text-embedding-3-small est le plus petit modèle de plongement textuel de troisième génération d’OpenAI. Il convertit des contenus écrits en vecteurs numériques de 1536 composantes par défaut. Ces vecteurs mesurent les relations entre les textes pour une autre étape de recherche ou d’analyse ; le modèle ne génère pas de réponse conversationnelle à l’entrée.
Comme le plus grand modèle de troisième génération, il prend en charge la commande dimensions du producteur pour des plongements plus courts. L’entraînement est conçu pour conserver des informations représentant les concepts dans un vecteur raccourci, le choix de taille influant sur la qualité et les besoins en ressources de l’application. Gardez le modèle et les dimensions sélectionnées cohérents entre les enregistrements et les requêtes comparés.
Une application concrète est la recherche de code. Le guide du fabricant décrit la représentation de fonctions sources sous forme de texte et leur encodage, puis l’encodage d’une requête en langue naturelle avec le même modèle et la comparaison des vecteurs obtenus. Un résultat illustratif est un ensemble classé de fonctions pertinentes liées à leurs emplacements sources. Pour la recherche documentaire, l’artefact équivalent est un ensemble de passages dont le texte et les références d’origine restent disponibles pour le lecteur ou le modèle suivant.
Les autres usages documentés comprennent le regroupement, les recommandations de contenus liés, la classification, la détection d’éléments atypiques et la mesure de diversité. Un processus de messages ciblé peut regrouper des demandes similaires ou les comparer à des descriptions de catégories. L’application définit comment un résultat de similarité devient une catégorie, une recommandation ou un élément à vérifier ; le plongement lui-même reste constitué de données numériques.
OpenAI spécifie une entrée maximale de 8192 tokens par texte. Son API de plongement accepte des chaînes ou des entrées tokenisées et plusieurs entrées dans une même requête, rejette les chaînes vides et applique une limite cumulée de 300 000 tokens. Préparez les contenus longs sous forme de passages porteurs de sens et conservez les titres ou les définitions nécessaires à leur interprétation. Utilisez un ensemble cohérent de champs sources, plutôt que d’encoder différents types d’enregistrements selon des règles de préparation sans rapport.
Le producteur renvoie des vecteurs à virgule flottante par défaut et documente aussi l’encodage base64. Le guide indique que les plongements OpenAI sont normalisés à une norme unitaire et recommande la similarité cosinus ; un produit scalaire peut la calculer et la distance euclidienne donne le même classement. Si un plongement de troisième génération est raccourci manuellement après son renvoi, normalisez de nouveau ce vecteur raccourci comme le décrit le guide. La commande dimensions évite de faire de la troncature manuelle l’étape habituelle de préparation.
Consignez l’identité du modèle, les dimensions et le lien source avec chaque vecteur. Un artefact utile en aval est une liste classée, une collection regroupée ou un ensemble de caractéristiques de classification reliés au texte qui les a produits. Vérifiez si le matériau sélectionné étaye réellement la tâche et gardez les faits manquants distincts de la proximité sémantique. L’étape suivante peut alors utiliser la représentation pour un processus précis de recherche ou de décision.
", "aboutText": "text-embedding-3-small est le plus petit modèle de plongement textuel de troisième génération d’OpenAI. Il convertit des contenus écrits en vecteurs numériques de 1536 composantes par défaut. Ces vecteurs mesurent les relations entre les textes pour une autre étape de recherche ou d’analyse ; le modèle ne génère pas de réponse conversationnelle à l’entrée.\n\nComme le plus grand modèle de troisième génération, il prend en charge la commande dimensions du producteur pour des plongements plus courts. L’entraînement est conçu pour conserver des informations représentant les concepts dans un vecteur raccourci, le choix de taille influant sur la qualité et les besoins en ressources de l’application. Gardez le modèle et les dimensions sélectionnées cohérents entre les enregistrements et les requêtes comparés.\n\nUne application concrète est la recherche de code. Le guide du fabricant décrit la représentation de fonctions sources sous forme de texte et leur encodage, puis l’encodage d’une requête en langue naturelle avec le même modèle et la comparaison des vecteurs obtenus. Un résultat illustratif est un ensemble classé de fonctions pertinentes liées à leurs emplacements sources. Pour la recherche documentaire, l’artefact équivalent est un ensemble de passages dont le texte et les références d’origine restent disponibles pour le lecteur ou le modèle suivant.\n\nLes autres usages documentés comprennent le regroupement, les recommandations de contenus liés, la classification, la détection d’éléments atypiques et la mesure de diversité. Un processus de messages ciblé peut regrouper des demandes similaires ou les comparer à des descriptions de catégories. L’application définit comment un résultat de similarité devient une catégorie, une recommandation ou un élément à vérifier ; le plongement lui-même reste constitué de données numériques.\n\nOpenAI spécifie une entrée maximale de 8192 tokens par texte. Son API de plongement accepte des chaînes ou des entrées tokenisées et plusieurs entrées dans une même requête, rejette les chaînes vides et applique une limite cumulée de 300 000 tokens. Préparez les contenus longs sous forme de passages porteurs de sens et conservez les titres ou les définitions nécessaires à leur interprétation. Utilisez un ensemble cohérent de champs sources, plutôt que d’encoder différents types d’enregistrements selon des règles de préparation sans rapport.\n\nLe producteur renvoie des vecteurs à virgule flottante par défaut et documente aussi l’encodage base64. Le guide indique que les plongements OpenAI sont normalisés à une norme unitaire et recommande la similarité cosinus ; un produit scalaire peut la calculer et la distance euclidienne donne le même classement. Si un plongement de troisième génération est raccourci manuellement après son renvoi, normalisez de nouveau ce vecteur raccourci comme le décrit le guide. La commande dimensions évite de faire de la troncature manuelle l’étape habituelle de préparation.\n\nConsignez l’identité du modèle, les dimensions et le lien source avec chaque vecteur. Un artefact utile en aval est une liste classée, une collection regroupée ou un ensemble de caractéristiques de classification reliés au texte qui les a produits. Vérifiez si le matériau sélectionné étaye réellement la tâche et gardez les faits manquants distincts de la proximité sémantique. L’étape suivante peut alors utiliser la représentation pour un processus précis de recherche ou de décision.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "404cf1ed9d4206db4c0438d014210668bbdd1b0a67a081a27aae5a567b040b10", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-be", "methods": [ { "html": "openai/text-embedding-3-smallLe petit modèle de plongement textuel de troisième génération d’OpenAI renvoie des vecteurs de 1536 dimensions par défaut et prend en charge des représentations plus courtes. Utilisez la sortie numérique pour la recherche sémantique, la recherche de code, le regroupement, les recommandations et la classification.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
text-embedding-3-small est le plus petit modèle de plongement textuel de troisième génération d’OpenAI. Il convertit des contenus écrits en vecteurs numériques de 1536 composantes par défaut. Ces vecteurs mesurent les relations entre les textes pour une autre étape de recherche ou d’analyse ; le modèle ne génère pas de réponse conversationnelle à l’entrée.
Comme le plus grand modèle de troisième génération, il prend en charge la commande dimensions du producteur pour des plongements plus courts. L’entraînement est conçu pour conserver des informations représentant les concepts dans un vecteur raccourci, le choix de taille influant sur la qualité et les besoins en ressources de l’application. Gardez le modèle et les dimensions sélectionnées cohérents entre les enregistrements et les requêtes comparés.
Une application concrète est la recherche de code. Le guide du fabricant décrit la représentation de fonctions sources sous forme de texte et leur encodage, puis l’encodage d’une requête en langue naturelle avec le même modèle et la comparaison des vecteurs obtenus. Un résultat illustratif est un ensemble classé de fonctions pertinentes liées à leurs emplacements sources. Pour la recherche documentaire, l’artefact équivalent est un ensemble de passages dont le texte et les références d’origine restent disponibles pour le lecteur ou le modèle suivant.
Les autres usages documentés comprennent le regroupement, les recommandations de contenus liés, la classification, la détection d’éléments atypiques et la mesure de diversité. Un processus de messages ciblé peut regrouper des demandes similaires ou les comparer à des descriptions de catégories. L’application définit comment un résultat de similarité devient une catégorie, une recommandation ou un élément à vérifier ; le plongement lui-même reste constitué de données numériques.
OpenAI spécifie une entrée maximale de 8192 tokens par texte. Son API de plongement accepte des chaînes ou des entrées tokenisées et plusieurs entrées dans une même requête, rejette les chaînes vides et applique une limite cumulée de 300 000 tokens. Préparez les contenus longs sous forme de passages porteurs de sens et conservez les titres ou les définitions nécessaires à leur interprétation. Utilisez un ensemble cohérent de champs sources, plutôt que d’encoder différents types d’enregistrements selon des règles de préparation sans rapport.
Le producteur renvoie des vecteurs à virgule flottante par défaut et documente aussi l’encodage base64. Le guide indique que les plongements OpenAI sont normalisés à une norme unitaire et recommande la similarité cosinus ; un produit scalaire peut la calculer et la distance euclidienne donne le même classement. Si un plongement de troisième génération est raccourci manuellement après son renvoi, normalisez de nouveau ce vecteur raccourci comme le décrit le guide. La commande dimensions évite de faire de la troncature manuelle l’étape habituelle de préparation.
Consignez l’identité du modèle, les dimensions et le lien source avec chaque vecteur. Un artefact utile en aval est une liste classée, une collection regroupée ou un ensemble de caractéristiques de classification reliés au texte qui les a produits. Vérifiez si le matériau sélectionné étaye réellement la tâche et gardez les faits manquants distincts de la proximité sémantique. L’étape suivante peut alors utiliser la représentation pour un processus précis de recherche ou de décision.
POST /v1/embeddingstext, token_idsembedding| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites openai/text-embedding-3-small | Par défaut— |
Champinput | Typestring|string[]|integer[]|integer[][] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 Conditions: Lot homogène non vide. Les identifiants de jetons sont des entiers positifs ou nuls. Budget d’entrée : Maximum: 8 192 · Unité de texte: octets UTF8 · Unité de tokens: éléments du tableau de tokens | Par défaut— |
Champencoding_format | Typestring | ExigenceFacultatif | Valeurs et limites float | Par défautfloat |
Champdimensions | Typeinteger | ExigenceNon pris en charge | Valeurs et limites Minimum: 1 | Par défaut— |
Champuser | Typejson_value | ExigenceFacultatif | Valeurs et limites Conditions: Le code source autorise ce champ de métadonnées JSON ; sa sémantique exacte en amont dépend du modèle. | Par défaut— |
Champsession_id | Typejson_value | ExigenceFacultatif | Valeurs et limites Conditions: Le code source autorise ce champ de métadonnées JSON ; sa sémantique exacte en amont dépend du modèle. | Par défaut— |
Champtrace | Typejson_value | ExigenceFacultatif | Valeurs et limites Conditions: Le code source autorise ce champ de métadonnées JSON ; sa sémantique exacte en amont dépend du modèle. | Par défaut— |
Champprovider | Typeobject | ExigenceFacultatif | Valeurs et limites Conditions: provider.options est refusé | Par défaut— |
text_to_embedding
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, input |
Paramètreinput_shapes | Contratstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Paramètreencoding_format | Contratfloat |
Paramètredimensions_override | Contratfalse |
Paramètremax_input_budget_units | Contrat8192 |
Paramètremultimodal_objects | Contratfalse |
Paramètrematerial_types | Contrattext, token_ids |
Cycle de vie : synchronous_json
Conservez tous les indices et toutes les dimensions des vecteurs.
Un nom de modèle multimodal n’autorise pas les objets image sur ce chemin précis.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.00004 / 1K tokens Sortie · Tokens en sortie $0 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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-small", "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-small',input=["First document","Second document"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\njson
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque vecteur avec son indice. Le nombre de vecteurs doit être égal au nombre d’entrées ; les dimensions doivent être cohérentes.
Aucun point de terminaison dédié aux tâches d’embedding n’est ajouté.
| Champ | Type |
|---|---|
Champobject | Typestring |
Champmodel | Typestring |
Champdata[].index | Typeinteger |
Champdata[].embedding | Typefinite float[] |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra openai/text-embedding-3-small, text-embedding-3-small
Utilisez les chemins de méthode indiqués ci-dessus.
text-embedding-3-smallLe petit modèle de plongement textuel de troisième génération d’OpenAI renvoie des vecteurs de 1536 dimensions par défaut et prend en charge des représentations plus courtes. Utilisez la sortie numérique pour la recherche sémantique, la recherche de code, le regroupement, les recommandations et la classification.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
text-embedding-3-small est le plus petit modèle de plongement textuel de troisième génération d’OpenAI. Il convertit des contenus écrits en vecteurs numériques de 1536 composantes par défaut. Ces vecteurs mesurent les relations entre les textes pour une autre étape de recherche ou d’analyse ; le modèle ne génère pas de réponse conversationnelle à l’entrée.
Comme le plus grand modèle de troisième génération, il prend en charge la commande dimensions du producteur pour des plongements plus courts. L’entraînement est conçu pour conserver des informations représentant les concepts dans un vecteur raccourci, le choix de taille influant sur la qualité et les besoins en ressources de l’application. Gardez le modèle et les dimensions sélectionnées cohérents entre les enregistrements et les requêtes comparés.
Une application concrète est la recherche de code. Le guide du fabricant décrit la représentation de fonctions sources sous forme de texte et leur encodage, puis l’encodage d’une requête en langue naturelle avec le même modèle et la comparaison des vecteurs obtenus. Un résultat illustratif est un ensemble classé de fonctions pertinentes liées à leurs emplacements sources. Pour la recherche documentaire, l’artefact équivalent est un ensemble de passages dont le texte et les références d’origine restent disponibles pour le lecteur ou le modèle suivant.
Les autres usages documentés comprennent le regroupement, les recommandations de contenus liés, la classification, la détection d’éléments atypiques et la mesure de diversité. Un processus de messages ciblé peut regrouper des demandes similaires ou les comparer à des descriptions de catégories. L’application définit comment un résultat de similarité devient une catégorie, une recommandation ou un élément à vérifier ; le plongement lui-même reste constitué de données numériques.
OpenAI spécifie une entrée maximale de 8192 tokens par texte. Son API de plongement accepte des chaînes ou des entrées tokenisées et plusieurs entrées dans une même requête, rejette les chaînes vides et applique une limite cumulée de 300 000 tokens. Préparez les contenus longs sous forme de passages porteurs de sens et conservez les titres ou les définitions nécessaires à leur interprétation. Utilisez un ensemble cohérent de champs sources, plutôt que d’encoder différents types d’enregistrements selon des règles de préparation sans rapport.
Le producteur renvoie des vecteurs à virgule flottante par défaut et documente aussi l’encodage base64. Le guide indique que les plongements OpenAI sont normalisés à une norme unitaire et recommande la similarité cosinus ; un produit scalaire peut la calculer et la distance euclidienne donne le même classement. Si un plongement de troisième génération est raccourci manuellement après son renvoi, normalisez de nouveau ce vecteur raccourci comme le décrit le guide. La commande dimensions évite de faire de la troncature manuelle l’étape habituelle de préparation.
Consignez l’identité du modèle, les dimensions et le lien source avec chaque vecteur. Un artefact utile en aval est une liste classée, une collection regroupée ou un ensemble de caractéristiques de classification reliés au texte qui les a produits. Vérifiez si le matériau sélectionné étaye réellement la tâche et gardez les faits manquants distincts de la proximité sémantique. L’étape suivante peut alors utiliser la représentation pour un processus précis de recherche ou de décision.
POST /v1/embeddingstextembedding| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites text-embedding-3-small | Par défaut— |
Champinput | Typestring|string[]|integer[]|integer[][] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 Conditions: Lot homogène non vide. Les identifiants de jetons sont des entiers positifs ou nuls. Budget d’entrée : Maximum: 8 192 · Unité de texte: octets UTF8 · Unité de tokens: éléments du tableau de tokens | Par défaut— |
Champencoding_format | Typestring | ExigenceFacultatif | Valeurs et limites float | Par défautfloat |
Champdimensions | Typeinteger | ExigenceNon pris en charge | Valeurs et limites Minimum: 1 | Par défaut— |
Champuser | Typejson_value | ExigenceFacultatif | Valeurs et limites Conditions: Métadonnées JSON facultatives ; la sémantique exacte en amont dépend du modèle sélectionné. | Par défaut— |
Champsession_id | Typejson_value | ExigenceFacultatif | Valeurs et limites Conditions: Métadonnées JSON facultatives ; la sémantique exacte en amont dépend du modèle sélectionné. | Par défaut— |
Champtrace | Typejson_value | ExigenceFacultatif | Valeurs et limites Conditions: Métadonnées JSON facultatives ; la sémantique exacte en amont dépend du modèle sélectionné. | Par défaut— |
Champprovider | Typeobject | ExigenceFacultatif | Valeurs et limites Conditions: provider.options est refusé | Par défaut— |
text_to_embedding
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, input |
Paramètreinput_shapes | Contratstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Paramètreencoding_format | Contratfloat |
Paramètredimensions_override | Contratfalse |
Paramètremax_input_budget_units | Contrat8192 |
Paramètremultimodal_objects | Contratfalse |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_json
Envoyez l’ID exact du modèle et les champs obligatoires.
Conservez chaque élément renvoyé et ses identifiants d’origine.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.00004 / 1K tokens Sortie · Tokens en sortie $0 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "text-embedding-3-small",\n "input": [\n "First document",\n "Second document"\n ],\n "encoding_format": "float"\n}set -eu\n: "${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-small', '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-small', '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
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque vecteur aux valeurs finies avec son index d’origine. Préservez toutes les dimensions et l’objet usage complet.
Aucun point de terminaison dédié aux tâches d’embedding n’est ajouté.
| Champ | Type |
|---|---|
Champobject | Typestring |
Champmodel | Typestring |
Champdata[].index | Typeinteger |
Champdata[].embedding | Typefinite float[] |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra openai/text-embedding-3-small, text-embedding-3-small
Utilisez les chemins de méthode indiqués ci-dessus.