text-embedding-3-large è il modello più grande di embedding testuale di terza generazione di OpenAI per attività in inglese e in altre lingue. Trasforma materiale scritto in un vettore numerico, restituendo 3072 componenti per impostazione predefinita. Il vettore rappresenta relazioni nel contenuto fornito; un processo di recupero o classificazione lo usa per selezionare materiale o prendere un’altra decisione.
I modelli di terza generazione sono addestrati per supportare rappresentazioni più corte attraverso il controllo dimensions del produttore. Il produttore fornisce 1024 dimensioni come esempio quando un archivio vettoriale richiede quella dimensione. Un vettore più corto riduce la quantità di dati da memorizzare e confrontare, mentre cambiare la rappresentazione può influire sulla qualità del recupero. Scegli la dimensione in base ai requisiti dell’applicazione e usa la stessa scelta per il corpus e le sue query.
Un flusso illustrativo di ricerca documentale suddivide il materiale di origine in passaggi significativi, conserva gli identificatori e ottiene vettori per ogni passaggio. Una domanda viene codificata usando lo stesso modello e le stesse dimensioni, quindi confrontata con i vettori dei passaggi. L’applicazione fornisce filtri, seleziona i risultati ordinati e mostra i riferimenti alle fonti. Un successivo modello di generazione testuale può sviluppare una risposta dal materiale recuperato; il risultato del modello di embedding rimane costituito da dati numerici.
Altre applicazioni documentate comprendono ricerca di codice o testo, raggruppamento di record simili, raccomandazioni di contenuti correlati, classificazione, rilevamento delle anomalie e misurazione della diversità in una raccolta. Per una raccomandazione, descrivi gli oggetti nei termini pertinenti al rapporto. Per la classificazione, confronta con rappresentazioni di categorie o usa i vettori come caratteristiche di un classificatore. Definisci la regola che trasforma la similarità nel risultato necessario al prodotto.
OpenAI indica un input massimo di 8192 token per testo. L’API di embedding accetta stringhe o testo tokenizzato, supporta più input e rifiuta stringhe vuote. Applica inoltre un limite aggregato di 300.000 token per una richiesta. Un documento lungo dovrebbe essere suddiviso mantenendo intatti confini significativi e contesto, con ogni vettore collegato al passaggio di origine.
Il produttore documenta vettori a virgola mobile come output predefinito e base64 come codifica alternativa. La guida raccomanda la similarità del coseno e afferma che gli embedding OpenAI sono normalizzati a norma unitaria, permettendo un prodotto scalare per la similarità del coseno e ordinamenti equivalenti con la distanza euclidea. Se un vettore di terza generazione viene accorciato manualmente dopo la generazione, il produttore richiede all’applicazione di normalizzare nuovamente il vettore accorciato; usare il controllo dimensions è il percorso raccomandato.
Prepara una rappresentazione testuale coerente e registra modello, dimensioni e identificatore della fonte. Un artefatto finale utile è un insieme ordinato di passaggi, elementi correlati o record raggruppati con una regola di selezione esplicita. Valuta se il risultato risponde alla query e conserva l’evidenza delle fonti per la fase successiva, anziché trattare la similarità vettoriale come verifica delle affermazioni fattuali di un record.
", "aboutText": "text-embedding-3-large è il modello più grande di embedding testuale di terza generazione di OpenAI per attività in inglese e in altre lingue. Trasforma materiale scritto in un vettore numerico, restituendo 3072 componenti per impostazione predefinita. Il vettore rappresenta relazioni nel contenuto fornito; un processo di recupero o classificazione lo usa per selezionare materiale o prendere un’altra decisione.\n\nI modelli di terza generazione sono addestrati per supportare rappresentazioni più corte attraverso il controllo dimensions del produttore. Il produttore fornisce 1024 dimensioni come esempio quando un archivio vettoriale richiede quella dimensione. Un vettore più corto riduce la quantità di dati da memorizzare e confrontare, mentre cambiare la rappresentazione può influire sulla qualità del recupero. Scegli la dimensione in base ai requisiti dell’applicazione e usa la stessa scelta per il corpus e le sue query.\n\nUn flusso illustrativo di ricerca documentale suddivide il materiale di origine in passaggi significativi, conserva gli identificatori e ottiene vettori per ogni passaggio. Una domanda viene codificata usando lo stesso modello e le stesse dimensioni, quindi confrontata con i vettori dei passaggi. L’applicazione fornisce filtri, seleziona i risultati ordinati e mostra i riferimenti alle fonti. Un successivo modello di generazione testuale può sviluppare una risposta dal materiale recuperato; il risultato del modello di embedding rimane costituito da dati numerici.\n\nAltre applicazioni documentate comprendono ricerca di codice o testo, raggruppamento di record simili, raccomandazioni di contenuti correlati, classificazione, rilevamento delle anomalie e misurazione della diversità in una raccolta. Per una raccomandazione, descrivi gli oggetti nei termini pertinenti al rapporto. Per la classificazione, confronta con rappresentazioni di categorie o usa i vettori come caratteristiche di un classificatore. Definisci la regola che trasforma la similarità nel risultato necessario al prodotto.\n\nOpenAI indica un input massimo di 8192 token per testo. L’API di embedding accetta stringhe o testo tokenizzato, supporta più input e rifiuta stringhe vuote. Applica inoltre un limite aggregato di 300.000 token per una richiesta. Un documento lungo dovrebbe essere suddiviso mantenendo intatti confini significativi e contesto, con ogni vettore collegato al passaggio di origine.\n\nIl produttore documenta vettori a virgola mobile come output predefinito e base64 come codifica alternativa. La guida raccomanda la similarità del coseno e afferma che gli embedding OpenAI sono normalizzati a norma unitaria, permettendo un prodotto scalare per la similarità del coseno e ordinamenti equivalenti con la distanza euclidea. Se un vettore di terza generazione viene accorciato manualmente dopo la generazione, il produttore richiede all’applicazione di normalizzare nuovamente il vettore accorciato; usare il controllo dimensions è il percorso raccomandato.\n\nPrepara una rappresentazione testuale coerente e registra modello, dimensioni e identificatore della fonte. Un artefatto finale utile è un insieme ordinato di passaggi, elementi correlati o record raggruppati con una regola di selezione esplicita. Valuta se il risultato risponde alla query e conserva l’evidenza delle fonti per la fase successiva, anziché trattare la similarità vettoriale come verifica delle affermazioni fattuali di un record.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "0aca999e49767b3e6ed488b24e04a38648c99923dec5eba1be67b0fc460f2a99", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "it", "methods": [ { "html": "openai/text-embedding-3-largeIl modello più grande di embedding testuale di terza generazione di OpenAI restituisce vettori a 3072 dimensioni per impostazione predefinita, con un controllo del produttore per rappresentazioni più corte. Usalo per recupero semantico, confronto multilingue e flussi di contenuti correlati o classificazione.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
text-embedding-3-large è il modello più grande di embedding testuale di terza generazione di OpenAI per attività in inglese e in altre lingue. Trasforma materiale scritto in un vettore numerico, restituendo 3072 componenti per impostazione predefinita. Il vettore rappresenta relazioni nel contenuto fornito; un processo di recupero o classificazione lo usa per selezionare materiale o prendere un’altra decisione.
I modelli di terza generazione sono addestrati per supportare rappresentazioni più corte attraverso il controllo dimensions del produttore. Il produttore fornisce 1024 dimensioni come esempio quando un archivio vettoriale richiede quella dimensione. Un vettore più corto riduce la quantità di dati da memorizzare e confrontare, mentre cambiare la rappresentazione può influire sulla qualità del recupero. Scegli la dimensione in base ai requisiti dell’applicazione e usa la stessa scelta per il corpus e le sue query.
Un flusso illustrativo di ricerca documentale suddivide il materiale di origine in passaggi significativi, conserva gli identificatori e ottiene vettori per ogni passaggio. Una domanda viene codificata usando lo stesso modello e le stesse dimensioni, quindi confrontata con i vettori dei passaggi. L’applicazione fornisce filtri, seleziona i risultati ordinati e mostra i riferimenti alle fonti. Un successivo modello di generazione testuale può sviluppare una risposta dal materiale recuperato; il risultato del modello di embedding rimane costituito da dati numerici.
Altre applicazioni documentate comprendono ricerca di codice o testo, raggruppamento di record simili, raccomandazioni di contenuti correlati, classificazione, rilevamento delle anomalie e misurazione della diversità in una raccolta. Per una raccomandazione, descrivi gli oggetti nei termini pertinenti al rapporto. Per la classificazione, confronta con rappresentazioni di categorie o usa i vettori come caratteristiche di un classificatore. Definisci la regola che trasforma la similarità nel risultato necessario al prodotto.
OpenAI indica un input massimo di 8192 token per testo. L’API di embedding accetta stringhe o testo tokenizzato, supporta più input e rifiuta stringhe vuote. Applica inoltre un limite aggregato di 300.000 token per una richiesta. Un documento lungo dovrebbe essere suddiviso mantenendo intatti confini significativi e contesto, con ogni vettore collegato al passaggio di origine.
Il produttore documenta vettori a virgola mobile come output predefinito e base64 come codifica alternativa. La guida raccomanda la similarità del coseno e afferma che gli embedding OpenAI sono normalizzati a norma unitaria, permettendo un prodotto scalare per la similarità del coseno e ordinamenti equivalenti con la distanza euclidea. Se un vettore di terza generazione viene accorciato manualmente dopo la generazione, il produttore richiede all’applicazione di normalizzare nuovamente il vettore accorciato; usare il controllo dimensions è il percorso raccomandato.
Prepara una rappresentazione testuale coerente e registra modello, dimensioni e identificatore della fonte. Un artefatto finale utile è un insieme ordinato di passaggi, elementi correlati o record raggruppati con una regola di selezione esplicita. Valuta se il risultato risponde alla query e conserva l’evidenza delle fonti per la fase successiva, anziché trattare la similarità vettoriale come verifica delle affermazioni fattuali di un record.
POST /v1/embeddingstext, token_idsembedding| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti openai/text-embedding-3-large | Predefinito— |
Campoinput | Tipostring|string[]|integer[]|integer[][] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 Condizioni: Batch omogeneo non vuoto. Gli ID dei token sono numeri interi non negativi. Budget di input: Massimo: 8192 · Unità di testo: byte UTF8 · Unità di token: elementi dell’array di token | Predefinito— |
Campoencoding_format | Tipostring | RequisitoFacoltativo | Valori e limiti float | Predefinitofloat |
Campodimensions | Tipointeger | RequisitoNon supportato | Valori e limiti Minimo: 1 | Predefinito— |
Campouser | Tipojson_value | RequisitoFacoltativo | Valori e limiti Condizioni: La fonte consente questo campo di metadati JSON; la semantica esatta del fornitore a monte dipende dal modello. | Predefinito— |
Camposession_id | Tipojson_value | RequisitoFacoltativo | Valori e limiti Condizioni: La fonte consente questo campo di metadati JSON; la semantica esatta del fornitore a monte dipende dal modello. | Predefinito— |
Campotrace | Tipojson_value | RequisitoFacoltativo | Valori e limiti Condizioni: La fonte consente questo campo di metadati JSON; la semantica esatta del fornitore a monte dipende dal modello. | Predefinito— |
Campoprovider | Tipoobject | RequisitoFacoltativo | Valori e limiti Condizioni: provider.options rifiutato | Predefinito— |
text_to_embedding
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, input |
Parametroinput_shapes | Contrattostring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parametroencoding_format | Contrattofloat |
Parametrodimensions_override | Contrattofalse |
Parametromax_input_budget_units | Contratto8192 |
Parametromultimodal_objects | Contrattofalse |
Parametromaterial_types | Contrattotext, token_ids |
Ciclo di vita: synchronous_json
Conserva l'indice e la dimensione di ogni vettore.
Il nome del modello multimodale non consente oggetti immagine su questo percorso specifico.
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
| Configurazione | Listino delle tariffe | Costo |
|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Costo Input · Token in input $0.00026 / 1K token Output · Token in output $0 / 1K token Input · Lettura dalla cache — / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${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
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva ogni vettore con il suo indice. Il numero di vettori deve coincidere con il numero di input; le dimensioni devono essere coerenti.
Non viene introdotto alcun endpoint per i job di embedding.
| Campo | Tipo |
|---|---|
Campoobject | Tipostring |
Campomodel | Tipostring |
Campodata[].index | Tipointeger |
Campodata[].embedding | Tipofinite float[] |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra openai/text-embedding-3-large, text-embedding-3-large
Usa i percorsi dei metodi indicati sopra.
text-embedding-3-largeIl modello più grande di embedding testuale di terza generazione di OpenAI restituisce vettori a 3072 dimensioni per impostazione predefinita, con un controllo del produttore per rappresentazioni più corte. Usalo per recupero semantico, confronto multilingue e flussi di contenuti correlati o classificazione.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
text-embedding-3-large è il modello più grande di embedding testuale di terza generazione di OpenAI per attività in inglese e in altre lingue. Trasforma materiale scritto in un vettore numerico, restituendo 3072 componenti per impostazione predefinita. Il vettore rappresenta relazioni nel contenuto fornito; un processo di recupero o classificazione lo usa per selezionare materiale o prendere un’altra decisione.
I modelli di terza generazione sono addestrati per supportare rappresentazioni più corte attraverso il controllo dimensions del produttore. Il produttore fornisce 1024 dimensioni come esempio quando un archivio vettoriale richiede quella dimensione. Un vettore più corto riduce la quantità di dati da memorizzare e confrontare, mentre cambiare la rappresentazione può influire sulla qualità del recupero. Scegli la dimensione in base ai requisiti dell’applicazione e usa la stessa scelta per il corpus e le sue query.
Un flusso illustrativo di ricerca documentale suddivide il materiale di origine in passaggi significativi, conserva gli identificatori e ottiene vettori per ogni passaggio. Una domanda viene codificata usando lo stesso modello e le stesse dimensioni, quindi confrontata con i vettori dei passaggi. L’applicazione fornisce filtri, seleziona i risultati ordinati e mostra i riferimenti alle fonti. Un successivo modello di generazione testuale può sviluppare una risposta dal materiale recuperato; il risultato del modello di embedding rimane costituito da dati numerici.
Altre applicazioni documentate comprendono ricerca di codice o testo, raggruppamento di record simili, raccomandazioni di contenuti correlati, classificazione, rilevamento delle anomalie e misurazione della diversità in una raccolta. Per una raccomandazione, descrivi gli oggetti nei termini pertinenti al rapporto. Per la classificazione, confronta con rappresentazioni di categorie o usa i vettori come caratteristiche di un classificatore. Definisci la regola che trasforma la similarità nel risultato necessario al prodotto.
OpenAI indica un input massimo di 8192 token per testo. L’API di embedding accetta stringhe o testo tokenizzato, supporta più input e rifiuta stringhe vuote. Applica inoltre un limite aggregato di 300.000 token per una richiesta. Un documento lungo dovrebbe essere suddiviso mantenendo intatti confini significativi e contesto, con ogni vettore collegato al passaggio di origine.
Il produttore documenta vettori a virgola mobile come output predefinito e base64 come codifica alternativa. La guida raccomanda la similarità del coseno e afferma che gli embedding OpenAI sono normalizzati a norma unitaria, permettendo un prodotto scalare per la similarità del coseno e ordinamenti equivalenti con la distanza euclidea. Se un vettore di terza generazione viene accorciato manualmente dopo la generazione, il produttore richiede all’applicazione di normalizzare nuovamente il vettore accorciato; usare il controllo dimensions è il percorso raccomandato.
Prepara una rappresentazione testuale coerente e registra modello, dimensioni e identificatore della fonte. Un artefatto finale utile è un insieme ordinato di passaggi, elementi correlati o record raggruppati con una regola di selezione esplicita. Valuta se il risultato risponde alla query e conserva l’evidenza delle fonti per la fase successiva, anziché trattare la similarità vettoriale come verifica delle affermazioni fattuali di un record.
POST /v1/embeddingstextembedding| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti text-embedding-3-large | Predefinito— |
Campoinput | Tipostring|string[]|integer[]|integer[][] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 Condizioni: Batch omogeneo non vuoto. Gli ID dei token sono numeri interi non negativi. Budget di input: Massimo: 8192 · Unità di testo: byte UTF8 · Unità di token: elementi dell’array di token | Predefinito— |
Campoencoding_format | Tipostring | RequisitoFacoltativo | Valori e limiti float | Predefinitofloat |
Campodimensions | Tipointeger | RequisitoNon supportato | Valori e limiti Minimo: 1 | Predefinito— |
Campouser | Tipojson_value | RequisitoFacoltativo | Valori e limiti Condizioni: Metadati JSON facoltativi; la semantica esatta del fornitore a monte dipende dal modello selezionato. | Predefinito— |
Camposession_id | Tipojson_value | RequisitoFacoltativo | Valori e limiti Condizioni: Metadati JSON facoltativi; la semantica esatta del fornitore a monte dipende dal modello selezionato. | Predefinito— |
Campotrace | Tipojson_value | RequisitoFacoltativo | Valori e limiti Condizioni: Metadati JSON facoltativi; la semantica esatta del fornitore a monte dipende dal modello selezionato. | Predefinito— |
Campoprovider | Tipoobject | RequisitoFacoltativo | Valori e limiti Condizioni: provider.options rifiutato | Predefinito— |
text_to_embedding
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, input |
Parametroinput_shapes | Contrattostring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parametroencoding_format | Contrattofloat |
Parametrodimensions_override | Contrattofalse |
Parametromax_input_budget_units | Contratto8192 |
Parametromultimodal_objects | Contrattofalse |
Parametromaterial_types | Contrattotext |
Parametrotext_file_material | ContrattoLeggi il documento UTF-8 effettivo e inserisci il testo nell’ingresso indicato o nella stringa del contenuto del messaggio. |
Ciclo di vita: synchronous_json
Invia l'ID esatto del modello e i campi obbligatori.
Conserva ogni elemento restituito e i suoi identificatori originali.
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
| Configurazione | Listino delle tariffe | Costo |
|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Costo Input · Token in input $0.00026 / 1K token Output · Token in output $0 / 1K token Input · Lettura dalla cache — / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "text-embedding-3-large",\n "input": [\n "First document",\n "Second document"\n ],\n "encoding_format": "float"\n}set -eu\n: "${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
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva ogni vettore finito con il suo indice originale. Preserva tutte le dimensioni e l'intero oggetto usage.
Non viene introdotto alcun endpoint per i job di embedding.
| Campo | Tipo |
|---|---|
Campoobject | Tipostring |
Campomodel | Tipostring |
Campodata[].index | Tipointeger |
Campodata[].embedding | Tipofinite float[] |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra openai/text-embedding-3-large, text-embedding-3-large
Usa i percorsi dei metodi indicati sopra.