Το text-embedding-ada-002 είναι το μοντέλο embeddings κειμένου της OpenAI για αναπαράσταση γραπτού υλικού ως αριθμητικού διανύσματος. Η έξοδός του περιέχει 1536 συνιστώσες. Ο κατασκευαστής συνδυάζει ομοιότητα κειμένου, αναζήτηση εγγράφων/ερωτημάτων και ρόλους αναζήτησης κώδικα σε μία αναπαράσταση. Το αποτέλεσμα είναι δεδομένα για σύγκριση ή άλλον αλγόριθμο αντί για παραγόμενη απάντηση στο κείμενο του οποίου δημιουργείται το embedding.
Για σημασιολογική αναζήτηση, προετοιμάστε ουσιαστικά αποσπάσματα εγγράφων και διατηρήστε τα αναγνωριστικά πηγής τους. Μια ενδεικτική ροή δημιουργεί embeddings κάθε αποσπάσματος και του ερωτήματος χρήστη με το ίδιο μοντέλο, συγκρίνει τα διανύσματα και επιστρέφει τα σχετικά αποσπάσματα πηγής. Η εφαρμογή καθορίζει τον κανόνα ανάκτησης, τα φίλτρα και την παρουσίαση. Ένα μεταγενέστερο βήμα παραγωγής κειμένου μπορεί να χρησιμοποιεί το ανακτημένο υλικό για να αναπτύξει απάντηση, ενώ το μοντέλο embeddings παρέχει την αριθμητική αναπαράσταση.
Άλλες τεκμηριωμένες χρήσεις περιλαμβάνουν ομαδοποίηση παρόμοιων εγγραφών, συστάσεις σχετικού περιεχομένου, ταξινόμηση κειμένου και εντοπισμό ακραίων τιμών. Για σύσταση, συγκρίνετε περιγραφές των αντικειμένων των οποίων η σχέση έχει σημασία. Για ταξινόμηση, ο οδηγός περιγράφει σύγκριση με αναπαραστάσεις κατηγοριών ή χρήση διανυσμάτων ως χαρακτηριστικών σε ταξινομητή. Για ανίχνευση ανωμαλιών, το σχετικό αποτέλεσμα είναι εγγραφή που διαφέρει από την περιβάλλουσα συλλογή, ερμηνευόμενη σύμφωνα με την εργασία του προϊόντος.
Η OpenAI αναφέρει μέγιστη είσοδο 8192 tokens για αυτό το μοντέλο. Το API embeddings του παραγωγού δέχεται συμβολοσειρές κειμένου ή είσοδο σε μορφή tokens, επιτρέπει πολλές εισόδους σε ένα αίτημα και απορρίπτει κενές συμβολοσειρές. Το συνολικό όριό του είναι 300.000 tokens σε ένα αίτημα, επιπλέον του ορίου ανά είσοδο. Διαιρέστε μεγαλύτερα έγγραφα σε χρήσιμα αποσπάσματα, διατηρώντας τους τίτλους, τους ορισμούς και την αναφορά πίσω στο αρχικό υλικό.
Η έξοδος είναι διάνυσμα τιμών κινητής υποδιαστολής· ο παραγωγός τεκμηριώνει επίσης base64 ως εναλλακτική κωδικοποίηση μεταφοράς. Η παράμετρος συντόμευσης διαστάσεων της OpenAI αφορά μοντέλα embeddings τρίτης γενιάς και μεταγενέστερα, επομένως το τεκμηριωμένο αποτέλεσμα 1536 διαστάσεων του Ada παραμένει διακριτό από αυτό το στοιχείο ελέγχου. Αποθηκεύστε την ταυτότητα μοντέλου και το διάνυσμα με την εγγραφή πηγής ώστε μεταγενέστερες συγκρίσεις να χρησιμοποιούν συνεπή αναπαράσταση.
Ο οδηγός embeddings συνιστά ομοιότητα συνημιτόνου και δηλώνει ότι τα embeddings της OpenAI είναι κανονικοποιημένα σε μοναδιαίο μήκος. Για αυτά τα διανύσματα, ένα εσωτερικό γινόμενο μπορεί να υπολογίζει ομοιότητα συνημιτόνου και η ευκλείδεια απόσταση δίνει την ίδια κατάταξη. Μια βαθμολογία ομοιότητας αποτελεί μέρος της λογικής ανάκτησης ή ταξινόμησης της εφαρμογής, όχι κατηγορική απόφαση που παρέχεται αυτόματα από το μοντέλο.
Ορίστε ποια πεδία πηγής γίνονται κείμενο εισόδου και πώς πρέπει να διαιρούνται τα αποσπάσματα. Ένα ενδεικτικό αποτέλεσμα είναι καταταγμένο σύνολο αποσπασμάτων εγγράφων ή σχετικών εγγραφών, με κάθε στοιχείο συνδεδεμένο στην αρχική πηγή του και στον κανόνα επιλογής. Κρατήστε την προετοιμασία συνεπή και αξιολογήστε αν το επιστρεφόμενο υλικό απαντά στο πραγματικό ερώτημα. Αυτό κάνει την αριθμητική έξοδο χρήσιμη για το επόμενο βήμα αναζήτησης, συστάσεων ή ανάλυσης.
", "aboutText": "Το text-embedding-ada-002 είναι το μοντέλο embeddings κειμένου της OpenAI για αναπαράσταση γραπτού υλικού ως αριθμητικού διανύσματος. Η έξοδός του περιέχει 1536 συνιστώσες. Ο κατασκευαστής συνδυάζει ομοιότητα κειμένου, αναζήτηση εγγράφων/ερωτημάτων και ρόλους αναζήτησης κώδικα σε μία αναπαράσταση. Το αποτέλεσμα είναι δεδομένα για σύγκριση ή άλλον αλγόριθμο αντί για παραγόμενη απάντηση στο κείμενο του οποίου δημιουργείται το embedding.\n\nΓια σημασιολογική αναζήτηση, προετοιμάστε ουσιαστικά αποσπάσματα εγγράφων και διατηρήστε τα αναγνωριστικά πηγής τους. Μια ενδεικτική ροή δημιουργεί embeddings κάθε αποσπάσματος και του ερωτήματος χρήστη με το ίδιο μοντέλο, συγκρίνει τα διανύσματα και επιστρέφει τα σχετικά αποσπάσματα πηγής. Η εφαρμογή καθορίζει τον κανόνα ανάκτησης, τα φίλτρα και την παρουσίαση. Ένα μεταγενέστερο βήμα παραγωγής κειμένου μπορεί να χρησιμοποιεί το ανακτημένο υλικό για να αναπτύξει απάντηση, ενώ το μοντέλο embeddings παρέχει την αριθμητική αναπαράσταση.\n\nΆλλες τεκμηριωμένες χρήσεις περιλαμβάνουν ομαδοποίηση παρόμοιων εγγραφών, συστάσεις σχετικού περιεχομένου, ταξινόμηση κειμένου και εντοπισμό ακραίων τιμών. Για σύσταση, συγκρίνετε περιγραφές των αντικειμένων των οποίων η σχέση έχει σημασία. Για ταξινόμηση, ο οδηγός περιγράφει σύγκριση με αναπαραστάσεις κατηγοριών ή χρήση διανυσμάτων ως χαρακτηριστικών σε ταξινομητή. Για ανίχνευση ανωμαλιών, το σχετικό αποτέλεσμα είναι εγγραφή που διαφέρει από την περιβάλλουσα συλλογή, ερμηνευόμενη σύμφωνα με την εργασία του προϊόντος.\n\nΗ OpenAI αναφέρει μέγιστη είσοδο 8192 tokens για αυτό το μοντέλο. Το API embeddings του παραγωγού δέχεται συμβολοσειρές κειμένου ή είσοδο σε μορφή tokens, επιτρέπει πολλές εισόδους σε ένα αίτημα και απορρίπτει κενές συμβολοσειρές. Το συνολικό όριό του είναι 300.000 tokens σε ένα αίτημα, επιπλέον του ορίου ανά είσοδο. Διαιρέστε μεγαλύτερα έγγραφα σε χρήσιμα αποσπάσματα, διατηρώντας τους τίτλους, τους ορισμούς και την αναφορά πίσω στο αρχικό υλικό.\n\nΗ έξοδος είναι διάνυσμα τιμών κινητής υποδιαστολής· ο παραγωγός τεκμηριώνει επίσης base64 ως εναλλακτική κωδικοποίηση μεταφοράς. Η παράμετρος συντόμευσης διαστάσεων της OpenAI αφορά μοντέλα embeddings τρίτης γενιάς και μεταγενέστερα, επομένως το τεκμηριωμένο αποτέλεσμα 1536 διαστάσεων του Ada παραμένει διακριτό από αυτό το στοιχείο ελέγχου. Αποθηκεύστε την ταυτότητα μοντέλου και το διάνυσμα με την εγγραφή πηγής ώστε μεταγενέστερες συγκρίσεις να χρησιμοποιούν συνεπή αναπαράσταση.\n\nΟ οδηγός embeddings συνιστά ομοιότητα συνημιτόνου και δηλώνει ότι τα embeddings της OpenAI είναι κανονικοποιημένα σε μοναδιαίο μήκος. Για αυτά τα διανύσματα, ένα εσωτερικό γινόμενο μπορεί να υπολογίζει ομοιότητα συνημιτόνου και η ευκλείδεια απόσταση δίνει την ίδια κατάταξη. Μια βαθμολογία ομοιότητας αποτελεί μέρος της λογικής ανάκτησης ή ταξινόμησης της εφαρμογής, όχι κατηγορική απόφαση που παρέχεται αυτόματα από το μοντέλο.\n\nΟρίστε ποια πεδία πηγής γίνονται κείμενο εισόδου και πώς πρέπει να διαιρούνται τα αποσπάσματα. Ένα ενδεικτικό αποτέλεσμα είναι καταταγμένο σύνολο αποσπασμάτων εγγράφων ή σχετικών εγγραφών, με κάθε στοιχείο συνδεδεμένο στην αρχική πηγή του και στον κανόνα επιλογής. Κρατήστε την προετοιμασία συνεπή και αξιολογήστε αν το επιστρεφόμενο υλικό απαντά στο πραγματικό ερώτημα. Αυτό κάνει την αριθμητική έξοδο χρήσιμη για το επόμενο βήμα αναζήτησης, συστάσεων ή ανάλυσης.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "8f14720d5d5fcc5fbf886a44ce2b7adef707ac9fe89e5ae55ce1e1c69f98b8ca", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "el", "methods": [ { "html": "openai/text-embedding-ada-002Μοντέλο embeddings κειμένου της OpenAI που επιστρέφει αριθμητικό διάνυσμα 1536 διαστάσεων. Χρησιμοποιήστε αυτές τις αναπαραστάσεις για σημασιολογική αναζήτηση, συστάσεις σχετικού περιεχομένου, ομαδοποίηση, ταξινόμηση ή ανίχνευση ασυνήθιστων εγγραφών κειμένου.
Αυτή η περιγραφή καλύπτει τις δυνατότητες του μοντέλου. Οι είσοδοι, έξοδοι και επιλογές που διατίθενται στο Ailoot παρατίθενται παρακάτω για την επιλεγμένη μέθοδο.
Το text-embedding-ada-002 είναι το μοντέλο embeddings κειμένου της OpenAI για αναπαράσταση γραπτού υλικού ως αριθμητικού διανύσματος. Η έξοδός του περιέχει 1536 συνιστώσες. Ο κατασκευαστής συνδυάζει ομοιότητα κειμένου, αναζήτηση εγγράφων/ερωτημάτων και ρόλους αναζήτησης κώδικα σε μία αναπαράσταση. Το αποτέλεσμα είναι δεδομένα για σύγκριση ή άλλον αλγόριθμο αντί για παραγόμενη απάντηση στο κείμενο του οποίου δημιουργείται το embedding.
Για σημασιολογική αναζήτηση, προετοιμάστε ουσιαστικά αποσπάσματα εγγράφων και διατηρήστε τα αναγνωριστικά πηγής τους. Μια ενδεικτική ροή δημιουργεί embeddings κάθε αποσπάσματος και του ερωτήματος χρήστη με το ίδιο μοντέλο, συγκρίνει τα διανύσματα και επιστρέφει τα σχετικά αποσπάσματα πηγής. Η εφαρμογή καθορίζει τον κανόνα ανάκτησης, τα φίλτρα και την παρουσίαση. Ένα μεταγενέστερο βήμα παραγωγής κειμένου μπορεί να χρησιμοποιεί το ανακτημένο υλικό για να αναπτύξει απάντηση, ενώ το μοντέλο embeddings παρέχει την αριθμητική αναπαράσταση.
Άλλες τεκμηριωμένες χρήσεις περιλαμβάνουν ομαδοποίηση παρόμοιων εγγραφών, συστάσεις σχετικού περιεχομένου, ταξινόμηση κειμένου και εντοπισμό ακραίων τιμών. Για σύσταση, συγκρίνετε περιγραφές των αντικειμένων των οποίων η σχέση έχει σημασία. Για ταξινόμηση, ο οδηγός περιγράφει σύγκριση με αναπαραστάσεις κατηγοριών ή χρήση διανυσμάτων ως χαρακτηριστικών σε ταξινομητή. Για ανίχνευση ανωμαλιών, το σχετικό αποτέλεσμα είναι εγγραφή που διαφέρει από την περιβάλλουσα συλλογή, ερμηνευόμενη σύμφωνα με την εργασία του προϊόντος.
Η OpenAI αναφέρει μέγιστη είσοδο 8192 tokens για αυτό το μοντέλο. Το API embeddings του παραγωγού δέχεται συμβολοσειρές κειμένου ή είσοδο σε μορφή tokens, επιτρέπει πολλές εισόδους σε ένα αίτημα και απορρίπτει κενές συμβολοσειρές. Το συνολικό όριό του είναι 300.000 tokens σε ένα αίτημα, επιπλέον του ορίου ανά είσοδο. Διαιρέστε μεγαλύτερα έγγραφα σε χρήσιμα αποσπάσματα, διατηρώντας τους τίτλους, τους ορισμούς και την αναφορά πίσω στο αρχικό υλικό.
Η έξοδος είναι διάνυσμα τιμών κινητής υποδιαστολής· ο παραγωγός τεκμηριώνει επίσης base64 ως εναλλακτική κωδικοποίηση μεταφοράς. Η παράμετρος συντόμευσης διαστάσεων της OpenAI αφορά μοντέλα embeddings τρίτης γενιάς και μεταγενέστερα, επομένως το τεκμηριωμένο αποτέλεσμα 1536 διαστάσεων του Ada παραμένει διακριτό από αυτό το στοιχείο ελέγχου. Αποθηκεύστε την ταυτότητα μοντέλου και το διάνυσμα με την εγγραφή πηγής ώστε μεταγενέστερες συγκρίσεις να χρησιμοποιούν συνεπή αναπαράσταση.
Ο οδηγός embeddings συνιστά ομοιότητα συνημιτόνου και δηλώνει ότι τα embeddings της OpenAI είναι κανονικοποιημένα σε μοναδιαίο μήκος. Για αυτά τα διανύσματα, ένα εσωτερικό γινόμενο μπορεί να υπολογίζει ομοιότητα συνημιτόνου και η ευκλείδεια απόσταση δίνει την ίδια κατάταξη. Μια βαθμολογία ομοιότητας αποτελεί μέρος της λογικής ανάκτησης ή ταξινόμησης της εφαρμογής, όχι κατηγορική απόφαση που παρέχεται αυτόματα από το μοντέλο.
Ορίστε ποια πεδία πηγής γίνονται κείμενο εισόδου και πώς πρέπει να διαιρούνται τα αποσπάσματα. Ένα ενδεικτικό αποτέλεσμα είναι καταταγμένο σύνολο αποσπασμάτων εγγράφων ή σχετικών εγγραφών, με κάθε στοιχείο συνδεδεμένο στην αρχική πηγή του και στον κανόνα επιλογής. Κρατήστε την προετοιμασία συνεπή και αξιολογήστε αν το επιστρεφόμενο υλικό απαντά στο πραγματικό ερώτημα. Αυτό κάνει την αριθμητική έξοδο χρήσιμη για το επόμενο βήμα αναζήτησης, συστάσεων ή ανάλυσης.
POST /v1/embeddingstext, token_idsembedding| Πεδίο | Τύπος | Απαίτηση | Τιμές και όρια | Προεπιλογή |
|---|---|---|---|---|
Πεδίοmodel | Τύποςstring | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια openai/text-embedding-ada-002 | Προεπιλογή— |
Πεδίοinput | Τύποςstring|string[]|integer[]|integer[][] | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια Ελάχιστο πλήθος στοιχείων: 1 Συνθήκες: Μη κενή ομοιογενής παρτίδα. Τα ID των token είναι μη αρνητικοί ακέραιοι. Προϋπολογισμός εισόδου: Μέγιστο: 8.192 · Μονάδα κειμένου: byte UTF8 · Μονάδα token: στοιχεία πίνακα token | Προεπιλογή— |
Πεδίοencoding_format | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια float | Προεπιλογήfloat |
Πεδίοdimensions | Τύποςinteger | ΑπαίτησηΔεν υποστηρίζεται | Τιμές και όρια Ελάχιστο: 1 | Προεπιλογή— |
Πεδίοuser | Τύποςjson_value | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Συνθήκες: Η πηγή επιτρέπει αυτό το πεδίο μεταδεδομένων JSON· η ακριβής σημασιολογία του ανάντη συστήματος εξαρτάται από το μοντέλο. | Προεπιλογή— |
Πεδίοsession_id | Τύποςjson_value | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Συνθήκες: Η πηγή επιτρέπει αυτό το πεδίο μεταδεδομένων JSON· η ακριβής σημασιολογία του ανάντη συστήματος εξαρτάται από το μοντέλο. | Προεπιλογή— |
Πεδίοtrace | Τύποςjson_value | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Συνθήκες: Η πηγή επιτρέπει αυτό το πεδίο μεταδεδομένων JSON· η ακριβής σημασιολογία του ανάντη συστήματος εξαρτάται από το μοντέλο. | Προεπιλογή— |
Πεδίοprovider | Τύποςobject | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Συνθήκες: Το provider.options απορρίφθηκε | Προεπιλογή— |
text_to_embedding
| Παράμετρος | Σύμβαση |
|---|---|
Παράμετροςcontent_type | Σύμβασηapplication/json |
Παράμετροςrequired | Σύμβασηmodel, input |
Παράμετροςinput_shapes | Σύμβασηstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Παράμετροςencoding_format | Σύμβασηfloat |
Παράμετροςdimensions_override | Σύμβασηfalse |
Παράμετροςmax_input_budget_units | Σύμβαση8192 |
Παράμετροςmultimodal_objects | Σύμβασηfalse |
Παράμετροςmaterial_types | Σύμβασηtext, token_ids |
Κύκλος ζωής: synchronous_json
Διατηρήστε τον δείκτη και τη διάσταση κάθε διανύσματος.
Το όνομα πολυτροπικού μοντέλου δεν επιτρέπει αντικείμενα εικόνας σε αυτήν ακριβώς τη διαδρομή.
Οι τιμολογιακές αναφορές δεν προσθέτουν επιλογές αιτήματος. Οι υποστηριζόμενες παράμετροι αναφέρονται στην επιλεγμένη μέθοδο.
| Διαμόρφωση | Πίνακας χρεώσεων | Χρέωση |
|---|---|---|
| ΔιαμόρφωσηΒασικές χρεώσεις ανά token | Πίνακας χρεώσεωνΒασική χρέωση | Χρέωση Είσοδος · Token εισόδου $0.0002 / 1K token Έξοδος · Token εξόδου $0 / 1K token Είσοδος · Ανάγνωση από την κρυφή μνήμη — / 1K token Είσοδος · Εγγραφή στην κρυφή μνήμη — / 1K token Είσοδος · Εγγραφή στην κρυφή μνήμη, 1 ώρα — / 1K token |
Το Ailoot δεσμεύει ένα εκτιμώμενο ποσό πριν από το αίτημα. Μετά το αποτέλεσμα, εκκαθαρίζει την τελική χρέωση βάσει της μετρημένης χρήσης. Η εκκαθάριση ροής χρησιμοποιεί την τελική καταγραφή χρήσης. Πώς λειτουργούν η δέσμευση και η εκκαθάριση →
set -eu\n: "${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
Διατηρήστε κάθε πλήρη απάντηση, αρχείο και τμήμα περιεχομένου που επιστρέφεται.
Διατηρήστε κάθε διάνυσμα με τον δείκτη του. Το πλήθος των διανυσμάτων πρέπει να ισούται με το πλήθος των στοιχείων εισόδου· οι διαστάσεις πρέπει να είναι συνεπείς.
Δεν εισάγεται endpoint εργασιών ενσωμάτωσης.
| Πεδίο | Τύπος |
|---|---|
Πεδίοobject | Τύποςstring |
Πεδίοmodel | Τύποςstring |
Πεδίοdata[].index | Τύποςinteger |
Πεδίοdata[].embedding | Τύποςfinite float[] |
Πεδίοusage | Τύποςobject |
| Απάντηση | Συνθήκη | Επόμενο βήμα |
|---|---|---|
Απάντηση400 · invalid_request_error | ΣυνθήκηΜη έγκυρα υποχρεωτικά πεδία, μη έγκυρη αναπαράσταση υλικού ή μη έγκυρη τιμή παραμέτρου | Επόμενο βήμαΔιορθώστε τα υποδεικνυόμενα πεδία πριν από νέο αίτημα δημιουργίας. |
Ailoot Ultra openai/text-embedding-ada-002, text-embedding-ada-002
Χρησιμοποιήστε τις διαδρομές μεθόδων που εμφανίζονται παραπάνω.
text-embedding-ada-002Μοντέλο embeddings κειμένου της OpenAI που επιστρέφει αριθμητικό διάνυσμα 1536 διαστάσεων. Χρησιμοποιήστε αυτές τις αναπαραστάσεις για σημασιολογική αναζήτηση, συστάσεις σχετικού περιεχομένου, ομαδοποίηση, ταξινόμηση ή ανίχνευση ασυνήθιστων εγγραφών κειμένου.
Αυτή η περιγραφή καλύπτει τις δυνατότητες του μοντέλου. Οι είσοδοι, έξοδοι και επιλογές που διατίθενται στο Ailoot παρατίθενται παρακάτω για την επιλεγμένη μέθοδο.
Το text-embedding-ada-002 είναι το μοντέλο embeddings κειμένου της OpenAI για αναπαράσταση γραπτού υλικού ως αριθμητικού διανύσματος. Η έξοδός του περιέχει 1536 συνιστώσες. Ο κατασκευαστής συνδυάζει ομοιότητα κειμένου, αναζήτηση εγγράφων/ερωτημάτων και ρόλους αναζήτησης κώδικα σε μία αναπαράσταση. Το αποτέλεσμα είναι δεδομένα για σύγκριση ή άλλον αλγόριθμο αντί για παραγόμενη απάντηση στο κείμενο του οποίου δημιουργείται το embedding.
Για σημασιολογική αναζήτηση, προετοιμάστε ουσιαστικά αποσπάσματα εγγράφων και διατηρήστε τα αναγνωριστικά πηγής τους. Μια ενδεικτική ροή δημιουργεί embeddings κάθε αποσπάσματος και του ερωτήματος χρήστη με το ίδιο μοντέλο, συγκρίνει τα διανύσματα και επιστρέφει τα σχετικά αποσπάσματα πηγής. Η εφαρμογή καθορίζει τον κανόνα ανάκτησης, τα φίλτρα και την παρουσίαση. Ένα μεταγενέστερο βήμα παραγωγής κειμένου μπορεί να χρησιμοποιεί το ανακτημένο υλικό για να αναπτύξει απάντηση, ενώ το μοντέλο embeddings παρέχει την αριθμητική αναπαράσταση.
Άλλες τεκμηριωμένες χρήσεις περιλαμβάνουν ομαδοποίηση παρόμοιων εγγραφών, συστάσεις σχετικού περιεχομένου, ταξινόμηση κειμένου και εντοπισμό ακραίων τιμών. Για σύσταση, συγκρίνετε περιγραφές των αντικειμένων των οποίων η σχέση έχει σημασία. Για ταξινόμηση, ο οδηγός περιγράφει σύγκριση με αναπαραστάσεις κατηγοριών ή χρήση διανυσμάτων ως χαρακτηριστικών σε ταξινομητή. Για ανίχνευση ανωμαλιών, το σχετικό αποτέλεσμα είναι εγγραφή που διαφέρει από την περιβάλλουσα συλλογή, ερμηνευόμενη σύμφωνα με την εργασία του προϊόντος.
Η OpenAI αναφέρει μέγιστη είσοδο 8192 tokens για αυτό το μοντέλο. Το API embeddings του παραγωγού δέχεται συμβολοσειρές κειμένου ή είσοδο σε μορφή tokens, επιτρέπει πολλές εισόδους σε ένα αίτημα και απορρίπτει κενές συμβολοσειρές. Το συνολικό όριό του είναι 300.000 tokens σε ένα αίτημα, επιπλέον του ορίου ανά είσοδο. Διαιρέστε μεγαλύτερα έγγραφα σε χρήσιμα αποσπάσματα, διατηρώντας τους τίτλους, τους ορισμούς και την αναφορά πίσω στο αρχικό υλικό.
Η έξοδος είναι διάνυσμα τιμών κινητής υποδιαστολής· ο παραγωγός τεκμηριώνει επίσης base64 ως εναλλακτική κωδικοποίηση μεταφοράς. Η παράμετρος συντόμευσης διαστάσεων της OpenAI αφορά μοντέλα embeddings τρίτης γενιάς και μεταγενέστερα, επομένως το τεκμηριωμένο αποτέλεσμα 1536 διαστάσεων του Ada παραμένει διακριτό από αυτό το στοιχείο ελέγχου. Αποθηκεύστε την ταυτότητα μοντέλου και το διάνυσμα με την εγγραφή πηγής ώστε μεταγενέστερες συγκρίσεις να χρησιμοποιούν συνεπή αναπαράσταση.
Ο οδηγός embeddings συνιστά ομοιότητα συνημιτόνου και δηλώνει ότι τα embeddings της OpenAI είναι κανονικοποιημένα σε μοναδιαίο μήκος. Για αυτά τα διανύσματα, ένα εσωτερικό γινόμενο μπορεί να υπολογίζει ομοιότητα συνημιτόνου και η ευκλείδεια απόσταση δίνει την ίδια κατάταξη. Μια βαθμολογία ομοιότητας αποτελεί μέρος της λογικής ανάκτησης ή ταξινόμησης της εφαρμογής, όχι κατηγορική απόφαση που παρέχεται αυτόματα από το μοντέλο.
Ορίστε ποια πεδία πηγής γίνονται κείμενο εισόδου και πώς πρέπει να διαιρούνται τα αποσπάσματα. Ένα ενδεικτικό αποτέλεσμα είναι καταταγμένο σύνολο αποσπασμάτων εγγράφων ή σχετικών εγγραφών, με κάθε στοιχείο συνδεδεμένο στην αρχική πηγή του και στον κανόνα επιλογής. Κρατήστε την προετοιμασία συνεπή και αξιολογήστε αν το επιστρεφόμενο υλικό απαντά στο πραγματικό ερώτημα. Αυτό κάνει την αριθμητική έξοδο χρήσιμη για το επόμενο βήμα αναζήτησης, συστάσεων ή ανάλυσης.
POST /v1/embeddingstextembedding| Πεδίο | Τύπος | Απαίτηση | Τιμές και όρια | Προεπιλογή |
|---|---|---|---|---|
Πεδίοmodel | Τύποςstring | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια text-embedding-ada-002 | Προεπιλογή— |
Πεδίοinput | Τύποςstring|string[]|integer[]|integer[][] | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια Ελάχιστο πλήθος στοιχείων: 1 Συνθήκες: Μη κενή ομοιογενής παρτίδα. Τα ID των token είναι μη αρνητικοί ακέραιοι. Προϋπολογισμός εισόδου: Μέγιστο: 8.192 · Μονάδα κειμένου: byte UTF8 · Μονάδα token: στοιχεία πίνακα token | Προεπιλογή— |
Πεδίοencoding_format | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια float | Προεπιλογήfloat |
Πεδίοdimensions | Τύποςinteger | ΑπαίτησηΔεν υποστηρίζεται | Τιμές και όρια Ελάχιστο: 1 | Προεπιλογή— |
Πεδίοuser | Τύποςjson_value | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Συνθήκες: Προαιρετικά μεταδεδομένα JSON· η ακριβής σημασιολογία στην πλευρά του παρόχου εξαρτάται από το επιλεγμένο μοντέλο. | Προεπιλογή— |
Πεδίοsession_id | Τύποςjson_value | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Συνθήκες: Προαιρετικά μεταδεδομένα JSON· η ακριβής σημασιολογία στην πλευρά του παρόχου εξαρτάται από το επιλεγμένο μοντέλο. | Προεπιλογή— |
Πεδίοtrace | Τύποςjson_value | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Συνθήκες: Προαιρετικά μεταδεδομένα JSON· η ακριβής σημασιολογία στην πλευρά του παρόχου εξαρτάται από το επιλεγμένο μοντέλο. | Προεπιλογή— |
Πεδίοprovider | Τύποςobject | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Συνθήκες: Το provider.options απορρίφθηκε | Προεπιλογή— |
text_to_embedding
| Παράμετρος | Σύμβαση |
|---|---|
Παράμετροςcontent_type | Σύμβασηapplication/json |
Παράμετροςrequired | Σύμβασηmodel, input |
Παράμετροςinput_shapes | Σύμβασηstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Παράμετροςencoding_format | Σύμβασηfloat |
Παράμετροςdimensions_override | Σύμβασηfalse |
Παράμετροςmax_input_budget_units | Σύμβαση8192 |
Παράμετροςmultimodal_objects | Σύμβασηfalse |
Παράμετροςmaterial_types | Σύμβασηtext |
Παράμετροςtext_file_material | ΣύμβασηΔιαβάστε το πραγματικό έγγραφο UTF-8 και τοποθετήστε το κείμενό του στην υποδεικνυόμενη συμβολοσειρά εισόδου ή περιεχομένου του μηνύματος. |
Κύκλος ζωής: synchronous_json
Στείλτε το ακριβές ID μοντέλου και τα απαιτούμενα πεδία.
Διατηρήστε κάθε στοιχείο που επιστρέφεται και τα αρχικά αναγνωριστικά του.
Οι τιμολογιακές αναφορές δεν προσθέτουν επιλογές αιτήματος. Οι υποστηριζόμενες παράμετροι αναφέρονται στην επιλεγμένη μέθοδο.
| Διαμόρφωση | Πίνακας χρεώσεων | Χρέωση |
|---|---|---|
| ΔιαμόρφωσηΒασικές χρεώσεις ανά token | Πίνακας χρεώσεωνΒασική χρέωση | Χρέωση Είσοδος · Token εισόδου $0.0002 / 1K token Έξοδος · Token εξόδου $0 / 1K token Είσοδος · Ανάγνωση από την κρυφή μνήμη — / 1K token Είσοδος · Εγγραφή στην κρυφή μνήμη — / 1K token Είσοδος · Εγγραφή στην κρυφή μνήμη, 1 ώρα — / 1K token |
Το Ailoot δεσμεύει ένα εκτιμώμενο ποσό πριν από το αίτημα. Μετά το αποτέλεσμα, εκκαθαρίζει την τελική χρέωση βάσει της μετρημένης χρήσης. Η εκκαθάριση ροής χρησιμοποιεί την τελική καταγραφή χρήσης. Πώς λειτουργούν η δέσμευση και η εκκαθάριση →
{\n "model": "text-embedding-ada-002",\n "input": [\n "First document",\n "Second document"\n ],\n "encoding_format": "float"\n}set -eu\n: "${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
Διατηρήστε κάθε πλήρη απάντηση, αρχείο και τμήμα περιεχομένου που επιστρέφεται.
Διατηρήστε κάθε πεπερασμένο διάνυσμα με τον αρχικό δείκτη του. Διατηρήστε όλες τις διαστάσεις και ολόκληρο το αντικείμενο χρήσης.
Δεν εισάγεται endpoint εργασιών ενσωμάτωσης.
| Πεδίο | Τύπος |
|---|---|
Πεδίοobject | Τύποςstring |
Πεδίοmodel | Τύποςstring |
Πεδίοdata[].index | Τύποςinteger |
Πεδίοdata[].embedding | Τύποςfinite float[] |
Πεδίοusage | Τύποςobject |
| Απάντηση | Συνθήκη | Επόμενο βήμα |
|---|---|---|
Απάντηση400 · invalid_request_error | ΣυνθήκηΜη έγκυρα υποχρεωτικά πεδία, μη έγκυρη αναπαράσταση υλικού ή μη έγκυρη τιμή παραμέτρου | Επόμενο βήμαΔιορθώστε τα υποδεικνυόμενα πεδία πριν από νέο αίτημα δημιουργίας. |
Ailoot Ultra openai/text-embedding-ada-002, text-embedding-ada-002
Χρησιμοποιήστε τις διαδρομές μεθόδων που εμφανίζονται παραπάνω.