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.
", "aboutText": "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.\n\nBereiten 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.\n\nWeitere 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.\n\nOpenAI 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.\n\nDie 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.\n\nDer 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.\n\nDefinieren 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "7234fea1650c18a7e84677f5ea6c0906e935c1363192a05d6cac2706a028f3ec", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de", "methods": [ { "html": "openai/text-embedding-ada-002Ein 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.
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.
POST /v1/embeddingstext, token_idsembedding| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits openai/text-embedding-ada-002 | 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: Der Quellcode erlaubt dieses JSON-Metadatenfeld; die genaue Semantik beim vorgelagerten Anbieter ist modellspezifisch. | Standard— |
Feldsession_id | Typjson_value | AnforderungOptional | Werte und Limits Bedingungen: Der Quellcode erlaubt dieses JSON-Metadatenfeld; die genaue Semantik beim vorgelagerten Anbieter ist modellspezifisch. | Standard— |
Feldtrace | Typjson_value | AnforderungOptional | Werte und Limits Bedingungen: Der Quellcode erlaubt dieses JSON-Metadatenfeld; die genaue Semantik beim vorgelagerten Anbieter 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 $0.0002 / 1K Token Ausgabe · Ausgabetoken $0 / 1K Token Eingabe · Cache-Lesen — / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${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-ada-002", "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-ada-002',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-ada-002, text-embedding-ada-002
Verwenden Sie die oben angezeigten Methodenpfade.
text-embedding-ada-002Ein 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.
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.
POST /v1/embeddingstextembedding| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits text-embedding-ada-002 | 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 genaue Semantik beim vorgelagerten Anbieter hängt vom ausgewählten Modell ab. | Standard— |
Feldsession_id | Typjson_value | AnforderungOptional | Werte und Limits Bedingungen: Optionale JSON-Metadaten; die genaue Semantik beim vorgelagerten Anbieter hängt vom ausgewählten Modell ab. | Standard— |
Feldtrace | Typjson_value | AnforderungOptional | Werte und Limits Bedingungen: Optionale JSON-Metadaten; die genaue Semantik beim vorgelagerten Anbieter 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 genaue Modell-ID und die erforderlichen Felder.
Bewahren Sie jedes zurückgegebene Element und seine ursprünglichen Kennungen auf.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Token Ausgabe · Ausgabetoken $0 / 1K Token Eingabe · Cache-Lesen — / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "text-embedding-ada-002",\n "input": [\n "First document",\n "Second document"\n ],\n "encoding_format": "float"\n}set -eu\n: "${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-ada-002', '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-ada-002', '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 alle 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-ada-002, text-embedding-ada-002
Verwenden Sie die oben angezeigten Methodenpfade.