Modelle

OpenAI: Text Embedding Ada 002

Markdown · JSON

OpenAI: Text Embedding Ada 002

Ein Text-Embedding-Modell von OpenAI, das einen numerischen Vektor mit 1.536 Dimensionen zurückgibt. Nutzen Sie diese Darstellungen für semantische Suche, Empfehlungen verwandter Inhalte, Clustering, Klassifikation oder das Erkennen ungewöhnlicher Textdatensätze.

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-ada-002 ist OpenAIs Text-Embedding-Modell zur Repräsentation schriftlichen Materials als numerischer Vektor. Seine Ausgabe enthält 1.536 Komponenten. Der Hersteller kombiniert Textähnlichkeit, Dokument-/Anfragesuche und Codesuchrollen in einer Repräsentation. Das Ergebnis sind Daten für einen Vergleich oder einen anderen Algorithmus statt einer generierten Antwort auf den eingebetteten Text.

Bereiten Sie für semantische Suche sinnvolle Dokumentpassagen vor und bewahren Sie ihre Quellkennungen. Ein beispielhafter Workflow bettet jede Passage und die Nutzerfrage mit demselben Modell ein, vergleicht die Vektoren und gibt die relevanten Quellpassagen zurück. Die Anwendung bestimmt Suchregel, Filter und Darstellung. Ein nachfolgender Textgenerierungsschritt kann anhand des abgerufenen Materials eine Antwort entwickeln, während das Embedding-Modell die numerische Repräsentation liefert.

Weitere dokumentierte Anwendungen sind das Gruppieren ähnlicher Datensätze, Empfehlungen verwandter Inhalte, Textklassifikation und das Erkennen von Ausreißern. Vergleichen Sie für eine Empfehlung Beschreibungen der Objekte, deren Beziehung wichtig ist. Für Klassifikation beschreibt der Leitfaden den Vergleich mit Kategorierepräsentationen oder die Verwendung von Vektoren als Merkmale in einem Klassifikator. Für Anomalieerkennung ist das relevante Ergebnis ein Datensatz, der von der umgebenden Sammlung abweicht, interpretiert anhand der Produktaufgabe.

OpenAI nennt eine maximale Eingabe von 8.192 Tokens für dieses Modell. Die Embedding-API des Anbieters akzeptiert Textzeichenfolgen oder tokenisierte Eingaben, erlaubt mehrere Eingaben in einer Anfrage und weist leere Zeichenfolgen zurück. Ihre Gesamtgrenze beträgt 300.000 Tokens innerhalb einer einzelnen Anfrage, zusätzlich zur Grenze pro Eingabe. Teilen Sie längere Dokumente in nützliche Passagen auf und bewahren Sie Titel, Definitionen und den Verweis auf das Originalmaterial.

Die Ausgabe ist ein Vektor aus Gleitkommawerten; der Anbieter dokumentiert außerdem base64 als alternative Transportkodierung. OpenAIs Parameter zur Dimensionsverkürzung gilt für Embedding-Modelle der dritten Generation und spätere, daher bleibt Adas dokumentiertes 1.536-dimensionales Ergebnis von diesem Steuerelement getrennt. Speichern Sie Modellidentität und Vektor beim Quelldatensatz, damit spätere Vergleiche eine einheitliche Repräsentation verwenden.

Der Embedding-Leitfaden empfiehlt Kosinusähnlichkeit und erklärt, dass OpenAI-Embeddings auf Einheitslänge normalisiert sind. Bei diesen Vektoren kann ein Skalarprodukt die Kosinusähnlichkeit berechnen, und die euklidische Distanz liefert dieselbe Rangfolge. Ein Ähnlichkeitswert ist Bestandteil der Such- oder Klassifikationslogik der Anwendung, keine automatisch vom Modell gelieferte Kategorieentscheidung.

Definieren Sie, welche Quellfelder zum Eingabetext werden und wie Passagen aufgeteilt werden sollen. Ein beispielhaftes Ergebnis ist eine sortierte Menge von Dokumentpassagen oder verwandten Datensätzen, jeweils mit ihrer ursprünglichen Quelle und der verwendeten Auswahlregel verknüpft. Halten Sie die Vorbereitung einheitlich und bewerten Sie, ob das zurückgegebene Material die tatsächliche Frage behandelt. Dadurch wird die numerische Ausgabe für den nächsten Such-, Empfehlungs- oder Analyseschritt nützlich.

Ailoot Ultra · Embeddings POST /v1/embeddings openai/text-embedding-ada-002

openai/text-embedding-ada-002

OpenAI /openai/text-embedding-ada-002
Modell-ID
  • openai/text-embedding-ada-002
  • text-embedding-ada-002

Start

Ein Text-Embedding-Modell von OpenAI, das einen numerischen Vektor mit 1.536 Dimensionen zurückgibt. Nutzen Sie diese Darstellungen für semantische Suche, Empfehlungen verwandter Inhalte, Clustering, Klassifikation oder das Erkennen ungewöhnlicher Textdatensätze.

Zulässige Eingaben
Text · token_ids
Ergebnisse
embedding

In Ailoot verfügbar · Eingaben und Methoden

Ailoot Ultra · Embeddings POST /v1/embeddings
Eingabetypen
text, token_ids
Ausgabetypen
embedding
Kontext
8.192 tokens
Ausgabeformat
json
FeldTypAnforderungWerte und LimitsStandard
FeldmodelTypstringAnforderungErforderlichWerte und Limits
openai/text-embedding-ada-002
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: Der Quellcode erlaubt dieses JSON-Metadatenfeld; die genaue Semantik beim vorgelagerten Anbieter ist modellspezifisch.
Standard—
Feldsession_idTypjson_valueAnforderungOptionalWerte und Limits
Bedingungen: Der Quellcode erlaubt dieses JSON-Metadatenfeld; die genaue Semantik beim vorgelagerten Anbieter ist modellspezifisch.
Standard—
FeldtraceTypjson_valueAnforderungOptionalWerte und Limits
Bedingungen: Der Quellcode erlaubt dieses JSON-Metadatenfeld; die genaue Semantik beim vorgelagerten Anbieter 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 $0.0002 / 1K Token
Ausgabe · Ausgabetoken $0 / 1K Token
Eingabe · Cache-Lesen — / 1K Token
Eingabe · Cache-Schreiben — / 1K Token
Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token

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-ada-002", "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-ada-002',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-ada-002, text-embedding-ada-002

Aliasnamen für Methodenpfade

Verwenden Sie die oben angezeigten Methodenpfade.

Zugehörige Aufrufer-IDs

openai/text-embedding-ada-002, text-embedding-ada-002

Ailoot Ultra · Einbettungen · text-embedding-ada-002 POST /v1/embeddings text-embedding-ada-002

text-embedding-ada-002

OpenAI /text-embedding-ada-002
Modell-ID
  • openai/text-embedding-ada-002
  • text-embedding-ada-002

Start

Ein Text-Embedding-Modell von OpenAI, das einen numerischen Vektor mit 1.536 Dimensionen zurückgibt. Nutzen Sie diese Darstellungen für semantische Suche, Empfehlungen verwandter Inhalte, Clustering, Klassifikation oder das Erkennen ungewöhnlicher Textdatensätze.

Zulässige Eingaben
Text
Ergebnisse
embedding

In Ailoot verfügbar · Eingaben und Methoden

Ailoot Ultra · Einbettungen · text-embedding-ada-002 POST /v1/embeddings
Eingabetypen
text
Ausgabetypen
embedding
Kontext
8.192 tokens
Ausgabeformat
json
FeldTypAnforderungWerte und LimitsStandard
FeldmodelTypstringAnforderungErforderlichWerte und Limits
text-embedding-ada-002
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 genaue Semantik beim vorgelagerten Anbieter hängt vom ausgewählten Modell ab.
Standard—
Feldsession_idTypjson_valueAnforderungOptionalWerte und Limits
Bedingungen: Optionale JSON-Metadaten; die genaue Semantik beim vorgelagerten Anbieter hängt vom ausgewählten Modell ab.
Standard—
FeldtraceTypjson_valueAnforderungOptionalWerte und Limits
Bedingungen: Optionale JSON-Metadaten; die genaue Semantik beim vorgelagerten Anbieter 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 genaue Modell-ID und die erforderlichen Felder.

Bewahren Sie jedes zurückgegebene Element und seine ursprünglichen 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 $0.0002 / 1K Token
Ausgabe · Ausgabetoken $0 / 1K Token
Eingabe · Cache-Lesen — / 1K Token
Eingabe · Cache-Schreiben — / 1K Token
Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token

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 · Einbettungen · text-embedding-ada-002

Vollständiger minimaler JSON-Bodycurl · eigenes UTF-8-Dokument verwendenPython · das vollständige Ergebnis speichern
{
  "model": "text-embedding-ada-002",
  "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-ada-002', '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-ada-002', '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 · Einbettungen · text-embedding-ada-002

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 alle 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-ada-002, text-embedding-ada-002

Aliasnamen für Methodenpfade

Verwenden Sie die oben angezeigten Methodenpfade.

Zugehörige Aufrufer-IDs

openai/text-embedding-ada-002, text-embedding-ada-002

FAQ · OpenAI: Text Embedding Ada 002
Welche Eingaben und Ergebnisse sind verfügbar?

POST /v1/embeddings · openai/text-embedding-ada-002: text, token_ids → embedding

POST /v1/embeddings · text-embedding-ada-002: text → embedding

Welche Felder verwendet die Anfrage?

POST /v1/embeddings · openai/text-embedding-ada-002: model, input, encoding_format, provider

POST /v1/embeddings · text-embedding-ada-002: model, input, encoding_format, provider

Welche Grenzen gelten?

POST /v1/embeddings · openai/text-embedding-ada-002: ctx: 8192; input.budget.maximum: 8192 (UTF8-Bytes); input.min_items: 1

POST /v1/embeddings · text-embedding-ada-002: 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