text-embedding-ada-002 es el modelo de embeddings de texto de OpenAI para representar material escrito como un vector numérico. Su salida contiene 1536 componentes. El fabricante combina similaridad textual, búsqueda de documentos y consultas y funciones de búsqueda de código en una representación. El resultado son datos para comparación u otro algoritmo, en lugar de una respuesta generada al texto del que se crea el embedding.
Para búsqueda semántica, prepara pasajes documentales significativos y conserva sus identificadores de origen. Un flujo ilustrativo genera embeddings de cada pasaje y la pregunta del usuario con el mismo modelo, compara los vectores y devuelve los pasajes de origen pertinentes. La aplicación determina la regla de recuperación, los filtros y la presentación. Un paso posterior de generación de texto puede utilizar el material recuperado para desarrollar una respuesta, mientras que el modelo de embeddings aporta la representación numérica.
Otros usos documentados incluyen agrupar registros similares, recomendar contenido relacionado, clasificar texto e identificar valores atípicos. Para una recomendación, compara descripciones de los objetos cuya relación importe. Para clasificación, la guía describe la comparación con representaciones de categorías o el uso de vectores como características en un clasificador. Para detección de anomalías, el resultado pertinente es un registro que difiere de la colección que lo rodea, interpretado según la tarea del producto.
OpenAI indica una entrada máxima de 8192 tokens para este modelo. La API de embeddings del productor acepta cadenas de texto o entrada tokenizada, permite varias entradas en una solicitud y rechaza cadenas vacías. Su límite agregado es de 300,000 tokens en una solicitud, además del límite por entrada. Divide los documentos más largos en pasajes útiles, conservando títulos, definiciones y la referencia al material original.
La salida es un vector de valores de punto flotante; el productor también documenta base64 como codificación alternativa de transporte. El parámetro de OpenAI para acortar dimensiones es para modelos de embeddings de tercera generación y posteriores, por lo que el resultado documentado de 1536 dimensiones de Ada se mantiene separado de ese control. Guarda la identidad del modelo y el vector junto al registro de origen para que las comparaciones posteriores utilicen una representación coherente.
La guía de embeddings recomienda similaridad del coseno y afirma que los embeddings de OpenAI están normalizados a longitud unitaria. Para esos vectores, un producto escalar puede calcular la similaridad del coseno y la distancia euclidiana da la misma ordenación. Una puntuación de similaridad forma parte de la lógica de recuperación o clasificación de la aplicación, no de una decisión categórica proporcionada automáticamente por el modelo.
Define qué campos de origen se convierten en texto de entrada y cómo deben dividirse los pasajes. Un resultado ilustrativo es un conjunto ordenado de pasajes documentales o registros relacionados, cada uno conectado con su fuente original y la regla utilizada para seleccionarlo. Mantén coherente la preparación y evalúa si el material devuelto aborda la pregunta real. Esto hace que la salida numérica sea útil para el siguiente paso de búsqueda, recomendación o análisis.
", "aboutText": "text-embedding-ada-002 es el modelo de embeddings de texto de OpenAI para representar material escrito como un vector numérico. Su salida contiene 1536 componentes. El fabricante combina similaridad textual, búsqueda de documentos y consultas y funciones de búsqueda de código en una representación. El resultado son datos para comparación u otro algoritmo, en lugar de una respuesta generada al texto del que se crea el embedding.\n\nPara búsqueda semántica, prepara pasajes documentales significativos y conserva sus identificadores de origen. Un flujo ilustrativo genera embeddings de cada pasaje y la pregunta del usuario con el mismo modelo, compara los vectores y devuelve los pasajes de origen pertinentes. La aplicación determina la regla de recuperación, los filtros y la presentación. Un paso posterior de generación de texto puede utilizar el material recuperado para desarrollar una respuesta, mientras que el modelo de embeddings aporta la representación numérica.\n\nOtros usos documentados incluyen agrupar registros similares, recomendar contenido relacionado, clasificar texto e identificar valores atípicos. Para una recomendación, compara descripciones de los objetos cuya relación importe. Para clasificación, la guía describe la comparación con representaciones de categorías o el uso de vectores como características en un clasificador. Para detección de anomalías, el resultado pertinente es un registro que difiere de la colección que lo rodea, interpretado según la tarea del producto.\n\nOpenAI indica una entrada máxima de 8192 tokens para este modelo. La API de embeddings del productor acepta cadenas de texto o entrada tokenizada, permite varias entradas en una solicitud y rechaza cadenas vacías. Su límite agregado es de 300,000 tokens en una solicitud, además del límite por entrada. Divide los documentos más largos en pasajes útiles, conservando títulos, definiciones y la referencia al material original.\n\nLa salida es un vector de valores de punto flotante; el productor también documenta base64 como codificación alternativa de transporte. El parámetro de OpenAI para acortar dimensiones es para modelos de embeddings de tercera generación y posteriores, por lo que el resultado documentado de 1536 dimensiones de Ada se mantiene separado de ese control. Guarda la identidad del modelo y el vector junto al registro de origen para que las comparaciones posteriores utilicen una representación coherente.\n\nLa guía de embeddings recomienda similaridad del coseno y afirma que los embeddings de OpenAI están normalizados a longitud unitaria. Para esos vectores, un producto escalar puede calcular la similaridad del coseno y la distancia euclidiana da la misma ordenación. Una puntuación de similaridad forma parte de la lógica de recuperación o clasificación de la aplicación, no de una decisión categórica proporcionada automáticamente por el modelo.\n\nDefine qué campos de origen se convierten en texto de entrada y cómo deben dividirse los pasajes. Un resultado ilustrativo es un conjunto ordenado de pasajes documentales o registros relacionados, cada uno conectado con su fuente original y la regla utilizada para seleccionarlo. Mantén coherente la preparación y evalúa si el material devuelto aborda la pregunta real. Esto hace que la salida numérica sea útil para el siguiente paso de búsqueda, recomendación o análisis.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "59ef3a199d8a8894c52c46e86c720272038d5ddfa2ba00a36d18fdd4e9a877da", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es-mx", "methods": [ { "html": "openai/text-embedding-ada-002Un modelo de embeddings textuales de OpenAI que devuelve un vector numérico de 1536 dimensiones. Utiliza esas representaciones para búsqueda semántica, recomendaciones de contenido relacionado, agrupación, clasificación o detección de registros textuales inusuales.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
text-embedding-ada-002 es el modelo de embeddings de texto de OpenAI para representar material escrito como un vector numérico. Su salida contiene 1536 componentes. El fabricante combina similaridad textual, búsqueda de documentos y consultas y funciones de búsqueda de código en una representación. El resultado son datos para comparación u otro algoritmo, en lugar de una respuesta generada al texto del que se crea el embedding.
Para búsqueda semántica, prepara pasajes documentales significativos y conserva sus identificadores de origen. Un flujo ilustrativo genera embeddings de cada pasaje y la pregunta del usuario con el mismo modelo, compara los vectores y devuelve los pasajes de origen pertinentes. La aplicación determina la regla de recuperación, los filtros y la presentación. Un paso posterior de generación de texto puede utilizar el material recuperado para desarrollar una respuesta, mientras que el modelo de embeddings aporta la representación numérica.
Otros usos documentados incluyen agrupar registros similares, recomendar contenido relacionado, clasificar texto e identificar valores atípicos. Para una recomendación, compara descripciones de los objetos cuya relación importe. Para clasificación, la guía describe la comparación con representaciones de categorías o el uso de vectores como características en un clasificador. Para detección de anomalías, el resultado pertinente es un registro que difiere de la colección que lo rodea, interpretado según la tarea del producto.
OpenAI indica una entrada máxima de 8192 tokens para este modelo. La API de embeddings del productor acepta cadenas de texto o entrada tokenizada, permite varias entradas en una solicitud y rechaza cadenas vacías. Su límite agregado es de 300,000 tokens en una solicitud, además del límite por entrada. Divide los documentos más largos en pasajes útiles, conservando títulos, definiciones y la referencia al material original.
La salida es un vector de valores de punto flotante; el productor también documenta base64 como codificación alternativa de transporte. El parámetro de OpenAI para acortar dimensiones es para modelos de embeddings de tercera generación y posteriores, por lo que el resultado documentado de 1536 dimensiones de Ada se mantiene separado de ese control. Guarda la identidad del modelo y el vector junto al registro de origen para que las comparaciones posteriores utilicen una representación coherente.
La guía de embeddings recomienda similaridad del coseno y afirma que los embeddings de OpenAI están normalizados a longitud unitaria. Para esos vectores, un producto escalar puede calcular la similaridad del coseno y la distancia euclidiana da la misma ordenación. Una puntuación de similaridad forma parte de la lógica de recuperación o clasificación de la aplicación, no de una decisión categórica proporcionada automáticamente por el modelo.
Define qué campos de origen se convierten en texto de entrada y cómo deben dividirse los pasajes. Un resultado ilustrativo es un conjunto ordenado de pasajes documentales o registros relacionados, cada uno conectado con su fuente original y la regla utilizada para seleccionarlo. Mantén coherente la preparación y evalúa si el material devuelto aborda la pregunta real. Esto hace que la salida numérica sea útil para el siguiente paso de búsqueda, recomendación o análisis.
POST /v1/embeddingstext, token_idsembedding| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites openai/text-embedding-ada-002 | Predeterminado— |
Campoinput | Tipostring|string[]|integer[]|integer[][] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 Condiciones: Lote homogéneo no vacío. Los ID de tokens son números enteros no negativos. Presupuesto de entrada: Máximo: 8,192 · Unidad de texto: bytes UTF8 · Unidad de tokens: elementos de un arreglo de tokens | Predeterminado— |
Campoencoding_format | Tipostring | RequisitoOpcional | Valores y límites float | Predeterminadofloat |
Campodimensions | Tipointeger | RequisitoNo compatible | Valores y límites Mínimo: 1 | Predeterminado— |
Campouser | Tipojson_value | RequisitoOpcional | Valores y límites Condiciones: La fuente permite este campo metadata de JSON; la semántica exacta en el sistema de origen depende del modelo. | Predeterminado— |
Camposession_id | Tipojson_value | RequisitoOpcional | Valores y límites Condiciones: La fuente permite este campo metadata de JSON; la semántica exacta en el sistema de origen depende del modelo. | Predeterminado— |
Campotrace | Tipojson_value | RequisitoOpcional | Valores y límites Condiciones: La fuente permite este campo metadata de JSON; la semántica exacta en el sistema de origen depende del modelo. | Predeterminado— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores y límites Condiciones: provider.options rechazado | Predeterminado— |
text_to_embedding
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, input |
Parámetroinput_shapes | Contratostring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parámetroencoding_format | Contratofloat |
Parámetrodimensions_override | Contratofalse |
Parámetromax_input_budget_units | Contrato8192 |
Parámetromultimodal_objects | Contratofalse |
Parámetromaterial_types | Contratotext, token_ids |
Ciclo de vida: synchronous_json
Conserva todos los índices y dimensiones de los vectores.
El nombre de un modelo multimodal no habilita objetos de imagen en esta ruta exacta.
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 $0.0002 / 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}"\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
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva cada vector con su índice. La cantidad de vectores debe ser igual a la cantidad de entradas; las dimensiones deben ser consistentes.
No se incorpora ningún endpoint de tareas de embeddings.
| Campo | Tipo |
|---|---|
Campoobject | Tipostring |
Campomodel | Tipostring |
Campodata[].index | Tipointeger |
Campodata[].embedding | Tipofinite float[] |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra openai/text-embedding-ada-002, text-embedding-ada-002
Usa las rutas de método indicadas arriba.
text-embedding-ada-002Un modelo de embeddings textuales de OpenAI que devuelve un vector numérico de 1536 dimensiones. Utiliza esas representaciones para búsqueda semántica, recomendaciones de contenido relacionado, agrupación, clasificación o detección de registros textuales inusuales.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
text-embedding-ada-002 es el modelo de embeddings de texto de OpenAI para representar material escrito como un vector numérico. Su salida contiene 1536 componentes. El fabricante combina similaridad textual, búsqueda de documentos y consultas y funciones de búsqueda de código en una representación. El resultado son datos para comparación u otro algoritmo, en lugar de una respuesta generada al texto del que se crea el embedding.
Para búsqueda semántica, prepara pasajes documentales significativos y conserva sus identificadores de origen. Un flujo ilustrativo genera embeddings de cada pasaje y la pregunta del usuario con el mismo modelo, compara los vectores y devuelve los pasajes de origen pertinentes. La aplicación determina la regla de recuperación, los filtros y la presentación. Un paso posterior de generación de texto puede utilizar el material recuperado para desarrollar una respuesta, mientras que el modelo de embeddings aporta la representación numérica.
Otros usos documentados incluyen agrupar registros similares, recomendar contenido relacionado, clasificar texto e identificar valores atípicos. Para una recomendación, compara descripciones de los objetos cuya relación importe. Para clasificación, la guía describe la comparación con representaciones de categorías o el uso de vectores como características en un clasificador. Para detección de anomalías, el resultado pertinente es un registro que difiere de la colección que lo rodea, interpretado según la tarea del producto.
OpenAI indica una entrada máxima de 8192 tokens para este modelo. La API de embeddings del productor acepta cadenas de texto o entrada tokenizada, permite varias entradas en una solicitud y rechaza cadenas vacías. Su límite agregado es de 300,000 tokens en una solicitud, además del límite por entrada. Divide los documentos más largos en pasajes útiles, conservando títulos, definiciones y la referencia al material original.
La salida es un vector de valores de punto flotante; el productor también documenta base64 como codificación alternativa de transporte. El parámetro de OpenAI para acortar dimensiones es para modelos de embeddings de tercera generación y posteriores, por lo que el resultado documentado de 1536 dimensiones de Ada se mantiene separado de ese control. Guarda la identidad del modelo y el vector junto al registro de origen para que las comparaciones posteriores utilicen una representación coherente.
La guía de embeddings recomienda similaridad del coseno y afirma que los embeddings de OpenAI están normalizados a longitud unitaria. Para esos vectores, un producto escalar puede calcular la similaridad del coseno y la distancia euclidiana da la misma ordenación. Una puntuación de similaridad forma parte de la lógica de recuperación o clasificación de la aplicación, no de una decisión categórica proporcionada automáticamente por el modelo.
Define qué campos de origen se convierten en texto de entrada y cómo deben dividirse los pasajes. Un resultado ilustrativo es un conjunto ordenado de pasajes documentales o registros relacionados, cada uno conectado con su fuente original y la regla utilizada para seleccionarlo. Mantén coherente la preparación y evalúa si el material devuelto aborda la pregunta real. Esto hace que la salida numérica sea útil para el siguiente paso de búsqueda, recomendación o análisis.
POST /v1/embeddingstextembedding| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites text-embedding-ada-002 | Predeterminado— |
Campoinput | Tipostring|string[]|integer[]|integer[][] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 Condiciones: Lote homogéneo no vacío. Los ID de tokens son números enteros no negativos. Presupuesto de entrada: Máximo: 8,192 · Unidad de texto: bytes UTF8 · Unidad de tokens: elementos de un arreglo de tokens | Predeterminado— |
Campoencoding_format | Tipostring | RequisitoOpcional | Valores y límites float | Predeterminadofloat |
Campodimensions | Tipointeger | RequisitoNo compatible | Valores y límites Mínimo: 1 | Predeterminado— |
Campouser | Tipojson_value | RequisitoOpcional | Valores y límites Condiciones: Metadatos JSON opcionales; la semántica exacta del proveedor depende del modelo seleccionado. | Predeterminado— |
Camposession_id | Tipojson_value | RequisitoOpcional | Valores y límites Condiciones: Metadatos JSON opcionales; la semántica exacta del proveedor depende del modelo seleccionado. | Predeterminado— |
Campotrace | Tipojson_value | RequisitoOpcional | Valores y límites Condiciones: Metadatos JSON opcionales; la semántica exacta del proveedor depende del modelo seleccionado. | Predeterminado— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores y límites Condiciones: provider.options rechazado | Predeterminado— |
text_to_embedding
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, input |
Parámetroinput_shapes | Contratostring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parámetroencoding_format | Contratofloat |
Parámetrodimensions_override | Contratofalse |
Parámetromax_input_budget_units | Contrato8192 |
Parámetromultimodal_objects | Contratofalse |
Parámetromaterial_types | Contratotext |
Parámetrotext_file_material | ContratoLee el documento real en UTF-8 y coloca su texto en el campo input indicado o en la cadena de contenido del mensaje. |
Ciclo de vida: synchronous_json
Envía el ID exacto del modelo y los campos obligatorios.
Conserva cada elemento devuelto y sus identificadores originales.
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 $0.0002 / 1K tokens Salida · Tokens de salida $0 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "text-embedding-ada-002",\n "input": [\n "First document",\n "Second document"\n ],\n "encoding_format": "float"\n}set -eu\n: "${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
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva cada vector finito con su índice original. Conserva todas las dimensiones y el objeto de uso completo.
No se incorpora ningún endpoint de tareas de embeddings.
| Campo | Tipo |
|---|---|
Campoobject | Tipostring |
Campomodel | Tipostring |
Campodata[].index | Tipointeger |
Campodata[].embedding | Tipofinite float[] |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra openai/text-embedding-ada-002, text-embedding-ada-002
Usa las rutas de método indicadas arriba.