text-embedding-3-large est le modèle de plongement textuel de plus grande taille de troisième génération d’OpenAI pour les tâches en anglais et dans d’autres langues. Il projette les contenus écrits vers un vecteur numérique, en renvoyant 3072 composantes par défaut. Le vecteur représente les relations dans le contenu fourni ; un processus de recherche ou de classification l’utilise pour sélectionner des matériaux ou prendre une autre décision.
Les modèles de troisième génération sont entraînés pour prendre en charge des représentations plus courtes au moyen de la commande dimensions du producteur. Le fabricant donne 1024 dimensions comme exemple lorsqu’un magasin de vecteurs exige cette taille. Un vecteur plus court réduit la quantité de données à stocker et à comparer, tandis que le changement de représentation peut influer sur la qualité de recherche. Choisissez la taille selon les exigences de l’application et utilisez ce même choix pour le corpus et ses requêtes.
Un processus illustratif de recherche documentaire divise les sources en passages porteurs de sens, conserve leurs identifiants et obtient des vecteurs pour chaque passage. Une question est encodée avec le même modèle et les mêmes dimensions, puis comparée aux vecteurs des passages. L’application fournit les filtres, sélectionne les résultats classés et affiche leurs références sources. Un modèle ultérieur de génération textuelle peut élaborer une réponse à partir du matériau retrouvé ; le résultat du modèle de plongement reste constitué de données numériques.
Les autres applications documentées comprennent la recherche de code ou de texte, le regroupement d’enregistrements similaires, les recommandations de contenus liés, la classification, la détection d’anomalies et la mesure de diversité dans une collection. Pour une recommandation, décrivez les objets avec les termes pertinents pour la relation. Pour la classification, comparez aux représentations de catégories ou utilisez les vecteurs comme caractéristiques d’un classificateur. Définissez la règle qui transforme la similarité en résultat nécessaire au produit.
OpenAI indique une entrée maximale de 8192 tokens par texte. L’API de plongement accepte des chaînes ou du texte tokenisé, prend en charge plusieurs entrées et rejette les chaînes vides. Elle impose aussi une limite cumulée de 300 000 tokens pour une requête. Un long document doit être divisé en gardant intacts ses limites porteuses de sens et son contexte, chaque vecteur restant relié à son passage source.
Le producteur documente des vecteurs à virgule flottante comme sortie par défaut et base64 comme encodage alternatif. Le guide recommande la similarité cosinus et indique que les plongements OpenAI sont normalisés à une norme unitaire, ce qui permet un produit scalaire pour la similarité cosinus et des classements équivalents avec la distance euclidienne. Si un vecteur de troisième génération est raccourci manuellement après sa génération, le fabricant demande à l’application de normaliser de nouveau le vecteur raccourci ; utiliser la commande dimensions est la voie recommandée.
Préparez une représentation textuelle cohérente et consignez le modèle, les dimensions et l’identifiant source. Un artefact final utile est un ensemble classé de passages, d’éléments liés ou d’enregistrements regroupés dont la règle de sélection est explicite. Évaluez si le résultat répond à la requête et préservez les éléments sources pour l’étape suivante, plutôt que de traiter la similarité vectorielle comme une vérification des affirmations factuelles d’un enregistrement.
", "aboutText": "text-embedding-3-large est le modèle de plongement textuel de plus grande taille de troisième génération d’OpenAI pour les tâches en anglais et dans d’autres langues. Il projette les contenus écrits vers un vecteur numérique, en renvoyant 3072 composantes par défaut. Le vecteur représente les relations dans le contenu fourni ; un processus de recherche ou de classification l’utilise pour sélectionner des matériaux ou prendre une autre décision.\n\nLes modèles de troisième génération sont entraînés pour prendre en charge des représentations plus courtes au moyen de la commande dimensions du producteur. Le fabricant donne 1024 dimensions comme exemple lorsqu’un magasin de vecteurs exige cette taille. Un vecteur plus court réduit la quantité de données à stocker et à comparer, tandis que le changement de représentation peut influer sur la qualité de recherche. Choisissez la taille selon les exigences de l’application et utilisez ce même choix pour le corpus et ses requêtes.\n\nUn processus illustratif de recherche documentaire divise les sources en passages porteurs de sens, conserve leurs identifiants et obtient des vecteurs pour chaque passage. Une question est encodée avec le même modèle et les mêmes dimensions, puis comparée aux vecteurs des passages. L’application fournit les filtres, sélectionne les résultats classés et affiche leurs références sources. Un modèle ultérieur de génération textuelle peut élaborer une réponse à partir du matériau retrouvé ; le résultat du modèle de plongement reste constitué de données numériques.\n\nLes autres applications documentées comprennent la recherche de code ou de texte, le regroupement d’enregistrements similaires, les recommandations de contenus liés, la classification, la détection d’anomalies et la mesure de diversité dans une collection. Pour une recommandation, décrivez les objets avec les termes pertinents pour la relation. Pour la classification, comparez aux représentations de catégories ou utilisez les vecteurs comme caractéristiques d’un classificateur. Définissez la règle qui transforme la similarité en résultat nécessaire au produit.\n\nOpenAI indique une entrée maximale de 8192 tokens par texte. L’API de plongement accepte des chaînes ou du texte tokenisé, prend en charge plusieurs entrées et rejette les chaînes vides. Elle impose aussi une limite cumulée de 300 000 tokens pour une requête. Un long document doit être divisé en gardant intacts ses limites porteuses de sens et son contexte, chaque vecteur restant relié à son passage source.\n\nLe producteur documente des vecteurs à virgule flottante comme sortie par défaut et base64 comme encodage alternatif. Le guide recommande la similarité cosinus et indique que les plongements OpenAI sont normalisés à une norme unitaire, ce qui permet un produit scalaire pour la similarité cosinus et des classements équivalents avec la distance euclidienne. Si un vecteur de troisième génération est raccourci manuellement après sa génération, le fabricant demande à l’application de normaliser de nouveau le vecteur raccourci ; utiliser la commande dimensions est la voie recommandée.\n\nPréparez une représentation textuelle cohérente et consignez le modèle, les dimensions et l’identifiant source. Un artefact final utile est un ensemble classé de passages, d’éléments liés ou d’enregistrements regroupés dont la règle de sélection est explicite. Évaluez si le résultat répond à la requête et préservez les éléments sources pour l’étape suivante, plutôt que de traiter la similarité vectorielle comme une vérification des affirmations factuelles d’un enregistrement.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "d9c0d7ee236a77e5f00a51e8f003a6f702a87a2ec2fc7d076aa75b3bd5a77890", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr", "methods": [ { "html": "openai/text-embedding-3-largeLe modèle de plongement textuel de plus grande taille de troisième génération d’OpenAI renvoie des vecteurs de 3072 dimensions par défaut, avec une commande du producteur pour des représentations plus courtes. Utilisez-le pour la recherche sémantique, la comparaison multilingue et les processus de contenus liés ou de 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-large est le modèle de plongement textuel de plus grande taille de troisième génération d’OpenAI pour les tâches en anglais et dans d’autres langues. Il projette les contenus écrits vers un vecteur numérique, en renvoyant 3072 composantes par défaut. Le vecteur représente les relations dans le contenu fourni ; un processus de recherche ou de classification l’utilise pour sélectionner des matériaux ou prendre une autre décision.
Les modèles de troisième génération sont entraînés pour prendre en charge des représentations plus courtes au moyen de la commande dimensions du producteur. Le fabricant donne 1024 dimensions comme exemple lorsqu’un magasin de vecteurs exige cette taille. Un vecteur plus court réduit la quantité de données à stocker et à comparer, tandis que le changement de représentation peut influer sur la qualité de recherche. Choisissez la taille selon les exigences de l’application et utilisez ce même choix pour le corpus et ses requêtes.
Un processus illustratif de recherche documentaire divise les sources en passages porteurs de sens, conserve leurs identifiants et obtient des vecteurs pour chaque passage. Une question est encodée avec le même modèle et les mêmes dimensions, puis comparée aux vecteurs des passages. L’application fournit les filtres, sélectionne les résultats classés et affiche leurs références sources. Un modèle ultérieur de génération textuelle peut élaborer une réponse à partir du matériau retrouvé ; le résultat du modèle de plongement reste constitué de données numériques.
Les autres applications documentées comprennent la recherche de code ou de texte, le regroupement d’enregistrements similaires, les recommandations de contenus liés, la classification, la détection d’anomalies et la mesure de diversité dans une collection. Pour une recommandation, décrivez les objets avec les termes pertinents pour la relation. Pour la classification, comparez aux représentations de catégories ou utilisez les vecteurs comme caractéristiques d’un classificateur. Définissez la règle qui transforme la similarité en résultat nécessaire au produit.
OpenAI indique une entrée maximale de 8192 tokens par texte. L’API de plongement accepte des chaînes ou du texte tokenisé, prend en charge plusieurs entrées et rejette les chaînes vides. Elle impose aussi une limite cumulée de 300 000 tokens pour une requête. Un long document doit être divisé en gardant intacts ses limites porteuses de sens et son contexte, chaque vecteur restant relié à son passage source.
Le producteur documente des vecteurs à virgule flottante comme sortie par défaut et base64 comme encodage alternatif. Le guide recommande la similarité cosinus et indique que les plongements OpenAI sont normalisés à une norme unitaire, ce qui permet un produit scalaire pour la similarité cosinus et des classements équivalents avec la distance euclidienne. Si un vecteur de troisième génération est raccourci manuellement après sa génération, le fabricant demande à l’application de normaliser de nouveau le vecteur raccourci ; utiliser la commande dimensions est la voie recommandée.
Préparez une représentation textuelle cohérente et consignez le modèle, les dimensions et l’identifiant source. Un artefact final utile est un ensemble classé de passages, d’éléments liés ou d’enregistrements regroupés dont la règle de sélection est explicite. Évaluez si le résultat répond à la requête et préservez les éléments sources pour l’étape suivante, plutôt que de traiter la similarité vectorielle comme une vérification des affirmations factuelles d’un enregistrement.
POST /v1/embeddingstext, token_idsembedding| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites openai/text-embedding-3-large | 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: 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: 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: 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 $0.00026 / 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-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
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-large, text-embedding-3-large
Utilisez les chemins de méthode indiqués ci-dessus.
text-embedding-3-largeLe modèle de plongement textuel de plus grande taille de troisième génération d’OpenAI renvoie des vecteurs de 3072 dimensions par défaut, avec une commande du producteur pour des représentations plus courtes. Utilisez-le pour la recherche sémantique, la comparaison multilingue et les processus de contenus liés ou de 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-large est le modèle de plongement textuel de plus grande taille de troisième génération d’OpenAI pour les tâches en anglais et dans d’autres langues. Il projette les contenus écrits vers un vecteur numérique, en renvoyant 3072 composantes par défaut. Le vecteur représente les relations dans le contenu fourni ; un processus de recherche ou de classification l’utilise pour sélectionner des matériaux ou prendre une autre décision.
Les modèles de troisième génération sont entraînés pour prendre en charge des représentations plus courtes au moyen de la commande dimensions du producteur. Le fabricant donne 1024 dimensions comme exemple lorsqu’un magasin de vecteurs exige cette taille. Un vecteur plus court réduit la quantité de données à stocker et à comparer, tandis que le changement de représentation peut influer sur la qualité de recherche. Choisissez la taille selon les exigences de l’application et utilisez ce même choix pour le corpus et ses requêtes.
Un processus illustratif de recherche documentaire divise les sources en passages porteurs de sens, conserve leurs identifiants et obtient des vecteurs pour chaque passage. Une question est encodée avec le même modèle et les mêmes dimensions, puis comparée aux vecteurs des passages. L’application fournit les filtres, sélectionne les résultats classés et affiche leurs références sources. Un modèle ultérieur de génération textuelle peut élaborer une réponse à partir du matériau retrouvé ; le résultat du modèle de plongement reste constitué de données numériques.
Les autres applications documentées comprennent la recherche de code ou de texte, le regroupement d’enregistrements similaires, les recommandations de contenus liés, la classification, la détection d’anomalies et la mesure de diversité dans une collection. Pour une recommandation, décrivez les objets avec les termes pertinents pour la relation. Pour la classification, comparez aux représentations de catégories ou utilisez les vecteurs comme caractéristiques d’un classificateur. Définissez la règle qui transforme la similarité en résultat nécessaire au produit.
OpenAI indique une entrée maximale de 8192 tokens par texte. L’API de plongement accepte des chaînes ou du texte tokenisé, prend en charge plusieurs entrées et rejette les chaînes vides. Elle impose aussi une limite cumulée de 300 000 tokens pour une requête. Un long document doit être divisé en gardant intacts ses limites porteuses de sens et son contexte, chaque vecteur restant relié à son passage source.
Le producteur documente des vecteurs à virgule flottante comme sortie par défaut et base64 comme encodage alternatif. Le guide recommande la similarité cosinus et indique que les plongements OpenAI sont normalisés à une norme unitaire, ce qui permet un produit scalaire pour la similarité cosinus et des classements équivalents avec la distance euclidienne. Si un vecteur de troisième génération est raccourci manuellement après sa génération, le fabricant demande à l’application de normaliser de nouveau le vecteur raccourci ; utiliser la commande dimensions est la voie recommandée.
Préparez une représentation textuelle cohérente et consignez le modèle, les dimensions et l’identifiant source. Un artefact final utile est un ensemble classé de passages, d’éléments liés ou d’enregistrements regroupés dont la règle de sélection est explicite. Évaluez si le résultat répond à la requête et préservez les éléments sources pour l’étape suivante, plutôt que de traiter la similarité vectorielle comme une vérification des affirmations factuelles d’un enregistrement.
POST /v1/embeddingstextembedding| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites text-embedding-3-large | 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 signification exacte chez le fournisseur dépend du modèle sélectionné. | Par défaut— |
Champsession_id | Typejson_value | ExigenceFacultatif | Valeurs et limites Conditions: Métadonnées JSON facultatives ; la signification exacte chez le fournisseur dépend du modèle sélectionné. | Par défaut— |
Champtrace | Typejson_value | ExigenceFacultatif | Valeurs et limites Conditions: Métadonnées JSON facultatives ; la signification exacte chez le fournisseur 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’identifiant 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 $0.00026 / 1K tokens Sortie · Tokens en sortie $0 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "text-embedding-3-large",\n "input": [\n "First document",\n "Second document"\n ],\n "encoding_format": "float"\n}set -eu\n: "${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
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque vecteur à valeurs finies avec son index d’origine. Préservez toutes les dimensions et l’objet d’utilisation 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-large, text-embedding-3-large
Utilisez les chemins de méthode indiqués ci-dessus.