text-embedding-3-small è il modello più piccolo di embedding testuale di terza generazione di OpenAI. Converte materiale scritto in vettori numerici con 1536 componenti per impostazione predefinita. Quei vettori misurano relazioni tra testi per un altro passaggio di ricerca o analisi; il modello non genera una risposta conversazionale all’input.
Come il modello più grande di terza generazione, supporta il controllo dimensions del produttore per embedding più corti. L’addestramento è progettato per conservare informazioni rappresentative dei concetti in un vettore accorciato, con la scelta della dimensione che influisce sulla qualità e sui requisiti di risorse dell’applicazione. Mantieni coerenti modello e dimensioni selezionate tra record e query confrontati.
Un’applicazione concreta è la ricerca nel codice. La guida del produttore descrive la rappresentazione di funzioni sorgenti come testo e la loro codifica, quindi la codifica di una query in linguaggio naturale con lo stesso modello e il confronto dei vettori risultanti. Un risultato illustrativo è un insieme ordinato di funzioni pertinenti collegate alle posizioni nei sorgenti. Per la ricerca documentale, l’artefatto equivalente è un insieme di passaggi il cui testo e i riferimenti originali rimangono disponibili al lettore o al modello successivo.
Altri usi documentati comprendono clustering, raccomandazioni di contenuti correlati, classificazione, rilevamento di elementi anomali e misurazione della diversità. Un flusso mirato di messaggi può raggruppare richieste simili o confrontarle con descrizioni di categorie. L’applicazione definisce come un risultato di similarità diventa una categoria, una raccomandazione o un elemento da verificare; l’embedding stesso rimane costituito da dati numerici.
OpenAI specifica un input massimo di 8192 token per testo. La sua API di embedding accetta stringhe o input tokenizzato e più input in una richiesta, rifiuta stringhe vuote e applica un limite aggregato di 300.000 token. Prepara materiale lungo come passaggi significativi e conserva titoli o definizioni necessari per interpretarli. Usa un insieme coerente di campi di origine anziché codificare tipi di record diversi con regole di preparazione non correlate.
Il produttore restituisce vettori a virgola mobile per impostazione predefinita e documenta anche la codifica base64. La guida afferma che gli embedding OpenAI sono normalizzati a norma unitaria e raccomanda la similarità del coseno; un prodotto scalare può calcolarla e la distanza euclidea dà lo stesso ordinamento. Se un embedding di terza generazione viene accorciato manualmente dopo la restituzione, normalizza di nuovo il vettore accorciato come descritto dalla guida. Il controllo dimensions evita di rendere il troncamento manuale il normale passaggio di preparazione.
Registra identità del modello, dimensioni e collegamento alla fonte con ogni vettore. Un artefatto utile a valle è un elenco ordinato, una raccolta raggruppata o un insieme di caratteristiche di classificazione collegati al testo che li ha prodotti. Verifica se il materiale selezionato supporta effettivamente l’attività e mantieni i fatti mancanti separati dalla vicinanza semantica. Il passaggio successivo può quindi usare la rappresentazione per un flusso specifico di recupero o decisione.
", "aboutText": "text-embedding-3-small è il modello più piccolo di embedding testuale di terza generazione di OpenAI. Converte materiale scritto in vettori numerici con 1536 componenti per impostazione predefinita. Quei vettori misurano relazioni tra testi per un altro passaggio di ricerca o analisi; il modello non genera una risposta conversazionale all’input.\n\nCome il modello più grande di terza generazione, supporta il controllo dimensions del produttore per embedding più corti. L’addestramento è progettato per conservare informazioni rappresentative dei concetti in un vettore accorciato, con la scelta della dimensione che influisce sulla qualità e sui requisiti di risorse dell’applicazione. Mantieni coerenti modello e dimensioni selezionate tra record e query confrontati.\n\nUn’applicazione concreta è la ricerca nel codice. La guida del produttore descrive la rappresentazione di funzioni sorgenti come testo e la loro codifica, quindi la codifica di una query in linguaggio naturale con lo stesso modello e il confronto dei vettori risultanti. Un risultato illustrativo è un insieme ordinato di funzioni pertinenti collegate alle posizioni nei sorgenti. Per la ricerca documentale, l’artefatto equivalente è un insieme di passaggi il cui testo e i riferimenti originali rimangono disponibili al lettore o al modello successivo.\n\nAltri usi documentati comprendono clustering, raccomandazioni di contenuti correlati, classificazione, rilevamento di elementi anomali e misurazione della diversità. Un flusso mirato di messaggi può raggruppare richieste simili o confrontarle con descrizioni di categorie. L’applicazione definisce come un risultato di similarità diventa una categoria, una raccomandazione o un elemento da verificare; l’embedding stesso rimane costituito da dati numerici.\n\nOpenAI specifica un input massimo di 8192 token per testo. La sua API di embedding accetta stringhe o input tokenizzato e più input in una richiesta, rifiuta stringhe vuote e applica un limite aggregato di 300.000 token. Prepara materiale lungo come passaggi significativi e conserva titoli o definizioni necessari per interpretarli. Usa un insieme coerente di campi di origine anziché codificare tipi di record diversi con regole di preparazione non correlate.\n\nIl produttore restituisce vettori a virgola mobile per impostazione predefinita e documenta anche la codifica base64. La guida afferma che gli embedding OpenAI sono normalizzati a norma unitaria e raccomanda la similarità del coseno; un prodotto scalare può calcolarla e la distanza euclidea dà lo stesso ordinamento. Se un embedding di terza generazione viene accorciato manualmente dopo la restituzione, normalizza di nuovo il vettore accorciato come descritto dalla guida. Il controllo dimensions evita di rendere il troncamento manuale il normale passaggio di preparazione.\n\nRegistra identità del modello, dimensioni e collegamento alla fonte con ogni vettore. Un artefatto utile a valle è un elenco ordinato, una raccolta raggruppata o un insieme di caratteristiche di classificazione collegati al testo che li ha prodotti. Verifica se il materiale selezionato supporta effettivamente l’attività e mantieni i fatti mancanti separati dalla vicinanza semantica. Il passaggio successivo può quindi usare la rappresentazione per un flusso specifico di recupero o decisione.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "dae384d4e784ba758c5d4d8f39ba094417780aa55163e1dc7fb76d3921db6b00", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "it", "methods": [ { "html": "openai/text-embedding-3-smallIl modello piccolo di embedding testuale di terza generazione di OpenAI restituisce vettori a 1536 dimensioni per impostazione predefinita e supporta rappresentazioni più corte. Usa l’output numerico per ricerca semantica, recupero di codice, raggruppamento, raccomandazioni e 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-small è il modello più piccolo di embedding testuale di terza generazione di OpenAI. Converte materiale scritto in vettori numerici con 1536 componenti per impostazione predefinita. Quei vettori misurano relazioni tra testi per un altro passaggio di ricerca o analisi; il modello non genera una risposta conversazionale all’input.
Come il modello più grande di terza generazione, supporta il controllo dimensions del produttore per embedding più corti. L’addestramento è progettato per conservare informazioni rappresentative dei concetti in un vettore accorciato, con la scelta della dimensione che influisce sulla qualità e sui requisiti di risorse dell’applicazione. Mantieni coerenti modello e dimensioni selezionate tra record e query confrontati.
Un’applicazione concreta è la ricerca nel codice. La guida del produttore descrive la rappresentazione di funzioni sorgenti come testo e la loro codifica, quindi la codifica di una query in linguaggio naturale con lo stesso modello e il confronto dei vettori risultanti. Un risultato illustrativo è un insieme ordinato di funzioni pertinenti collegate alle posizioni nei sorgenti. Per la ricerca documentale, l’artefatto equivalente è un insieme di passaggi il cui testo e i riferimenti originali rimangono disponibili al lettore o al modello successivo.
Altri usi documentati comprendono clustering, raccomandazioni di contenuti correlati, classificazione, rilevamento di elementi anomali e misurazione della diversità. Un flusso mirato di messaggi può raggruppare richieste simili o confrontarle con descrizioni di categorie. L’applicazione definisce come un risultato di similarità diventa una categoria, una raccomandazione o un elemento da verificare; l’embedding stesso rimane costituito da dati numerici.
OpenAI specifica un input massimo di 8192 token per testo. La sua API di embedding accetta stringhe o input tokenizzato e più input in una richiesta, rifiuta stringhe vuote e applica un limite aggregato di 300.000 token. Prepara materiale lungo come passaggi significativi e conserva titoli o definizioni necessari per interpretarli. Usa un insieme coerente di campi di origine anziché codificare tipi di record diversi con regole di preparazione non correlate.
Il produttore restituisce vettori a virgola mobile per impostazione predefinita e documenta anche la codifica base64. La guida afferma che gli embedding OpenAI sono normalizzati a norma unitaria e raccomanda la similarità del coseno; un prodotto scalare può calcolarla e la distanza euclidea dà lo stesso ordinamento. Se un embedding di terza generazione viene accorciato manualmente dopo la restituzione, normalizza di nuovo il vettore accorciato come descritto dalla guida. Il controllo dimensions evita di rendere il troncamento manuale il normale passaggio di preparazione.
Registra identità del modello, dimensioni e collegamento alla fonte con ogni vettore. Un artefatto utile a valle è un elenco ordinato, una raccolta raggruppata o un insieme di caratteristiche di classificazione collegati al testo che li ha prodotti. Verifica se il materiale selezionato supporta effettivamente l’attività e mantieni i fatti mancanti separati dalla vicinanza semantica. Il passaggio successivo può quindi usare la rappresentazione per un flusso specifico di recupero o decisione.
POST /v1/embeddingstext, token_idsembedding| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti openai/text-embedding-3-small | 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 $0.00004 / 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-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
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-small, text-embedding-3-small
Usa i percorsi dei metodi indicati sopra.
text-embedding-3-smallIl modello piccolo di embedding testuale di terza generazione di OpenAI restituisce vettori a 1536 dimensioni per impostazione predefinita e supporta rappresentazioni più corte. Usa l’output numerico per ricerca semantica, recupero di codice, raggruppamento, raccomandazioni e 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-small è il modello più piccolo di embedding testuale di terza generazione di OpenAI. Converte materiale scritto in vettori numerici con 1536 componenti per impostazione predefinita. Quei vettori misurano relazioni tra testi per un altro passaggio di ricerca o analisi; il modello non genera una risposta conversazionale all’input.
Come il modello più grande di terza generazione, supporta il controllo dimensions del produttore per embedding più corti. L’addestramento è progettato per conservare informazioni rappresentative dei concetti in un vettore accorciato, con la scelta della dimensione che influisce sulla qualità e sui requisiti di risorse dell’applicazione. Mantieni coerenti modello e dimensioni selezionate tra record e query confrontati.
Un’applicazione concreta è la ricerca nel codice. La guida del produttore descrive la rappresentazione di funzioni sorgenti come testo e la loro codifica, quindi la codifica di una query in linguaggio naturale con lo stesso modello e il confronto dei vettori risultanti. Un risultato illustrativo è un insieme ordinato di funzioni pertinenti collegate alle posizioni nei sorgenti. Per la ricerca documentale, l’artefatto equivalente è un insieme di passaggi il cui testo e i riferimenti originali rimangono disponibili al lettore o al modello successivo.
Altri usi documentati comprendono clustering, raccomandazioni di contenuti correlati, classificazione, rilevamento di elementi anomali e misurazione della diversità. Un flusso mirato di messaggi può raggruppare richieste simili o confrontarle con descrizioni di categorie. L’applicazione definisce come un risultato di similarità diventa una categoria, una raccomandazione o un elemento da verificare; l’embedding stesso rimane costituito da dati numerici.
OpenAI specifica un input massimo di 8192 token per testo. La sua API di embedding accetta stringhe o input tokenizzato e più input in una richiesta, rifiuta stringhe vuote e applica un limite aggregato di 300.000 token. Prepara materiale lungo come passaggi significativi e conserva titoli o definizioni necessari per interpretarli. Usa un insieme coerente di campi di origine anziché codificare tipi di record diversi con regole di preparazione non correlate.
Il produttore restituisce vettori a virgola mobile per impostazione predefinita e documenta anche la codifica base64. La guida afferma che gli embedding OpenAI sono normalizzati a norma unitaria e raccomanda la similarità del coseno; un prodotto scalare può calcolarla e la distanza euclidea dà lo stesso ordinamento. Se un embedding di terza generazione viene accorciato manualmente dopo la restituzione, normalizza di nuovo il vettore accorciato come descritto dalla guida. Il controllo dimensions evita di rendere il troncamento manuale il normale passaggio di preparazione.
Registra identità del modello, dimensioni e collegamento alla fonte con ogni vettore. Un artefatto utile a valle è un elenco ordinato, una raccolta raggruppata o un insieme di caratteristiche di classificazione collegati al testo che li ha prodotti. Verifica se il materiale selezionato supporta effettivamente l’attività e mantieni i fatti mancanti separati dalla vicinanza semantica. Il passaggio successivo può quindi usare la rappresentazione per un flusso specifico di recupero o decisione.
POST /v1/embeddingstextembedding| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti text-embedding-3-small | 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 $0.00004 / 1K token Output · Token in output $0 / 1K token Input · Lettura dalla cache — / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "text-embedding-3-small",\n "input": [\n "First document",\n "Second document"\n ],\n "encoding_format": "float"\n}set -eu\n: "${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
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-small, text-embedding-3-small
Usa i percorsi dei metodi indicati sopra.