models

OpenAI: Text Embedding Ada 002

Markdown · JSON

OpenAI: Text Embedding Ada 002

Un modèle de plongement textuel d’OpenAI qui renvoie un vecteur numérique de 1536 dimensions. Utilisez ces représentations pour la recherche sémantique, les recommandations de contenus liés, le regroupement, la classification ou la détection d’enregistrements textuels inhabituels.

À propos du modèle

Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.

text-embedding-ada-002 est le modèle de plongement textuel d’OpenAI pour représenter des contenus écrits sous forme de vecteur numérique. Sa sortie contient 1536 composantes. Le fabricant réunit les rôles de similarité textuelle, de recherche documentaire et de requêtes, et de recherche de code dans une même représentation. Le résultat est constitué de données pour une comparaison ou un autre algorithme, plutôt que d’une réponse générée au texte encodé.

Pour la recherche sémantique, préparez des passages documentaires porteurs de sens et conservez leurs identifiants sources. Un processus illustratif encode chaque passage et la question de l’utilisateur avec le même modèle, compare les vecteurs et renvoie les passages sources pertinents. L’application détermine la règle de recherche, les filtres et la présentation. Une étape ultérieure de génération textuelle peut utiliser les matériaux retrouvés pour élaborer une réponse, tandis que le modèle de plongement fournit la représentation numérique.

Les autres usages documentés comprennent le regroupement d’enregistrements similaires, la recommandation de contenus liés, la classification de textes et l’identification de valeurs atypiques. Pour une recommandation, comparez les descriptions des objets dont la relation importe. Pour la classification, le guide décrit la comparaison avec des représentations de catégories ou l’utilisation des vecteurs comme caractéristiques d’un classificateur. Pour la détection d’anomalies, le résultat pertinent est un enregistrement qui diffère de la collection environnante, interprété selon la tâche du produit.

OpenAI indique une entrée maximale de 8192 tokens pour ce modèle. L’API de plongement du producteur accepte des chaînes de texte ou des entrées tokenisées, autorise plusieurs entrées dans une même requête et rejette les chaînes vides. Sa limite cumulée est de 300 000 tokens sur une seule requête, en plus de la limite par entrée. Divisez les documents plus longs en passages utiles en préservant les titres, les définitions et la référence au matériau d’origine.

La sortie est un vecteur de valeurs à virgule flottante ; le producteur documente aussi base64 comme un encodage de transport alternatif. Le paramètre de réduction de dimension d’OpenAI concerne les modèles de plongement de troisième génération et les suivants ; le résultat documenté de 1536 dimensions du modèle Ada reste donc distinct de cette commande. Stockez l’identité du modèle et le vecteur avec l’enregistrement source afin que les comparaisons ultérieures utilisent une représentation cohérente.

Le guide de plongement recommande la similarité cosinus et indique que les plongements OpenAI sont normalisés à une norme unitaire. Pour ces vecteurs, un produit scalaire peut calculer la similarité cosinus et la distance euclidienne donne le même classement. Un score de similarité fait partie de la logique de recherche ou de classification de l’application, plutôt que d’une décision catégorielle fournie automatiquement par le modèle.

Définissez les champs sources qui deviennent le texte d’entrée et la manière de diviser les passages. Un résultat illustratif est un ensemble classé de passages documentaires ou d’enregistrements liés, chacun relié à sa source d’origine et à la règle utilisée pour la sélection. Gardez une préparation cohérente et évaluez si le matériau renvoyé répond à la question réelle. Cela rend la sortie numérique utile à l’étape suivante de recherche, de recommandation ou d’analyse.

Ailoot Ultra · Embeddings POST /v1/embeddings openai/text-embedding-ada-002

openai/text-embedding-ada-002

OpenAI /openai/text-embedding-ada-002
ID du modèle
  • openai/text-embedding-ada-002
  • text-embedding-ada-002

Premiers pas

Un modèle de plongement textuel d’OpenAI qui renvoie un vecteur numérique de 1536 dimensions. Utilisez ces représentations pour la recherche sémantique, les recommandations de contenus liés, le regroupement, la classification ou la détection d’enregistrements textuels inhabituels.

Entrées acceptées
Texte · token_ids
Résultats
embedding

Disponible dans Ailoot · entrées et méthodes

Ailoot Ultra · Embeddings POST /v1/embeddings
Entrée
text, token_ids
Sortie
embedding
Contexte
8'192 tokens
Format de sortie
json
ChampTypeExigenceValeurs et limitesPar défaut
ChampmodelTypestringExigenceObligatoireValeurs et limites
openai/text-embedding-ada-002
Par défaut—
ChampinputTypestring|string[]|integer[]|integer[][]ExigenceObligatoireValeurs 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 jetons
Par défaut—
Champencoding_formatTypestringExigenceFacultatifValeurs et limites
float
Par défautfloat
ChampdimensionsTypeintegerExigenceNon pris en chargeValeurs et limites
Minimum: 1
Par défaut—
ChampuserTypejson_valueExigenceFacultatifValeurs et limites
Conditions: La source autorise ce champ de métadonnées JSON ; sa sémantique exacte en amont dépend du modèle.
Par défaut—
Champsession_idTypejson_valueExigenceFacultatifValeurs et limites
Conditions: La source autorise ce champ de métadonnées JSON ; sa sémantique exacte en amont dépend du modèle.
Par défaut—
ChamptraceTypejson_valueExigenceFacultatifValeurs et limites
Conditions: La source autorise ce champ de métadonnées JSON ; sa sémantique exacte en amont dépend du modèle.
Par défaut—
ChampproviderTypeobjectExigenceFacultatifValeurs et limites
Conditions: provider.options est refusé
Par défaut—
Combinaisons d’éléments d’entrée

text_to_embedding

Paramètres et cycle de vie de la méthode
ParamètreContrat
Paramètrecontent_typeContratapplication/json
ParamètrerequiredContratmodel, input
Paramètreinput_shapesContratstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[]
Paramètreencoding_formatContratfloat
Paramètredimensions_overrideContratfalse
Paramètremax_input_budget_unitsContrat8192
Paramètremultimodal_objectsContratfalse
Paramètrematerial_typesContrattext, 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.

Tarifs

Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.

Mode rapide
Tarif standard Lorsque le mode rapide est sélectionné
Mode Flex
Tarif standard Lorsque le mode flex est sélectionné
Effort de raisonnement maximal
Tarif standard Lorsque l’effort de raisonnement maximal utilise l’ajustement par défaut (default)

Tarifs Ailoot

Prix par configuration

ConfigurationBarème tarifaireCoût
ConfigurationTarifs de base des tokensBarème tarifaireTarif de baseCoût
Entrée · Tokens en entrée $0.0002 / 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 →

Exemples de requêtes

Ailoot Ultra · Embeddings

curlPython SDK
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "openai/text-embedding-ada-002", "input": ["First document", "Second document"]}')

Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
r=json.loads(Path("result.json").read_text())
for x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))
PY_RESULT
from openai import OpenAI
import os

client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)
result=client.embeddings.create(model='openai/text-embedding-ada-002',input=["First document","Second document"])
print(result)
for item in result.data:print(item.index,item.embedding)

Recevoir et enregistrer les résultats

Ailoot Ultra · Embeddings

json

Conserver tous les résultats terminés

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.

Si la réponse d’origine doit être vérifiée

Aucun point de terminaison dédié aux tâches d’embedding n’est ajouté.

Champs de la réponse
ChampType
ChampobjectTypestring
ChampmodelTypestring
Champdata[].indexTypeinteger
Champdata[].embeddingTypefinite float[]
ChampusageTypeobject
Erreurs et étapes suivantes
RéponseConditionÉtape suivante
Réponse400 · invalid_request_errorConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non validesÉtape suivanteCorrigez les champs indiqués avant une nouvelle requête de création.

Alias

Alias du modèle

Ailoot Ultra openai/text-embedding-ada-002, text-embedding-ada-002

Alias des chemins de méthode

Utilisez les chemins de méthode indiqués ci-dessus.

ID d’appel associés

openai/text-embedding-ada-002, text-embedding-ada-002

Ailoot Ultra · Plongements vectoriels · text-embedding-ada-002 POST /v1/embeddings text-embedding-ada-002

text-embedding-ada-002

OpenAI /text-embedding-ada-002
ID du modèle
  • openai/text-embedding-ada-002
  • text-embedding-ada-002

Premiers pas

Un modèle de plongement textuel d’OpenAI qui renvoie un vecteur numérique de 1536 dimensions. Utilisez ces représentations pour la recherche sémantique, les recommandations de contenus liés, le regroupement, la classification ou la détection d’enregistrements textuels inhabituels.

Entrées acceptées
Texte
Résultats
embedding

Disponible dans Ailoot · entrées et méthodes

Ailoot Ultra · Plongements vectoriels · text-embedding-ada-002 POST /v1/embeddings
Entrée
text
Sortie
embedding
Contexte
8'192 tokens
Format de sortie
json
ChampTypeExigenceValeurs et limitesPar défaut
ChampmodelTypestringExigenceObligatoireValeurs et limites
text-embedding-ada-002
Par défaut—
ChampinputTypestring|string[]|integer[]|integer[][]ExigenceObligatoireValeurs 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 jetons
Par défaut—
Champencoding_formatTypestringExigenceFacultatifValeurs et limites
float
Par défautfloat
ChampdimensionsTypeintegerExigenceNon pris en chargeValeurs et limites
Minimum: 1
Par défaut—
ChampuserTypejson_valueExigenceFacultatifValeurs et limites
Conditions: Métadonnées JSON facultatives ; leur sémantique exacte en amont dépend du modèle sélectionné.
Par défaut—
Champsession_idTypejson_valueExigenceFacultatifValeurs et limites
Conditions: Métadonnées JSON facultatives ; leur sémantique exacte en amont dépend du modèle sélectionné.
Par défaut—
ChamptraceTypejson_valueExigenceFacultatifValeurs et limites
Conditions: Métadonnées JSON facultatives ; leur sémantique exacte en amont dépend du modèle sélectionné.
Par défaut—
ChampproviderTypeobjectExigenceFacultatifValeurs et limites
Conditions: provider.options est refusé
Par défaut—
Combinaisons d’éléments d’entrée

text_to_embedding

Paramètres et cycle de vie de la méthode
ParamètreContrat
Paramètrecontent_typeContratapplication/json
ParamètrerequiredContratmodel, input
Paramètreinput_shapesContratstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[]
Paramètreencoding_formatContratfloat
Paramètredimensions_overrideContratfalse
Paramètremax_input_budget_unitsContrat8192
Paramètremultimodal_objectsContratfalse
Paramètrematerial_typesContrattext
Paramètretext_file_materialContratLisez 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’identifiant exact du modèle et les champs obligatoires.

Conservez chaque élément renvoyé et ses identifiants d’origine.

Tarifs

Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.

Mode rapide
Tarif standard Lorsque le mode rapide est sélectionné
Mode Flex
Tarif standard Lorsque le mode flex est sélectionné
Effort de raisonnement maximal
Tarif standard Lorsque l’effort de raisonnement maximal utilise l’ajustement par défaut (default)

Tarifs Ailoot

Prix par configuration

ConfigurationBarème tarifaireCoût
ConfigurationTarifs de base des tokensBarème tarifaireTarif de baseCoût
Entrée · Tokens en entrée $0.0002 / 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 →

Exemples de requêtes

Ailoot Ultra · Plongements vectoriels · text-embedding-ada-002

Corps JSON minimal completcurl · utilisez votre document UTF-8Python · enregistrez le résultat complet
{
  "model": "text-embedding-ada-002",
  "input": [
    "First document",
    "Second document"
  ],
  "encoding_format": "float"
}
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"
export AILOOT_TEXT_FILE
python3 - <<'PY_REQUEST'
import json, os
from pathlib import Path

source_file = Path(os.environ['AILOOT_TEXT_FILE'])
if not source_file.is_file():
    raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')
text = source_file.read_text(encoding='utf-8')
if not text.strip():
    raise SystemExit('Choose a document containing text')
payload = {'model': 'text-embedding-ada-002', 'input': ['First document', 'Second document'], 'encoding_format': 'float'}
payload['input'] = [text]
Path('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path

result = json.loads(Path('result.json').read_text(encoding='utf-8'))
print(json.dumps(result, ensure_ascii=False, indent=2))
for vector in result.get('data', []):
    print('Vector', vector.get('index'), json.dumps(vector.get('embedding')))
PY_RESULT
import json, os
from pathlib import Path

source_file = Path(os.environ['AILOOT_TEXT_FILE'])
if not source_file.is_file():
    raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')
text = source_file.read_text(encoding='utf-8')
if not text.strip():
    raise SystemExit('Choose a document containing text')
payload = {'model': 'text-embedding-ada-002', 'input': ['First document', 'Second document'], 'encoding_format': 'float'}
payload['input'] = [text]
from urllib.request import Request, urlopen
from urllib.error import HTTPError

api_key = os.environ['AILOOT_API_KEY']
if not api_key.strip():
    raise SystemExit('Set AILOOT_API_KEY before making a request')
headers = {'Authorization': 'Bearer PLACEHOLDER_KEY', 'Content-Type': 'application/json'}
headers['Authorization'] = 'Bearer ' + api_key
request = Request('https://api.ailoot.ai/v1/embeddings', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')
try:
    with urlopen(request, timeout=120) as response:
        raw = response.read()
        Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')
except HTTPError as error:
    Path('result.json').write_bytes(error.read())
    Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')
    raise
Path('result.json').write_bytes(raw)
import json
from pathlib import Path

result = json.loads(Path('result.json').read_text(encoding='utf-8'))
print(json.dumps(result, ensure_ascii=False, indent=2))
for vector in result.get('data', []):
    print('Vector', vector.get('index'), json.dumps(vector.get('embedding')))

Recevoir et enregistrer les résultats

Ailoot Ultra · Plongements vectoriels · text-embedding-ada-002

json

Conserver tous les résultats terminés

Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.

Conservez chaque vecteur fini avec son indice d’origine. Préservez toutes ses dimensions et l’objet de consommation complet.

Si la réponse d’origine doit être vérifiée

Aucun point de terminaison dédié aux tâches d’embedding n’est ajouté.

Champs de la réponse
ChampType
ChampobjectTypestring
ChampmodelTypestring
Champdata[].indexTypeinteger
Champdata[].embeddingTypefinite float[]
ChampusageTypeobject
Erreurs et étapes suivantes
RéponseConditionÉtape suivante
Réponse400 · invalid_request_errorConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non validesÉtape suivanteCorrigez les champs indiqués avant une nouvelle requête de création.

Alias

Alias du modèle

Ailoot Ultra openai/text-embedding-ada-002, text-embedding-ada-002

Alias des chemins de méthode

Utilisez les chemins de méthode indiqués ci-dessus.

ID d’appel associés

openai/text-embedding-ada-002, text-embedding-ada-002

FAQ · OpenAI: Text Embedding Ada 002
Quelles entrées et quels résultats sont disponibles ?

POST /v1/embeddings · openai/text-embedding-ada-002: text, token_ids → embedding

POST /v1/embeddings · text-embedding-ada-002: text → embedding

Quels champs la requête utilise-t-elle ?

POST /v1/embeddings · openai/text-embedding-ada-002: model, input, encoding_format, provider

POST /v1/embeddings · text-embedding-ada-002: model, input, encoding_format, provider

Quelles limites s’appliquent ?

POST /v1/embeddings · openai/text-embedding-ada-002: ctx: 8192; input.budget.maximum: 8192 (octets UTF8); input.min_items: 1

POST /v1/embeddings · text-embedding-ada-002: ctx: 8192; input.budget.maximum: 8192 (octets UTF8); input.min_items: 1

Plus de détails

Connectez Ailoot à Claude Code, OpenCode, Hermes ou à votre application.

L’entreprise et son portefeuille de projets

L’entreprise et son portefeuille de projets : des millions de clients ; des ventes qui se chiffrent en milliards chaque mois.

Achetez des tokens à prix réduit.

Une remise d’abonnement pour le travail régulier. Des codes promo jusqu’à 50% sur l’achat de tokens.

Abonnement
Choisissez une offre à tarif réduit pour vos requêtes régulières.
Code promo jusqu’à 50%
Saisissez le code à l’achat. Le prix est recalculé selon la promotion en cours.
Dépenses dans l’historique
Modèle, tokens et montant sont enregistrés pour chaque requête.

Choisir un abonnement · Voir les prix des modèles

Connectez l’API au produit que vous vendez.

SaaS, applications et bots selon l’offre officielle et le contrat de licence Ailoot. Pour la revente, demandez une licence revendeur.

Application commerciale
Intégrez la génération de texte, d’images, de vidéo et de son aux fonctions payantes de votre service.
Licence revendeur
Envoyez la description du projet et le mode d’accès. Demandez des conditions écrites d’utilisation et de revente.
Documents sur le site
L’offre officielle, le contrat de licence et la politique de traitement des données sont accessibles avant connexion.

Demander une licence revendeur · Offre officielle et contrat de licence