A text-embedding-3-small az OpenAI kisebb harmadik generációs szövegbeágyazási modellje. Írott anyagokat alakít numerikus vektorokká, alapértelmezés szerint 1536 komponenssel. Ezek a vektorok a szövegek közötti kapcsolatokat mérik egy következő keresési vagy elemzési lépéshez; a modell nem generál társalgási választ a bemenetre.
A nagyobb harmadik generációs modellhez hasonlóan támogatja a gyártó dimensions vezérlőjét rövidebb beágyazásokhoz. A tanítás célja, hogy a rövidített vektorban megmaradjon a fogalmakat reprezentáló információ, a méretválasztás pedig befolyásolja az alkalmazás minőségét és erőforrásigényét. Az összehasonlított rekordoknál és lekérdezéseknél következetesen ugyanazt a modellt és a kiválasztott dimenziókat használja.
Gyakorlati alkalmazása a kódkeresés. A gyártó útmutatója leírja a forráskódfüggvények szövegként való reprezentálását és beágyazását, majd egy természetes nyelvű lekérdezés ugyanazzal a modellel való beágyazását és az így kapott vektorok összehasonlítását. Szemléltető eredmény a releváns függvények rangsorolt halmaza a forrásbeli helyükhöz kapcsolva. Dokumentumkeresésnél az ennek megfelelő eredmény olyan részletek halmaza, amelyek szövege és eredeti hivatkozásai az olvasó vagy a következő modell számára elérhetők maradnak.
További dokumentált használatok a klaszterezés, a kapcsolódó tartalom ajánlása, az osztályozás, a kiugró elemek felismerése és a sokféleség mérése. Egy körülhatárolt üzenetkezelési folyamat hasonló kéréseket csoportosíthat, vagy kategórialeírásokkal hasonlíthatja össze őket. Az alkalmazás határozza meg, hogyan lesz a hasonlósági eredményből kategória, ajánlás vagy áttekintendő elem; maga a beágyazás numerikus adat marad.
Az OpenAI szövegenként 8192 tokenes maximális bemenetet határoz meg. Beágyazási API-ja karakterláncokat vagy tokenizált bemenetet, valamint egy kérésben több bemenetet fogad el, elutasítja az üres karakterláncokat, és 300 000 tokenes összesített korlátot alkalmaz. A hosszú anyagot értelmes részletekként készítse elő, és őrizze meg az értelmezésükhöz szükséges címeket vagy definíciókat. Egységes forrásmezőkészletet használjon, ahelyett, hogy eltérő rekordtípusokat egymástól független előkészítési szabályokkal ágyazna be.
A gyártó alapértelmezés szerint lebegőpontos vektorokat ad vissza, és a base64 kódolást is dokumentálja. Az útmutató szerint az OpenAI beágyazásai egységhosszúságúra normalizáltak, és koszinuszhasonlóságot javasol; ezt skalárszorzat is kiszámíthatja, az euklideszi távolság pedig ugyanazt a rangsort adja. Ha egy harmadik generációs beágyazást visszaadás után kézzel rövidítenek, a rövidített vektort az útmutató szerint újra normalizálni kell. A dimensions vezérlővel elkerülhető, hogy a kézi csonkolás legyen a szokásos előkészítési lépés.
Minden vektor mellett rögzítse a modellazonosságot, a dimenziókat és a forráskapcsolatot. Hasznos későbbi eredmény egy rangsorolt lista, csoportosított gyűjtemény vagy osztályozási jellemzők halmaza, az ezeket létrehozó szöveghez kapcsolva. Ellenőrizze, hogy a kiválasztott anyag ténylegesen támogatja-e a feladatot, és a hiányzó tényeket tartsa külön a szemantikai kapcsolódástól. A következő lépés ezután konkrét keresési vagy döntési munkafolyamathoz használhatja a reprezentációt.
", "aboutText": "A text-embedding-3-small az OpenAI kisebb harmadik generációs szövegbeágyazási modellje. Írott anyagokat alakít numerikus vektorokká, alapértelmezés szerint 1536 komponenssel. Ezek a vektorok a szövegek közötti kapcsolatokat mérik egy következő keresési vagy elemzési lépéshez; a modell nem generál társalgási választ a bemenetre.\n\nA nagyobb harmadik generációs modellhez hasonlóan támogatja a gyártó dimensions vezérlőjét rövidebb beágyazásokhoz. A tanítás célja, hogy a rövidített vektorban megmaradjon a fogalmakat reprezentáló információ, a méretválasztás pedig befolyásolja az alkalmazás minőségét és erőforrásigényét. Az összehasonlított rekordoknál és lekérdezéseknél következetesen ugyanazt a modellt és a kiválasztott dimenziókat használja.\n\nGyakorlati alkalmazása a kódkeresés. A gyártó útmutatója leírja a forráskódfüggvények szövegként való reprezentálását és beágyazását, majd egy természetes nyelvű lekérdezés ugyanazzal a modellel való beágyazását és az így kapott vektorok összehasonlítását. Szemléltető eredmény a releváns függvények rangsorolt halmaza a forrásbeli helyükhöz kapcsolva. Dokumentumkeresésnél az ennek megfelelő eredmény olyan részletek halmaza, amelyek szövege és eredeti hivatkozásai az olvasó vagy a következő modell számára elérhetők maradnak.\n\nTovábbi dokumentált használatok a klaszterezés, a kapcsolódó tartalom ajánlása, az osztályozás, a kiugró elemek felismerése és a sokféleség mérése. Egy körülhatárolt üzenetkezelési folyamat hasonló kéréseket csoportosíthat, vagy kategórialeírásokkal hasonlíthatja össze őket. Az alkalmazás határozza meg, hogyan lesz a hasonlósági eredményből kategória, ajánlás vagy áttekintendő elem; maga a beágyazás numerikus adat marad.\n\nAz OpenAI szövegenként 8192 tokenes maximális bemenetet határoz meg. Beágyazási API-ja karakterláncokat vagy tokenizált bemenetet, valamint egy kérésben több bemenetet fogad el, elutasítja az üres karakterláncokat, és 300 000 tokenes összesített korlátot alkalmaz. A hosszú anyagot értelmes részletekként készítse elő, és őrizze meg az értelmezésükhöz szükséges címeket vagy definíciókat. Egységes forrásmezőkészletet használjon, ahelyett, hogy eltérő rekordtípusokat egymástól független előkészítési szabályokkal ágyazna be.\n\nA gyártó alapértelmezés szerint lebegőpontos vektorokat ad vissza, és a base64 kódolást is dokumentálja. Az útmutató szerint az OpenAI beágyazásai egységhosszúságúra normalizáltak, és koszinuszhasonlóságot javasol; ezt skalárszorzat is kiszámíthatja, az euklideszi távolság pedig ugyanazt a rangsort adja. Ha egy harmadik generációs beágyazást visszaadás után kézzel rövidítenek, a rövidített vektort az útmutató szerint újra normalizálni kell. A dimensions vezérlővel elkerülhető, hogy a kézi csonkolás legyen a szokásos előkészítési lépés.\n\nMinden vektor mellett rögzítse a modellazonosságot, a dimenziókat és a forráskapcsolatot. Hasznos későbbi eredmény egy rangsorolt lista, csoportosított gyűjtemény vagy osztályozási jellemzők halmaza, az ezeket létrehozó szöveghez kapcsolva. Ellenőrizze, hogy a kiválasztott anyag ténylegesen támogatja-e a feladatot, és a hiányzó tényeket tartsa külön a szemantikai kapcsolódástól. A következő lépés ezután konkrét keresési vagy döntési munkafolyamathoz használhatja a reprezentációt.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "7602bc58a364a6a8efec00d9cf6f730a422b6750745a9de430bdd43e7d524e63", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "hu", "methods": [ { "html": "openai/text-embedding-3-smallAz OpenAI kisebb harmadik generációs szövegbeágyazási modellje alapértelmezés szerint 1536 dimenziós vektorokat ad vissza, és rövidebb reprezentációkat is támogat. A numerikus kimenetet szemantikai kereséshez, kódkereséshez, csoportosításhoz, ajánláshoz és osztályozáshoz használhatja.
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
A text-embedding-3-small az OpenAI kisebb harmadik generációs szövegbeágyazási modellje. Írott anyagokat alakít numerikus vektorokká, alapértelmezés szerint 1536 komponenssel. Ezek a vektorok a szövegek közötti kapcsolatokat mérik egy következő keresési vagy elemzési lépéshez; a modell nem generál társalgási választ a bemenetre.
A nagyobb harmadik generációs modellhez hasonlóan támogatja a gyártó dimensions vezérlőjét rövidebb beágyazásokhoz. A tanítás célja, hogy a rövidített vektorban megmaradjon a fogalmakat reprezentáló információ, a méretválasztás pedig befolyásolja az alkalmazás minőségét és erőforrásigényét. Az összehasonlított rekordoknál és lekérdezéseknél következetesen ugyanazt a modellt és a kiválasztott dimenziókat használja.
Gyakorlati alkalmazása a kódkeresés. A gyártó útmutatója leírja a forráskódfüggvények szövegként való reprezentálását és beágyazását, majd egy természetes nyelvű lekérdezés ugyanazzal a modellel való beágyazását és az így kapott vektorok összehasonlítását. Szemléltető eredmény a releváns függvények rangsorolt halmaza a forrásbeli helyükhöz kapcsolva. Dokumentumkeresésnél az ennek megfelelő eredmény olyan részletek halmaza, amelyek szövege és eredeti hivatkozásai az olvasó vagy a következő modell számára elérhetők maradnak.
További dokumentált használatok a klaszterezés, a kapcsolódó tartalom ajánlása, az osztályozás, a kiugró elemek felismerése és a sokféleség mérése. Egy körülhatárolt üzenetkezelési folyamat hasonló kéréseket csoportosíthat, vagy kategórialeírásokkal hasonlíthatja össze őket. Az alkalmazás határozza meg, hogyan lesz a hasonlósági eredményből kategória, ajánlás vagy áttekintendő elem; maga a beágyazás numerikus adat marad.
Az OpenAI szövegenként 8192 tokenes maximális bemenetet határoz meg. Beágyazási API-ja karakterláncokat vagy tokenizált bemenetet, valamint egy kérésben több bemenetet fogad el, elutasítja az üres karakterláncokat, és 300 000 tokenes összesített korlátot alkalmaz. A hosszú anyagot értelmes részletekként készítse elő, és őrizze meg az értelmezésükhöz szükséges címeket vagy definíciókat. Egységes forrásmezőkészletet használjon, ahelyett, hogy eltérő rekordtípusokat egymástól független előkészítési szabályokkal ágyazna be.
A gyártó alapértelmezés szerint lebegőpontos vektorokat ad vissza, és a base64 kódolást is dokumentálja. Az útmutató szerint az OpenAI beágyazásai egységhosszúságúra normalizáltak, és koszinuszhasonlóságot javasol; ezt skalárszorzat is kiszámíthatja, az euklideszi távolság pedig ugyanazt a rangsort adja. Ha egy harmadik generációs beágyazást visszaadás után kézzel rövidítenek, a rövidített vektort az útmutató szerint újra normalizálni kell. A dimensions vezérlővel elkerülhető, hogy a kézi csonkolás legyen a szokásos előkészítési lépés.
Minden vektor mellett rögzítse a modellazonosságot, a dimenziókat és a forráskapcsolatot. Hasznos későbbi eredmény egy rangsorolt lista, csoportosított gyűjtemény vagy osztályozási jellemzők halmaza, az ezeket létrehozó szöveghez kapcsolva. Ellenőrizze, hogy a kiválasztott anyag ténylegesen támogatja-e a feladatot, és a hiányzó tényeket tartsa külön a szemantikai kapcsolódástól. A következő lépés ezután konkrét keresési vagy döntési munkafolyamathoz használhatja a reprezentációt.
POST /v1/embeddingstext, token_idsembedding| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok openai/text-embedding-3-small | Alapértelmezett— |
Mezőinput | Típusstring|string[]|integer[]|integer[][] | KövetelményKötelező | Értékek és korlátok Minimális elemszám: 1 Feltételek: Nem üres, homogén köteg. A tokenazonosítók nemnegatív egész számok. Bemeneti keret: Maximum: 8192 · Szövegegység: UTF8-bájtok · Tokenegység: tokentömb elemei | Alapértelmezett— |
Mezőencoding_format | Típusstring | KövetelményOpcionális | Értékek és korlátok float | Alapértelmezettfloat |
Meződimensions | Típusinteger | KövetelményNem támogatott | Értékek és korlátok Minimum: 1 | Alapértelmezett— |
Mezőuser | Típusjson_value | KövetelményOpcionális | Értékek és korlátok Feltételek: A forrás engedélyezi ezt a JSON-metaadatmezőt; a szolgáltatónál érvényes pontos jelentése modellenként eltér. | Alapértelmezett— |
Mezősession_id | Típusjson_value | KövetelményOpcionális | Értékek és korlátok Feltételek: A forrás engedélyezi ezt a JSON-metaadatmezőt; a szolgáltatónál érvényes pontos jelentése modellenként eltér. | Alapértelmezett— |
Mezőtrace | Típusjson_value | KövetelményOpcionális | Értékek és korlátok Feltételek: A forrás engedélyezi ezt a JSON-metaadatmezőt; a szolgáltatónál érvényes pontos jelentése modellenként eltér. | Alapértelmezett— |
Mezőprovider | Típusobject | KövetelményOpcionális | Értékek és korlátok Feltételek: A provider.options elutasítva | Alapértelmezett— |
text_to_embedding
| Paraméter | Szerződés |
|---|---|
Paramétercontent_type | Szerződésapplication/json |
Paraméterrequired | Szerződésmodel, input |
Paraméterinput_shapes | Szerződésstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Paraméterencoding_format | Szerződésfloat |
Paraméterdimensions_override | Szerződésfalse |
Paramétermax_input_budget_units | Szerződés8192 |
Paramétermultimodal_objects | Szerződésfalse |
Paramétermaterial_types | Szerződéstext, token_ids |
Életciklus: synchronous_json
Őrizze meg minden vektor indexét és dimenzióját.
A multimodális modell neve ezen a pontos útvonalon nem teszi lehetővé képobjektumok használatát.
A díjszabás nem ad új kérési lehetőségeket. A támogatott paraméterek a kiválasztott módszernél szerepelnek.
| Beállítás | Díjtáblázat | Díj |
|---|---|---|
| BeállításTokenenkénti alapárak | DíjtáblázatAlapdíj | Díj Bemenet · Bemeneti tokenek $0.00004 / 1K token Kimenet · Kimeneti tokenek $0 / 1K token Bemenet · Gyorsítótár olvasása — / 1K token Bemenet · Írás a gyorsítótárba — / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →
set -eu\n: "${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
Őrizzen meg minden teljes visszaadott választ, fájlt és tartalomrészt.
Őrizzen meg minden vektort az indexével együtt. A vektorok számának meg kell egyeznie a bemenetek számával; a dimenzióknak egységesnek kell lenniük.
Nem kerül bevezetésre külön beágyazási feladatvégpont.
| Mező | Típus |
|---|---|
Mezőobject | Típusstring |
Mezőmodel | Típusstring |
Meződata[].index | Típusinteger |
Meződata[].embedding | Típusfinite float[] |
Mezőusage | Típusobject |
| Válasz | Feltétel | Következő lépés |
|---|---|---|
Válasz400 · invalid_request_error | FeltételÉrvénytelen kötelező mezők, az anyag érvénytelen reprezentációja vagy érvénytelen paraméterérték | Következő lépésJavítsa a jelzett mezőket egy új létrehozási kérés előtt. |
Ailoot Ultra openai/text-embedding-3-small, text-embedding-3-small
Használja a fent látható metódusútvonalakat.
text-embedding-3-smallAz OpenAI kisebb harmadik generációs szövegbeágyazási modellje alapértelmezés szerint 1536 dimenziós vektorokat ad vissza, és rövidebb reprezentációkat is támogat. A numerikus kimenetet szemantikai kereséshez, kódkereséshez, csoportosításhoz, ajánláshoz és osztályozáshoz használhatja.
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
A text-embedding-3-small az OpenAI kisebb harmadik generációs szövegbeágyazási modellje. Írott anyagokat alakít numerikus vektorokká, alapértelmezés szerint 1536 komponenssel. Ezek a vektorok a szövegek közötti kapcsolatokat mérik egy következő keresési vagy elemzési lépéshez; a modell nem generál társalgási választ a bemenetre.
A nagyobb harmadik generációs modellhez hasonlóan támogatja a gyártó dimensions vezérlőjét rövidebb beágyazásokhoz. A tanítás célja, hogy a rövidített vektorban megmaradjon a fogalmakat reprezentáló információ, a méretválasztás pedig befolyásolja az alkalmazás minőségét és erőforrásigényét. Az összehasonlított rekordoknál és lekérdezéseknél következetesen ugyanazt a modellt és a kiválasztott dimenziókat használja.
Gyakorlati alkalmazása a kódkeresés. A gyártó útmutatója leírja a forráskódfüggvények szövegként való reprezentálását és beágyazását, majd egy természetes nyelvű lekérdezés ugyanazzal a modellel való beágyazását és az így kapott vektorok összehasonlítását. Szemléltető eredmény a releváns függvények rangsorolt halmaza a forrásbeli helyükhöz kapcsolva. Dokumentumkeresésnél az ennek megfelelő eredmény olyan részletek halmaza, amelyek szövege és eredeti hivatkozásai az olvasó vagy a következő modell számára elérhetők maradnak.
További dokumentált használatok a klaszterezés, a kapcsolódó tartalom ajánlása, az osztályozás, a kiugró elemek felismerése és a sokféleség mérése. Egy körülhatárolt üzenetkezelési folyamat hasonló kéréseket csoportosíthat, vagy kategórialeírásokkal hasonlíthatja össze őket. Az alkalmazás határozza meg, hogyan lesz a hasonlósági eredményből kategória, ajánlás vagy áttekintendő elem; maga a beágyazás numerikus adat marad.
Az OpenAI szövegenként 8192 tokenes maximális bemenetet határoz meg. Beágyazási API-ja karakterláncokat vagy tokenizált bemenetet, valamint egy kérésben több bemenetet fogad el, elutasítja az üres karakterláncokat, és 300 000 tokenes összesített korlátot alkalmaz. A hosszú anyagot értelmes részletekként készítse elő, és őrizze meg az értelmezésükhöz szükséges címeket vagy definíciókat. Egységes forrásmezőkészletet használjon, ahelyett, hogy eltérő rekordtípusokat egymástól független előkészítési szabályokkal ágyazna be.
A gyártó alapértelmezés szerint lebegőpontos vektorokat ad vissza, és a base64 kódolást is dokumentálja. Az útmutató szerint az OpenAI beágyazásai egységhosszúságúra normalizáltak, és koszinuszhasonlóságot javasol; ezt skalárszorzat is kiszámíthatja, az euklideszi távolság pedig ugyanazt a rangsort adja. Ha egy harmadik generációs beágyazást visszaadás után kézzel rövidítenek, a rövidített vektort az útmutató szerint újra normalizálni kell. A dimensions vezérlővel elkerülhető, hogy a kézi csonkolás legyen a szokásos előkészítési lépés.
Minden vektor mellett rögzítse a modellazonosságot, a dimenziókat és a forráskapcsolatot. Hasznos későbbi eredmény egy rangsorolt lista, csoportosított gyűjtemény vagy osztályozási jellemzők halmaza, az ezeket létrehozó szöveghez kapcsolva. Ellenőrizze, hogy a kiválasztott anyag ténylegesen támogatja-e a feladatot, és a hiányzó tényeket tartsa külön a szemantikai kapcsolódástól. A következő lépés ezután konkrét keresési vagy döntési munkafolyamathoz használhatja a reprezentációt.
POST /v1/embeddingstextembedding| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok text-embedding-3-small | Alapértelmezett— |
Mezőinput | Típusstring|string[]|integer[]|integer[][] | KövetelményKötelező | Értékek és korlátok Minimális elemszám: 1 Feltételek: Nem üres, homogén köteg. A tokenazonosítók nemnegatív egész számok. Bemeneti keret: Maximum: 8192 · Szövegegység: UTF8-bájtok · Tokenegység: tokentömb elemei | Alapértelmezett— |
Mezőencoding_format | Típusstring | KövetelményOpcionális | Értékek és korlátok float | Alapértelmezettfloat |
Meződimensions | Típusinteger | KövetelményNem támogatott | Értékek és korlátok Minimum: 1 | Alapértelmezett— |
Mezőuser | Típusjson_value | KövetelményOpcionális | Értékek és korlátok Feltételek: Opcionális JSON-metaadatok; a pontos szolgáltatói működés a kiválasztott modelltől függ. | Alapértelmezett— |
Mezősession_id | Típusjson_value | KövetelményOpcionális | Értékek és korlátok Feltételek: Opcionális JSON-metaadatok; a pontos szolgáltatói működés a kiválasztott modelltől függ. | Alapértelmezett— |
Mezőtrace | Típusjson_value | KövetelményOpcionális | Értékek és korlátok Feltételek: Opcionális JSON-metaadatok; a pontos szolgáltatói működés a kiválasztott modelltől függ. | Alapértelmezett— |
Mezőprovider | Típusobject | KövetelményOpcionális | Értékek és korlátok Feltételek: A provider.options elutasítva | Alapértelmezett— |
text_to_embedding
| Paraméter | Szerződés |
|---|---|
Paramétercontent_type | Szerződésapplication/json |
Paraméterrequired | Szerződésmodel, input |
Paraméterinput_shapes | Szerződésstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Paraméterencoding_format | Szerződésfloat |
Paraméterdimensions_override | Szerződésfalse |
Paramétermax_input_budget_units | Szerződés8192 |
Paramétermultimodal_objects | Szerződésfalse |
Paramétermaterial_types | Szerződéstext |
Paramétertext_file_material | SzerződésOlvassa el a tényleges UTF-8 dokumentumot, és tegye a szövegét a jelzett bemeneti karakterláncba vagy az üzenettartalom karakterláncába. |
Életciklus: synchronous_json
Küldje el a pontos modellazonosítót és a kötelező mezőket.
Őrizzen meg minden visszaadott elemet és eredeti azonosítóit.
A díjszabás nem ad új kérési lehetőségeket. A támogatott paraméterek a kiválasztott módszernél szerepelnek.
| Beállítás | Díjtáblázat | Díj |
|---|---|---|
| BeállításTokenenkénti alapárak | DíjtáblázatAlapdíj | Díj Bemenet · Bemeneti tokenek $0.00004 / 1K token Kimenet · Kimeneti tokenek $0 / 1K token Bemenet · Gyorsítótár olvasása — / 1K token Bemenet · Írás a gyorsítótárba — / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →
{\n "model": "text-embedding-3-small",\n "input": [\n "First document",\n "Second document"\n ],\n "encoding_format": "float"\n}set -eu\n: "${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
Őrizzen meg minden teljes visszaadott választ, fájlt és tartalomrészt.
Őrizzen meg minden véges vektort az eredeti indexével együtt. Tartson meg minden dimenziót és a teljes felhasználási objektumot.
Nem kerül bevezetésre külön beágyazási feladatvégpont.
| Mező | Típus |
|---|---|
Mezőobject | Típusstring |
Mezőmodel | Típusstring |
Meződata[].index | Típusinteger |
Meződata[].embedding | Típusfinite float[] |
Mezőusage | Típusobject |
| Válasz | Feltétel | Következő lépés |
|---|---|---|
Válasz400 · invalid_request_error | FeltételÉrvénytelen kötelező mezők, az anyag érvénytelen reprezentációja vagy érvénytelen paraméterérték | Következő lépésJavítsa a jelzett mezőket egy új létrehozási kérés előtt. |
Ailoot Ultra openai/text-embedding-3-small, text-embedding-3-small
Használja a fent látható metódusútvonalakat.