Selecciona Baichuan-Text-Embedding en una solicitud a /v1/embeddings. El campo obligatorio input admite una cadena no vacía o un array no vacío de cadenas, de modo que un fragmento individual y una colección preparada pueden utilizar el mismo endpoint. El resultado JSON incluye data[].embedding y data[].index, además del modelo seleccionado y usage.
Para crear una colección de conocimiento, divide los documentos de origen en fragmentos que conserven las definiciones y el contexto que necesitará quien los lea después. Mantén los ID de documento en tu aplicación y vincula cada vector con su posición en el envío. Un flujo de búsqueda puede codificar la consulta del usuario con el mismo modelo y conservar el fragmento de origen junto a cada resultado recuperado.
Guarda la respuesta síncrona completa antes de incorporar los vectores al almacenamiento. Comprueba la correspondencia entre entradas e índices, conserva todos los vectores devueltos y guarda usage junto con la operación. Usar la identidad exacta del modelo para los embeddings almacenados permite identificar qué colección y representación de las consultas corresponden entre sí.
", "aboutText": "Selecciona Baichuan-Text-Embedding en una solicitud a /v1/embeddings. El campo obligatorio input admite una cadena no vacía o un array no vacío de cadenas, de modo que un fragmento individual y una colección preparada pueden utilizar el mismo endpoint. El resultado JSON incluye data[].embedding y data[].index, además del modelo seleccionado y usage.\n\nPara crear una colección de conocimiento, divide los documentos de origen en fragmentos que conserven las definiciones y el contexto que necesitará quien los lea después. Mantén los ID de documento en tu aplicación y vincula cada vector con su posición en el envío. Un flujo de búsqueda puede codificar la consulta del usuario con el mismo modelo y conservar el fragmento de origen junto a cada resultado recuperado.\n\nGuarda la respuesta síncrona completa antes de incorporar los vectores al almacenamiento. Comprueba la correspondencia entre entradas e índices, conserva todos los vectores devueltos y guarda usage junto con la operación. Usar la identidad exacta del modelo para los embeddings almacenados permite identificar qué colección y representación de las consultas corresponden entre sí.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "a3d8e9a8a5a227036cccfe48848427432da3fc86bec042c178448057cfd533af", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es-mx", "methods": [ { "html": "Baichuan-Text-EmbeddingBaichuan-Text-Embedding devuelve vectores numéricos para el texto proporcionado mediante la API de embeddings de Ailoot. Envía un fragmento o una lista y conserva los índices de la respuesta al crear una colección que permita búsquedas.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Selecciona Baichuan-Text-Embedding en una solicitud a /v1/embeddings. El campo obligatorio input admite una cadena no vacía o un array no vacío de cadenas, de modo que un fragmento individual y una colección preparada pueden utilizar el mismo endpoint. El resultado JSON incluye data[].embedding y data[].index, además del modelo seleccionado y usage.
Para crear una colección de conocimiento, divide los documentos de origen en fragmentos que conserven las definiciones y el contexto que necesitará quien los lea después. Mantén los ID de documento en tu aplicación y vincula cada vector con su posición en el envío. Un flujo de búsqueda puede codificar la consulta del usuario con el mismo modelo y conservar el fragmento de origen junto a cada resultado recuperado.
Guarda la respuesta síncrona completa antes de incorporar los vectores al almacenamiento. Comprueba la correspondencia entre entradas e índices, conserva todos los vectores devueltos y guarda usage junto con la operación. Usar la identidad exacta del modelo para los embeddings almacenados permite identificar qué colección y representación de las consultas corresponden entre sí.
POST /v1/embeddingstextembedding| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites Baichuan-Text-Embedding Condiciones: Usa exactamente este selector de enrutamiento de Ailoot. | Predeterminado— |
Campoinput | Tipostring or array<string> | RequisitoObligatorio | Valores y límites Condiciones: | Predeterminado— |
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, input |
Parámetrooptional | Contrato |
Parámetromaterial_types | Contratotext |
Parámetroconditions | ContratoUsa exactamente este selector de enrutamiento de Ailoot. |
Ciclo de vida: synchronous_json
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.00016 / 1K tokens Salida · Tokens de salida $0 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "Baichuan-Text-Embedding", "input": "The quick brown fox jumps over the lazy dog"}')\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\n# Submit once. Retain the complete result, original identifiers and every response header.\nAiloot Ultra Baichuan-Text-Embedding
Usa las rutas de método indicadas arriba.