagerten Anbieter ist modellspezifisch. | Standard— |
| Feld`session_id` | Typ`json_value` | AnforderungOptional | Werte und Limits Bedingungen: Der Quellcode erlaubt dieses JSON-Metadatenfeld; die genaue Semantik beim vorgelagerten Anbieter ist modellspezifisch. | Standard— |
| Feld`trace` | Typ`json_value` | AnforderungOptional | Werte und Limits Bedingungen: Der Quellcode erlaubt dieses JSON-Metadatenfeld; die genaue Semantik beim vorgelagerten Anbieter ist modellspezifisch. | Standard— |
| Feld`provider` | Typ`object` | AnforderungOptional | Werte und Limits Bedingungen: provider.options abgelehnt | Standard— |

Kombinationen von Eingabematerialien

**text\_to\_embedding**

Methodenparameter und Lebenszyklus

| Parameter | Vertrag |
| --- | --- |
| Parameter`content_type` | Vertragapplication/json |
| Parameter`required` | Vertragmodel, input |
| Parameter`input_shapes` | Vertragstring, string\[\], nonnegative\_integer\_token\_array, nonnegative\_integer\_token\_array\[\] |
| Parameter`encoding_format` | Vertragfloat |
| Parameter`dimensions_override` | Vertragfalse |
| Parameter`max_input_budget_units` | Vertrag8192 |
| Parameter`multimodal_objects` | Vertragfalse |
| Parameter`material_types` | Vertragtext, 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

| 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 · Cache schreiben **—** / 1K Tokens Eingabe · 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 →](https://ailoot.ai/docs/de-ch/billing/reserve/)

### Beispielanfragen

#### Ailoot Ultra · Embeddings

curlPython SDK

```bash
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-large", "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
```

```python
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-large',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

| Feld | Typ |
| --- | --- |
| Feld`object` | Typstring |
| Feld`model` | Typstring |
| Feld`data[].index` | Typinteger |
| Feld`data[].embedding` | Typfinite float\[\] |
| Feld`usage` | Typobject |

Fehler und nächste Schritte

| Antwort | Bedingung | Nächster Schritt |
| --- | --- | --- |
| Antwort400 · `invalid_request_error` | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |

### Aliasnamen

#### Modellaliasnamen

**Ailoot Ultra** [`openai/text-embedding-3-large`](https://ailoot.ai/models/de-ch/#m=openai%2Ftext-embedding-3-large&route=Ultra&caller=openai%2Ftext-embedding-3-large&fmt=embeddings), [`text-embedding-3-large`](https://ailoot.ai/models/de-ch/#m=openai%2Ftext-embedding-3-large&route=Ultra&caller=text-embedding-3-large&fmt=embeddings)

#### Aliasnamen für Methodenpfade

Verwenden Sie die oben angezeigten Methodenpfade.

#### Zugehörige Aufrufer-IDs

[`openai/text-embedding-3-large`](https://ailoot.ai/models/de-ch/#m=openai%2Ftext-embedding-3-large&route=Ultra&caller=openai%2Ftext-embedding-3-large&fmt=embeddings), [`text-embedding-3-large`](https://ailoot.ai/models/de-ch/#m=openai%2Ftext-embedding-3-large&route=Ultra&caller=text-embedding-3-large&fmt=embeddings)

**Ailoot Ultra · Einbettungsvektoren · text-embedding-3-large** `POST /v1/embeddings` `text-embedding-3-large`

[`text-embedding-3-large`](https://ailoot.ai/models/de-ch/#m=openai%2Ftext-embedding-3-large&route=Ultra&caller=text-embedding-3-large&fmt=embeddings)

OpenAI /`text-embedding-3-large`

Modell-ID

- `openai/text-embedding-3-large`
- `text-embedding-3-large`

### Einstieg

OpenAIs 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.

Zulässige Eingaben

Text

Ergebnisse

embedding

### In Ailoot verfügbar · Eingaben und Methoden

**Ailoot Ultra · Einbettungsvektoren · text-embedding-3-large** `POST /v1/embeddings`

Eingabe

`text`

Ausgabe

`embedding`

Kontext

8'192 tokens

Ausgabeformat

json

| Feld | Typ | Anforderung | Werte und Limits | Standard |
| --- | --- | --- | --- | --- |
| Feld`model` | Typ`string` | AnforderungErforderlich | Werte und Limits text-embedding-3-large | Standard— |
| Feld`input` | Typ`string\|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— |
| Feld`encoding_format` | Typ`string` | AnforderungOptional | Werte und Limits float | Standardfloat |
| Feld`dimensions` | Typ`integer` | AnforderungNicht unterstützt | Werte und Limits Minimum: 1 | Standard— |
| Feld`user` | Typ`json_value` | AnforderungOptional | Werte und Limits Bedingungen: Optionale JSON-Metadaten; die exakte Bedeutung beim vorgeschalteten Anbieter hängt vom ausgewählten Modell ab. | Standard— |
| Feld`session_id` | Typ`json_value` | AnforderungOptional | Werte und Limits Bedingungen: Optionale JSON-Metadaten; die exakte Bedeutung beim vorgeschalteten Anbieter hängt vom ausgewählten Modell ab. | Standard— |
| Feld`trace` | Typ`json_value` | AnforderungOptional | Werte und Limits Bedingungen: Optionale JSON-Metadaten; die exakte Bedeutung beim vorgeschalteten Anbieter hängt vom ausgewählten Modell ab. | Standard— |
| Feld`provider` | Typ`object` | AnforderungOptional | Werte und Limits Bedingungen: provider.options abgelehnt | Standard— |

Kombinationen von Eingabematerialien

**text\_to\_embedding**

Methodenparameter und Lebenszyklus

| Parameter | Vertrag |
| --- | --- |
| Parameter`content_type` | Vertragapplication/json |
| Parameter`required` | Vertragmodel, input |
| Parameter`input_shapes` | Vertragstring, string\[\], nonnegative\_integer\_token\_array, nonnegative\_integer\_token\_array\[\] |
| Parameter`encoding_format` | Vertragfloat |
| Parameter`dimensions_override` | Vertragfalse |
| Parameter`max_input_budget_units` | Vertrag8192 |
| Parameter`multimodal_objects` | Vertragfalse |
| Parameter`material_types` | Vertragtext |
| Parameter`text_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.

### 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

| 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 · Cache schreiben **—** / 1K Tokens Eingabe · 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 →](https://ailoot.ai/docs/de-ch/billing/reserve/)

### Beispielanfragen

#### Ailoot Ultra · Einbettungsvektoren · text-embedding-3-large

Vollständiger minimaler JSON-Bodycurl · eigenes UTF-8-Dokument verwendenPython · das vollständige Ergebnis speichern

```json
{
  "model": "text-embedding-3-large",
  "input": [
    "First document",
    "Second document"
  ],
  "encoding_format": "float"
}
```

```bash
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-large', '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
```

```python
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-large', '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 · Einbettungsvektoren · text-embedding-3-large

json

##### Alle fertiggestellten Ergebnisse aufbewahren

Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.

Bewahren Sie jeden Vektor mit endlichen Werten und 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

| Feld | Typ |
| --- | --- |
| Feld`object` | Typstring |
| Feld`model` | Typstring |
| Feld`data[].index` | Typinteger |
| Feld`data[].embedding` | Typfinite float\[\] |
| Feld`usage` | Typobject |

Fehler und nächste Schritte

| Antwort | Bedingung | Nächster Schritt |
| --- | --- | --- |
| Antwort400 · `invalid_request_error` | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |

### Aliasnamen

#### Modellaliasnamen

**Ailoot Ultra** [`openai/text-embedding-3-large`](https://ailoot.ai/models/de-ch/#m=openai%2Ftext-embedding-3-large&route=Ultra&caller=openai%2Ftext-embedding-3-large&fmt=embeddings), [`text-embedding-3-large`](https://ailoot.ai/models/de-ch/#m=openai%2Ftext-embedding-3-large&route=Ultra&caller=text-embedding-3-large&fmt=embeddings)

#### Aliasnamen für Methodenpfade

Verwenden Sie die oben angezeigten Methodenpfade.

#### Zugehörige Aufrufer-IDs

[`openai/text-embedding-3-large`](https://ailoot.ai/models/de-ch/#m=openai%2Ftext-embedding-3-large&route=Ultra&caller=openai%2Ftext-embedding-3-large&fmt=embeddings), [`text-embedding-3-large`](https://ailoot.ai/models/de-ch/#m=openai%2Ftext-embedding-3-large&route=Ultra&caller=text-embedding-3-large&fmt=embeddings)

FAQ · OpenAI: Text Embedding 3 Large

Welche Eingaben und Ergebnisse sind verfügbar?

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

Welche Felder verwendet die Anfrage?

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

Welche Grenzen gelten?

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

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](https://ailoot.ai/docs/de-ch/billing/subscriptions/) · [Modellpreise ansehen](https://ailoot.ai/models/de-ch/)

## 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](mailto:support@ailoot.ai) · [Offizielles Angebot und Lizenzvertrag](https://ailoot.ai/legal/offer?lang=de-ch)

## Ailoot · Das Unternehmen und sein Projektportfolio





Ailoot baut auf bewährte Betriebserfahrung, einen großen Kundenstamm, stabilen Service und kontinuierliche KPI-Kontrolle.





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





Ailoot nutzt diese Betriebserfahrung für den API-Zugang zu KI-Funktionen in Kundenprodukten, Agenten, Anwendungen und Automatisierungen.