text-embedding-3-large es el modelo más grande de embeddings textuales de tercera generación de OpenAI para tareas en inglés y otros idiomas. Asigna al material escrito un vector numérico y devuelve 3072 componentes por defecto. El vector representa relaciones en el contenido proporcionado; un proceso de recuperación o clasificación lo utiliza para seleccionar material o tomar otra decisión.
Los modelos de tercera generación están entrenados para admitir representaciones más cortas mediante el control dimensions del productor. El fabricante da 1024 dimensiones como ejemplo cuando un almacén vectorial exige ese tamaño. Un vector más corto reduce la cantidad de datos que se deben almacenar y comparar, mientras que cambiar la representación puede afectar a la calidad de recuperación. Elige el tamaño según los requisitos de la aplicación y utiliza esa misma elección para el corpus y sus consultas.
Un flujo ilustrativo de búsqueda documental divide el material de origen en pasajes significativos, conserva sus identificadores y obtiene vectores para cada pasaje. Se genera el embedding de una pregunta utilizando el mismo modelo y dimensiones y después se compara con los vectores de los pasajes. La aplicación aporta filtros, selecciona los resultados ordenados y muestra sus referencias de origen. Un modelo posterior de generación de texto puede desarrollar una respuesta a partir del material recuperado; el resultado del modelo de embeddings sigue siendo un conjunto de datos numéricos.
Otras aplicaciones documentadas incluyen búsqueda de código o texto, agrupación de registros similares, recomendaciones de contenido relacionado, clasificación, detección de anomalías y medición de diversidad en una colección. Para una recomendación, describe los objetos con los términos pertinentes para la relación. Para clasificación, compara con representaciones de categorías o utiliza los vectores como características de un clasificador. Define la regla que convierte la similaridad en el resultado que necesita el producto.
OpenAI indica una entrada máxima de 8192 tokens por texto. La API de embeddings acepta cadenas o texto tokenizado, admite varias entradas y rechaza cadenas vacías. También impone un límite agregado de 300.000 tokens por solicitud. Un documento largo debe dividirse manteniendo intactos sus límites significativos y su contexto y conservando cada vector conectado con su pasaje de origen.
El productor documenta vectores float como salida predeterminada y base64 como codificación alternativa. La guía recomienda similaridad del coseno y afirma que los embeddings de OpenAI están normalizados a longitud unitaria, lo que permite utilizar un producto escalar para la similaridad del coseno y ordenaciones equivalentes con distancia euclídea. Si un vector de tercera generación se acorta manualmente después de generarse, el fabricante indica que la aplicación debe normalizar de nuevo el vector acortado; utilizar el control dimensions es la vía recomendada.
Prepara una representación textual coherente y registra el modelo, las dimensiones y el identificador de origen. Un artefacto final útil es un conjunto ordenado de pasajes, elementos relacionados o registros agrupados cuya regla de selección sea explícita. Evalúa si el resultado responde a la consulta y conserva la evidencia de origen para la siguiente etapa, en lugar de tratar la similaridad vectorial como verificación de las afirmaciones factuales de un registro.
", "aboutText": "text-embedding-3-large es el modelo más grande de embeddings textuales de tercera generación de OpenAI para tareas en inglés y otros idiomas. Asigna al material escrito un vector numérico y devuelve 3072 componentes por defecto. El vector representa relaciones en el contenido proporcionado; un proceso de recuperación o clasificación lo utiliza para seleccionar material o tomar otra decisión.\n\nLos modelos de tercera generación están entrenados para admitir representaciones más cortas mediante el control dimensions del productor. El fabricante da 1024 dimensiones como ejemplo cuando un almacén vectorial exige ese tamaño. Un vector más corto reduce la cantidad de datos que se deben almacenar y comparar, mientras que cambiar la representación puede afectar a la calidad de recuperación. Elige el tamaño según los requisitos de la aplicación y utiliza esa misma elección para el corpus y sus consultas.\n\nUn flujo ilustrativo de búsqueda documental divide el material de origen en pasajes significativos, conserva sus identificadores y obtiene vectores para cada pasaje. Se genera el embedding de una pregunta utilizando el mismo modelo y dimensiones y después se compara con los vectores de los pasajes. La aplicación aporta filtros, selecciona los resultados ordenados y muestra sus referencias de origen. Un modelo posterior de generación de texto puede desarrollar una respuesta a partir del material recuperado; el resultado del modelo de embeddings sigue siendo un conjunto de datos numéricos.\n\nOtras aplicaciones documentadas incluyen búsqueda de código o texto, agrupación de registros similares, recomendaciones de contenido relacionado, clasificación, detección de anomalías y medición de diversidad en una colección. Para una recomendación, describe los objetos con los términos pertinentes para la relación. Para clasificación, compara con representaciones de categorías o utiliza los vectores como características de un clasificador. Define la regla que convierte la similaridad en el resultado que necesita el producto.\n\nOpenAI indica una entrada máxima de 8192 tokens por texto. La API de embeddings acepta cadenas o texto tokenizado, admite varias entradas y rechaza cadenas vacías. También impone un límite agregado de 300.000 tokens por solicitud. Un documento largo debe dividirse manteniendo intactos sus límites significativos y su contexto y conservando cada vector conectado con su pasaje de origen.\n\nEl productor documenta vectores float como salida predeterminada y base64 como codificación alternativa. La guía recomienda similaridad del coseno y afirma que los embeddings de OpenAI están normalizados a longitud unitaria, lo que permite utilizar un producto escalar para la similaridad del coseno y ordenaciones equivalentes con distancia euclídea. Si un vector de tercera generación se acorta manualmente después de generarse, el fabricante indica que la aplicación debe normalizar de nuevo el vector acortado; utilizar el control dimensions es la vía recomendada.\n\nPrepara una representación textual coherente y registra el modelo, las dimensiones y el identificador de origen. Un artefacto final útil es un conjunto ordenado de pasajes, elementos relacionados o registros agrupados cuya regla de selección sea explícita. Evalúa si el resultado responde a la consulta y conserva la evidencia de origen para la siguiente etapa, en lugar de tratar la similaridad vectorial como verificación de las afirmaciones factuales de un registro.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "534268a02844acc304f747797288c57503d3156d9a475168af1124f7f3ba8ac8", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es", "methods": [ { "html": "openai/text-embedding-3-largeEl modelo más grande de embeddings textuales de tercera generación de OpenAI devuelve vectores de 3072 dimensiones por defecto, con un control del productor para representaciones más cortas. Utilízalo para recuperación semántica, comparación multilingüe y flujos de contenido relacionado o clasificación.
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-3-large es el modelo más grande de embeddings textuales de tercera generación de OpenAI para tareas en inglés y otros idiomas. Asigna al material escrito un vector numérico y devuelve 3072 componentes por defecto. El vector representa relaciones en el contenido proporcionado; un proceso de recuperación o clasificación lo utiliza para seleccionar material o tomar otra decisión.
Los modelos de tercera generación están entrenados para admitir representaciones más cortas mediante el control dimensions del productor. El fabricante da 1024 dimensiones como ejemplo cuando un almacén vectorial exige ese tamaño. Un vector más corto reduce la cantidad de datos que se deben almacenar y comparar, mientras que cambiar la representación puede afectar a la calidad de recuperación. Elige el tamaño según los requisitos de la aplicación y utiliza esa misma elección para el corpus y sus consultas.
Un flujo ilustrativo de búsqueda documental divide el material de origen en pasajes significativos, conserva sus identificadores y obtiene vectores para cada pasaje. Se genera el embedding de una pregunta utilizando el mismo modelo y dimensiones y después se compara con los vectores de los pasajes. La aplicación aporta filtros, selecciona los resultados ordenados y muestra sus referencias de origen. Un modelo posterior de generación de texto puede desarrollar una respuesta a partir del material recuperado; el resultado del modelo de embeddings sigue siendo un conjunto de datos numéricos.
Otras aplicaciones documentadas incluyen búsqueda de código o texto, agrupación de registros similares, recomendaciones de contenido relacionado, clasificación, detección de anomalías y medición de diversidad en una colección. Para una recomendación, describe los objetos con los términos pertinentes para la relación. Para clasificación, compara con representaciones de categorías o utiliza los vectores como características de un clasificador. Define la regla que convierte la similaridad en el resultado que necesita el producto.
OpenAI indica una entrada máxima de 8192 tokens por texto. La API de embeddings acepta cadenas o texto tokenizado, admite varias entradas y rechaza cadenas vacías. También impone un límite agregado de 300.000 tokens por solicitud. Un documento largo debe dividirse manteniendo intactos sus límites significativos y su contexto y conservando cada vector conectado con su pasaje de origen.
El productor documenta vectores float como salida predeterminada y base64 como codificación alternativa. La guía recomienda similaridad del coseno y afirma que los embeddings de OpenAI están normalizados a longitud unitaria, lo que permite utilizar un producto escalar para la similaridad del coseno y ordenaciones equivalentes con distancia euclídea. Si un vector de tercera generación se acorta manualmente después de generarse, el fabricante indica que la aplicación debe normalizar de nuevo el vector acortado; utilizar el control dimensions es la vía recomendada.
Prepara una representación textual coherente y registra el modelo, las dimensiones y el identificador de origen. Un artefacto final útil es un conjunto ordenado de pasajes, elementos relacionados o registros agrupados cuya regla de selección sea explícita. Evalúa si el resultado responde a la consulta y conserva la evidencia de origen para la siguiente etapa, en lugar de tratar la similaridad vectorial como verificación de las afirmaciones factuales de un registro.
POST /v1/embeddingstext, token_idsembedding| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites openai/text-embedding-3-large | 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: 8192 · Unidad de texto: bytes UTF8 · Unidad de tokens: elementos de un array 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: Source permite este campo de metadatos JSON; su semántica exacta en el proveedor depende de cada modelo. | Predeterminado— |
Camposession_id | Tipojson_value | RequisitoOpcional | Valores y límites Condiciones: Source permite este campo de metadatos JSON; su semántica exacta en el proveedor depende de cada modelo. | Predeterminado— |
Campotrace | Tipojson_value | RequisitoOpcional | Valores y límites Condiciones: Source permite este campo de metadatos JSON; su semántica exacta en el proveedor depende de cada modelo. | Predeterminado— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores y límites Condiciones: provider.options se rechaza | 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.
Que el modelo tenga un nombre multimodal no permite enviar objetos de imagen por esta ruta concreta.
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 $0.00026 / 1K tokens Salida · Tokens de salida $0 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${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-3-large", "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-3-large',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. El número de vectores debe coincidir con el número de entradas; las dimensiones deben ser coherentes.
No se introduce ningún endpoint de trabajos 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-3-large, text-embedding-3-large
Usa las rutas de método indicadas arriba.
text-embedding-3-largeEl modelo más grande de embeddings textuales de tercera generación de OpenAI devuelve vectores de 3072 dimensiones por defecto, con un control del productor para representaciones más cortas. Utilízalo para recuperación semántica, comparación multilingüe y flujos de contenido relacionado o clasificación.
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-3-large es el modelo más grande de embeddings textuales de tercera generación de OpenAI para tareas en inglés y otros idiomas. Asigna al material escrito un vector numérico y devuelve 3072 componentes por defecto. El vector representa relaciones en el contenido proporcionado; un proceso de recuperación o clasificación lo utiliza para seleccionar material o tomar otra decisión.
Los modelos de tercera generación están entrenados para admitir representaciones más cortas mediante el control dimensions del productor. El fabricante da 1024 dimensiones como ejemplo cuando un almacén vectorial exige ese tamaño. Un vector más corto reduce la cantidad de datos que se deben almacenar y comparar, mientras que cambiar la representación puede afectar a la calidad de recuperación. Elige el tamaño según los requisitos de la aplicación y utiliza esa misma elección para el corpus y sus consultas.
Un flujo ilustrativo de búsqueda documental divide el material de origen en pasajes significativos, conserva sus identificadores y obtiene vectores para cada pasaje. Se genera el embedding de una pregunta utilizando el mismo modelo y dimensiones y después se compara con los vectores de los pasajes. La aplicación aporta filtros, selecciona los resultados ordenados y muestra sus referencias de origen. Un modelo posterior de generación de texto puede desarrollar una respuesta a partir del material recuperado; el resultado del modelo de embeddings sigue siendo un conjunto de datos numéricos.
Otras aplicaciones documentadas incluyen búsqueda de código o texto, agrupación de registros similares, recomendaciones de contenido relacionado, clasificación, detección de anomalías y medición de diversidad en una colección. Para una recomendación, describe los objetos con los términos pertinentes para la relación. Para clasificación, compara con representaciones de categorías o utiliza los vectores como características de un clasificador. Define la regla que convierte la similaridad en el resultado que necesita el producto.
OpenAI indica una entrada máxima de 8192 tokens por texto. La API de embeddings acepta cadenas o texto tokenizado, admite varias entradas y rechaza cadenas vacías. También impone un límite agregado de 300.000 tokens por solicitud. Un documento largo debe dividirse manteniendo intactos sus límites significativos y su contexto y conservando cada vector conectado con su pasaje de origen.
El productor documenta vectores float como salida predeterminada y base64 como codificación alternativa. La guía recomienda similaridad del coseno y afirma que los embeddings de OpenAI están normalizados a longitud unitaria, lo que permite utilizar un producto escalar para la similaridad del coseno y ordenaciones equivalentes con distancia euclídea. Si un vector de tercera generación se acorta manualmente después de generarse, el fabricante indica que la aplicación debe normalizar de nuevo el vector acortado; utilizar el control dimensions es la vía recomendada.
Prepara una representación textual coherente y registra el modelo, las dimensiones y el identificador de origen. Un artefacto final útil es un conjunto ordenado de pasajes, elementos relacionados o registros agrupados cuya regla de selección sea explícita. Evalúa si el resultado responde a la consulta y conserva la evidencia de origen para la siguiente etapa, en lugar de tratar la similaridad vectorial como verificación de las afirmaciones factuales de un registro.
POST /v1/embeddingstextembedding| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites text-embedding-3-large | 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: 8192 · Unidad de texto: bytes UTF8 · Unidad de tokens: elementos de un array 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 se rechaza | 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 todos los elementos devueltos 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 $0.00026 / 1K tokens Salida · Tokens de salida $0 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "text-embedding-3-large",\n "input": [\n "First document",\n "Second document"\n ],\n "encoding_format": "float"\n}set -eu\n: "${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-3-large', '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-3-large', '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 todos los vectores finitos con su índice original. Preserva todas las dimensiones y el objeto de uso completo.
No se introduce ningún endpoint de trabajos 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-3-large, text-embedding-3-large
Usa las rutas de método indicadas arriba.