text-embedding-ada-002 adalah model embedding teks OpenAI untuk merepresentasikan materi tertulis sebagai vektor numerik. Keluarannya memuat 1.536 komponen. Pembuat menggabungkan peran kemiripan teks, pencarian dokumen/kueri, dan pencarian kode dalam satu representasi. Hasilnya adalah data untuk perbandingan atau algoritma lain, bukan jawaban yang dihasilkan untuk teks yang dibuat embedding-nya.
Untuk pencarian semantik, siapkan bagian dokumen bermakna dan pertahankan pengenal sumbernya. Contoh alur membuat embedding setiap bagian dan pertanyaan pengguna dengan model yang sama, membandingkan vektor, dan mengembalikan bagian sumber relevan. Aplikasi menentukan aturan temu kembali, filter, dan penyajian. Tahap pembangkitan teks berikutnya dapat menggunakan materi yang ditemukan untuk menyusun jawaban, sementara model embedding memberikan representasi numerik.
Penggunaan lain yang didokumentasikan meliputi pengelompokan rekaman serupa, rekomendasi konten terkait, klasifikasi teks, dan identifikasi pencilan. Untuk rekomendasi, bandingkan deskripsi objek yang hubungannya penting. Untuk klasifikasi, panduan menjelaskan perbandingan dengan representasi kategori atau penggunaan vektor sebagai fitur pengklasifikasi. Untuk deteksi anomali, hasil yang relevan adalah rekaman yang berbeda dari koleksi sekitarnya, ditafsirkan sesuai tugas produk.
OpenAI mencantumkan masukan maksimum 8.192 token untuk model ini. API embedding produsen menerima string teks atau masukan yang ditokenisasi, mengizinkan beberapa masukan dalam satu permintaan, dan menolak string kosong. Batas agregatnya adalah 300.000 token dalam satu permintaan, selain batas per masukan. Bagi dokumen lebih panjang menjadi bagian berguna sambil mempertahankan judul, definisi, dan rujukan kembali ke materi asli.
Keluaran adalah vektor nilai floating-point; produsen juga mendokumentasikan base64 sebagai pengodean alternatif untuk pengiriman data. Parameter pemendekan dimensi OpenAI ditujukan untuk model embedding generasi ketiga dan setelahnya, sehingga hasil Ada 1.536 dimensi yang didokumentasikan tetap terpisah dari kendali tersebut. Simpan identitas model dan vektor bersama rekaman sumber agar perbandingan berikutnya menggunakan representasi konsisten.
Panduan embedding menyarankan kemiripan kosinus dan menyatakan bahwa embedding OpenAI dinormalisasi ke panjang satu. Untuk vektor tersebut, hasil kali titik dapat menghitung kemiripan kosinus dan jarak Euclidean memberikan peringkat yang sama. Skor kemiripan merupakan bagian dari logika temu kembali atau klasifikasi aplikasi, bukan keputusan kategori yang otomatis diberikan model.
Tetapkan bidang sumber yang menjadi teks masukan dan cara bagian harus dibagi. Contoh hasil adalah himpunan bagian dokumen atau rekaman terkait berperingkat, masing-masing terhubung dengan sumber asli dan aturan yang digunakan untuk pemilihan. Jaga persiapan tetap konsisten dan nilai apakah materi hasil menjawab pertanyaan sebenarnya. Ini membuat keluaran numerik berguna bagi tahap pencarian, rekomendasi, atau analisis berikutnya.
", "aboutText": "text-embedding-ada-002 adalah model embedding teks OpenAI untuk merepresentasikan materi tertulis sebagai vektor numerik. Keluarannya memuat 1.536 komponen. Pembuat menggabungkan peran kemiripan teks, pencarian dokumen/kueri, dan pencarian kode dalam satu representasi. Hasilnya adalah data untuk perbandingan atau algoritma lain, bukan jawaban yang dihasilkan untuk teks yang dibuat embedding-nya.\n\nUntuk pencarian semantik, siapkan bagian dokumen bermakna dan pertahankan pengenal sumbernya. Contoh alur membuat embedding setiap bagian dan pertanyaan pengguna dengan model yang sama, membandingkan vektor, dan mengembalikan bagian sumber relevan. Aplikasi menentukan aturan temu kembali, filter, dan penyajian. Tahap pembangkitan teks berikutnya dapat menggunakan materi yang ditemukan untuk menyusun jawaban, sementara model embedding memberikan representasi numerik.\n\nPenggunaan lain yang didokumentasikan meliputi pengelompokan rekaman serupa, rekomendasi konten terkait, klasifikasi teks, dan identifikasi pencilan. Untuk rekomendasi, bandingkan deskripsi objek yang hubungannya penting. Untuk klasifikasi, panduan menjelaskan perbandingan dengan representasi kategori atau penggunaan vektor sebagai fitur pengklasifikasi. Untuk deteksi anomali, hasil yang relevan adalah rekaman yang berbeda dari koleksi sekitarnya, ditafsirkan sesuai tugas produk.\n\nOpenAI mencantumkan masukan maksimum 8.192 token untuk model ini. API embedding produsen menerima string teks atau masukan yang ditokenisasi, mengizinkan beberapa masukan dalam satu permintaan, dan menolak string kosong. Batas agregatnya adalah 300.000 token dalam satu permintaan, selain batas per masukan. Bagi dokumen lebih panjang menjadi bagian berguna sambil mempertahankan judul, definisi, dan rujukan kembali ke materi asli.\n\nKeluaran adalah vektor nilai floating-point; produsen juga mendokumentasikan base64 sebagai pengodean alternatif untuk pengiriman data. Parameter pemendekan dimensi OpenAI ditujukan untuk model embedding generasi ketiga dan setelahnya, sehingga hasil Ada 1.536 dimensi yang didokumentasikan tetap terpisah dari kendali tersebut. Simpan identitas model dan vektor bersama rekaman sumber agar perbandingan berikutnya menggunakan representasi konsisten.\n\nPanduan embedding menyarankan kemiripan kosinus dan menyatakan bahwa embedding OpenAI dinormalisasi ke panjang satu. Untuk vektor tersebut, hasil kali titik dapat menghitung kemiripan kosinus dan jarak Euclidean memberikan peringkat yang sama. Skor kemiripan merupakan bagian dari logika temu kembali atau klasifikasi aplikasi, bukan keputusan kategori yang otomatis diberikan model.\n\nTetapkan bidang sumber yang menjadi teks masukan dan cara bagian harus dibagi. Contoh hasil adalah himpunan bagian dokumen atau rekaman terkait berperingkat, masing-masing terhubung dengan sumber asli dan aturan yang digunakan untuk pemilihan. Jaga persiapan tetap konsisten dan nilai apakah materi hasil menjawab pertanyaan sebenarnya. Ini membuat keluaran numerik berguna bagi tahap pencarian, rekomendasi, atau analisis berikutnya.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "c81ea0a52484f7af50d63debc6ae9d297c2b2f4c1fdb713cf46b6c56ab611bcf", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "id", "methods": [ { "html": "openai/text-embedding-ada-002Model embedding teks OpenAI yang mengembalikan vektor numerik 1.536 dimensi. Gunakan representasi tersebut untuk pencarian semantik, rekomendasi konten terkait, pengelompokan, klasifikasi, atau deteksi rekaman teks yang tidak biasa.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
text-embedding-ada-002 adalah model embedding teks OpenAI untuk merepresentasikan materi tertulis sebagai vektor numerik. Keluarannya memuat 1.536 komponen. Pembuat menggabungkan peran kemiripan teks, pencarian dokumen/kueri, dan pencarian kode dalam satu representasi. Hasilnya adalah data untuk perbandingan atau algoritma lain, bukan jawaban yang dihasilkan untuk teks yang dibuat embedding-nya.
Untuk pencarian semantik, siapkan bagian dokumen bermakna dan pertahankan pengenal sumbernya. Contoh alur membuat embedding setiap bagian dan pertanyaan pengguna dengan model yang sama, membandingkan vektor, dan mengembalikan bagian sumber relevan. Aplikasi menentukan aturan temu kembali, filter, dan penyajian. Tahap pembangkitan teks berikutnya dapat menggunakan materi yang ditemukan untuk menyusun jawaban, sementara model embedding memberikan representasi numerik.
Penggunaan lain yang didokumentasikan meliputi pengelompokan rekaman serupa, rekomendasi konten terkait, klasifikasi teks, dan identifikasi pencilan. Untuk rekomendasi, bandingkan deskripsi objek yang hubungannya penting. Untuk klasifikasi, panduan menjelaskan perbandingan dengan representasi kategori atau penggunaan vektor sebagai fitur pengklasifikasi. Untuk deteksi anomali, hasil yang relevan adalah rekaman yang berbeda dari koleksi sekitarnya, ditafsirkan sesuai tugas produk.
OpenAI mencantumkan masukan maksimum 8.192 token untuk model ini. API embedding produsen menerima string teks atau masukan yang ditokenisasi, mengizinkan beberapa masukan dalam satu permintaan, dan menolak string kosong. Batas agregatnya adalah 300.000 token dalam satu permintaan, selain batas per masukan. Bagi dokumen lebih panjang menjadi bagian berguna sambil mempertahankan judul, definisi, dan rujukan kembali ke materi asli.
Keluaran adalah vektor nilai floating-point; produsen juga mendokumentasikan base64 sebagai pengodean alternatif untuk pengiriman data. Parameter pemendekan dimensi OpenAI ditujukan untuk model embedding generasi ketiga dan setelahnya, sehingga hasil Ada 1.536 dimensi yang didokumentasikan tetap terpisah dari kendali tersebut. Simpan identitas model dan vektor bersama rekaman sumber agar perbandingan berikutnya menggunakan representasi konsisten.
Panduan embedding menyarankan kemiripan kosinus dan menyatakan bahwa embedding OpenAI dinormalisasi ke panjang satu. Untuk vektor tersebut, hasil kali titik dapat menghitung kemiripan kosinus dan jarak Euclidean memberikan peringkat yang sama. Skor kemiripan merupakan bagian dari logika temu kembali atau klasifikasi aplikasi, bukan keputusan kategori yang otomatis diberikan model.
Tetapkan bidang sumber yang menjadi teks masukan dan cara bagian harus dibagi. Contoh hasil adalah himpunan bagian dokumen atau rekaman terkait berperingkat, masing-masing terhubung dengan sumber asli dan aturan yang digunakan untuk pemilihan. Jaga persiapan tetap konsisten dan nilai apakah materi hasil menjawab pertanyaan sebenarnya. Ini membuat keluaran numerik berguna bagi tahap pencarian, rekomendasi, atau analisis berikutnya.
POST /v1/embeddingstext, token_idsembedding| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan openai/text-embedding-ada-002 | Bawaan— |
Kolominput | Jenisstring|string[]|integer[]|integer[][] | PersyaratanWajib | Nilai & batasan Item minimum: 1 Kondisi: Batch homogen yang tidak kosong. ID token berupa bilangan bulat nonnegatif. Anggaran masukan: Maksimum: 8.192 · Satuan teks: byte UTF8 · Satuan token: elemen array token | Bawaan— |
Kolomencoding_format | Jenisstring | PersyaratanOpsional | Nilai & batasan float | Bawaanfloat |
Kolomdimensions | Jenisinteger | PersyaratanTidak didukung | Nilai & batasan Minimum: 1 | Bawaan— |
Kolomuser | Jenisjson_value | PersyaratanOpsional | Nilai & batasan Kondisi: Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model. | Bawaan— |
Kolomsession_id | Jenisjson_value | PersyaratanOpsional | Nilai & batasan Kondisi: Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model. | Bawaan— |
Kolomtrace | Jenisjson_value | PersyaratanOpsional | Nilai & batasan Kondisi: Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model. | Bawaan— |
Kolomprovider | Jenisobject | PersyaratanOpsional | Nilai & batasan Kondisi: provider.options ditolak | Bawaan— |
text_to_embedding
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, input |
Parameterinput_shapes | Kontrakstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parameterencoding_format | Kontrakfloat |
Parameterdimensions_override | Kontrakfalse |
Parametermax_input_budget_units | Kontrak8192 |
Parametermultimodal_objects | Kontrakfalse |
Parametermaterial_types | Kontraktext, token_ids |
Siklus hidup: synchronous_json
Pertahankan index dan dimensi setiap vektor.
Nama model multimodal tidak mengizinkan objek gambar pada jalur persis ini.
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
| Konfigurasi | Jadwal tarif | Biaya |
|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Biaya Masukan · Token masukan $0.0002 / 1K token Keluaran · Token keluaran $0 / 1K token Masukan · Pembacaan cache — / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
set -eu\n: "${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-ada-002", "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-ada-002',input=["First document","Second document"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\njson
Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
Simpan setiap vektor beserta index masing-masing. Jumlah vektor harus sama dengan jumlah input; dimensinya harus konsisten.
Endpoint untuk tugas embedding tidak ditambahkan.
| Kolom | Jenis |
|---|---|
Kolomobject | Jenisstring |
Kolommodel | Jenisstring |
Kolomdata[].index | Jenisinteger |
Kolomdata[].embedding | Jenisfinite float[] |
Kolomusage | Jenisobject |
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiBidang wajib, representasi materi, atau nilai parameter tidak valid | Langkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru. |
Ailoot Ultra openai/text-embedding-ada-002, text-embedding-ada-002
Gunakan jalur metode yang ditampilkan di atas.
text-embedding-ada-002Model embedding teks OpenAI yang mengembalikan vektor numerik 1.536 dimensi. Gunakan representasi tersebut untuk pencarian semantik, rekomendasi konten terkait, pengelompokan, klasifikasi, atau deteksi rekaman teks yang tidak biasa.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
text-embedding-ada-002 adalah model embedding teks OpenAI untuk merepresentasikan materi tertulis sebagai vektor numerik. Keluarannya memuat 1.536 komponen. Pembuat menggabungkan peran kemiripan teks, pencarian dokumen/kueri, dan pencarian kode dalam satu representasi. Hasilnya adalah data untuk perbandingan atau algoritma lain, bukan jawaban yang dihasilkan untuk teks yang dibuat embedding-nya.
Untuk pencarian semantik, siapkan bagian dokumen bermakna dan pertahankan pengenal sumbernya. Contoh alur membuat embedding setiap bagian dan pertanyaan pengguna dengan model yang sama, membandingkan vektor, dan mengembalikan bagian sumber relevan. Aplikasi menentukan aturan temu kembali, filter, dan penyajian. Tahap pembangkitan teks berikutnya dapat menggunakan materi yang ditemukan untuk menyusun jawaban, sementara model embedding memberikan representasi numerik.
Penggunaan lain yang didokumentasikan meliputi pengelompokan rekaman serupa, rekomendasi konten terkait, klasifikasi teks, dan identifikasi pencilan. Untuk rekomendasi, bandingkan deskripsi objek yang hubungannya penting. Untuk klasifikasi, panduan menjelaskan perbandingan dengan representasi kategori atau penggunaan vektor sebagai fitur pengklasifikasi. Untuk deteksi anomali, hasil yang relevan adalah rekaman yang berbeda dari koleksi sekitarnya, ditafsirkan sesuai tugas produk.
OpenAI mencantumkan masukan maksimum 8.192 token untuk model ini. API embedding produsen menerima string teks atau masukan yang ditokenisasi, mengizinkan beberapa masukan dalam satu permintaan, dan menolak string kosong. Batas agregatnya adalah 300.000 token dalam satu permintaan, selain batas per masukan. Bagi dokumen lebih panjang menjadi bagian berguna sambil mempertahankan judul, definisi, dan rujukan kembali ke materi asli.
Keluaran adalah vektor nilai floating-point; produsen juga mendokumentasikan base64 sebagai pengodean alternatif untuk pengiriman data. Parameter pemendekan dimensi OpenAI ditujukan untuk model embedding generasi ketiga dan setelahnya, sehingga hasil Ada 1.536 dimensi yang didokumentasikan tetap terpisah dari kendali tersebut. Simpan identitas model dan vektor bersama rekaman sumber agar perbandingan berikutnya menggunakan representasi konsisten.
Panduan embedding menyarankan kemiripan kosinus dan menyatakan bahwa embedding OpenAI dinormalisasi ke panjang satu. Untuk vektor tersebut, hasil kali titik dapat menghitung kemiripan kosinus dan jarak Euclidean memberikan peringkat yang sama. Skor kemiripan merupakan bagian dari logika temu kembali atau klasifikasi aplikasi, bukan keputusan kategori yang otomatis diberikan model.
Tetapkan bidang sumber yang menjadi teks masukan dan cara bagian harus dibagi. Contoh hasil adalah himpunan bagian dokumen atau rekaman terkait berperingkat, masing-masing terhubung dengan sumber asli dan aturan yang digunakan untuk pemilihan. Jaga persiapan tetap konsisten dan nilai apakah materi hasil menjawab pertanyaan sebenarnya. Ini membuat keluaran numerik berguna bagi tahap pencarian, rekomendasi, atau analisis berikutnya.
POST /v1/embeddingstextembedding| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan text-embedding-ada-002 | Bawaan— |
Kolominput | Jenisstring|string[]|integer[]|integer[][] | PersyaratanWajib | Nilai & batasan Item minimum: 1 Kondisi: Batch homogen yang tidak kosong. ID token berupa bilangan bulat nonnegatif. Anggaran masukan: Maksimum: 8.192 · Satuan teks: byte UTF8 · Satuan token: elemen array token | Bawaan— |
Kolomencoding_format | Jenisstring | PersyaratanOpsional | Nilai & batasan float | Bawaanfloat |
Kolomdimensions | Jenisinteger | PersyaratanTidak didukung | Nilai & batasan Minimum: 1 | Bawaan— |
Kolomuser | Jenisjson_value | PersyaratanOpsional | Nilai & batasan Kondisi: Metadata JSON opsional; semantik upstream yang persis bergantung pada model yang dipilih. | Bawaan— |
Kolomsession_id | Jenisjson_value | PersyaratanOpsional | Nilai & batasan Kondisi: Metadata JSON opsional; semantik upstream yang persis bergantung pada model yang dipilih. | Bawaan— |
Kolomtrace | Jenisjson_value | PersyaratanOpsional | Nilai & batasan Kondisi: Metadata JSON opsional; semantik upstream yang persis bergantung pada model yang dipilih. | Bawaan— |
Kolomprovider | Jenisobject | PersyaratanOpsional | Nilai & batasan Kondisi: provider.options ditolak | Bawaan— |
text_to_embedding
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, input |
Parameterinput_shapes | Kontrakstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parameterencoding_format | Kontrakfloat |
Parameterdimensions_override | Kontrakfalse |
Parametermax_input_budget_units | Kontrak8192 |
Parametermultimodal_objects | Kontrakfalse |
Parametermaterial_types | Kontraktext |
Parametertext_file_material | KontrakBaca dokumen UTF-8 yang sebenarnya dan masukkan teksnya ke string masukan atau konten pesan yang ditunjukkan. |
Siklus hidup: synchronous_json
Kirim ID model yang persis dan bidang wajib.
Simpan setiap item yang dikembalikan beserta pengenal aslinya.
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
| Konfigurasi | Jadwal tarif | Biaya |
|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Biaya Masukan · Token masukan $0.0002 / 1K token Keluaran · Token keluaran $0 / 1K token Masukan · Pembacaan cache — / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "text-embedding-ada-002",\n "input": [\n "First document",\n "Second document"\n ],\n "encoding_format": "float"\n}set -eu\n: "${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-ada-002', '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-ada-002', '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
Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
Simpan setiap vektor bernilai berhingga beserta indeks aslinya. Pertahankan seluruh dimensi dan objek penggunaan secara utuh.
Endpoint untuk tugas embedding tidak ditambahkan.
| Kolom | Jenis |
|---|---|
Kolomobject | Jenisstring |
Kolommodel | Jenisstring |
Kolomdata[].index | Jenisinteger |
Kolomdata[].embedding | Jenisfinite float[] |
Kolomusage | Jenisobject |
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiBidang wajib, representasi materi, atau nilai parameter tidak valid | Langkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru. |
Ailoot Ultra openai/text-embedding-ada-002, text-embedding-ada-002
Gunakan jalur metode yang ditampilkan di atas.