text-embedding-ada-002 è il modello di embedding testuale di OpenAI per rappresentare materiale scritto come un vettore numerico. Il suo output contiene 1536 componenti. Il produttore combina i ruoli di similarità testuale, ricerca di documenti/query e ricerca di codice in un’unica rappresentazione. Il risultato è costituito da dati per un confronto o un altro algoritmo, anziché da una risposta generata al testo codificato.
Per la ricerca semantica, prepara passaggi documentali significativi e conserva gli identificatori delle fonti. Un flusso illustrativo codifica ogni passaggio e la domanda dell’utente con lo stesso modello, confronta i vettori e restituisce i passaggi di origine pertinenti. L’applicazione determina la regola di recupero, i filtri e la presentazione. Una successiva fase di generazione testuale può usare il materiale recuperato per sviluppare una risposta, mentre il modello di embedding fornisce la rappresentazione numerica.
Altri usi documentati comprendono raggruppamento di record simili, raccomandazione di contenuti correlati, classificazione testuale e identificazione di elementi anomali. Per una raccomandazione, confronta le descrizioni degli oggetti il cui rapporto conta. Per la classificazione, la guida descrive il confronto con rappresentazioni di categorie o l’uso dei vettori come caratteristiche di un classificatore. Per il rilevamento delle anomalie, il risultato pertinente è un record che differisce dalla raccolta circostante, interpretato secondo l’attività del prodotto.
OpenAI indica un input massimo di 8192 token per questo modello. L’API di embedding del produttore accetta stringhe di testo o input tokenizzato, permette più input in una richiesta e rifiuta stringhe vuote. Il suo limite aggregato è di 300.000 token in una singola richiesta, oltre al limite per input. Suddividi documenti più lunghi in passaggi utili preservando titoli, definizioni e il riferimento al materiale originale.
L’output è un vettore di valori a virgola mobile; il produttore documenta anche base64 come codifica di trasporto alternativa. Il parametro di riduzione della dimensione di OpenAI è destinato ai modelli di embedding di terza generazione e successivi, quindi il risultato documentato a 1536 dimensioni del modello Ada rimane distinto da quel controllo. Memorizza identità del modello e vettore con il record di origine, affinché i confronti successivi usino una rappresentazione coerente.
La guida agli embedding raccomanda la similarità del coseno e afferma che gli embedding OpenAI sono normalizzati a norma unitaria. Per quei vettori, un prodotto scalare può calcolare la similarità del coseno e la distanza euclidea dà lo stesso ordinamento. Un punteggio di similarità fa parte della logica di recupero o classificazione dell’applicazione, non è una decisione categoriale fornita automaticamente dal modello.
Definisci quali campi di origine diventano il testo di input e come dividere i passaggi. Un risultato illustrativo è un insieme ordinato di passaggi documentali o record correlati, ciascuno collegato alla fonte originale e alla regola usata per la selezione. Mantieni coerente la preparazione e valuta se il materiale restituito affronta la domanda effettiva. Ciò rende l’output numerico utile al successivo passaggio di ricerca, raccomandazione o analisi.
", "aboutText": "text-embedding-ada-002 è il modello di embedding testuale di OpenAI per rappresentare materiale scritto come un vettore numerico. Il suo output contiene 1536 componenti. Il produttore combina i ruoli di similarità testuale, ricerca di documenti/query e ricerca di codice in un’unica rappresentazione. Il risultato è costituito da dati per un confronto o un altro algoritmo, anziché da una risposta generata al testo codificato.\n\nPer la ricerca semantica, prepara passaggi documentali significativi e conserva gli identificatori delle fonti. Un flusso illustrativo codifica ogni passaggio e la domanda dell’utente con lo stesso modello, confronta i vettori e restituisce i passaggi di origine pertinenti. L’applicazione determina la regola di recupero, i filtri e la presentazione. Una successiva fase di generazione testuale può usare il materiale recuperato per sviluppare una risposta, mentre il modello di embedding fornisce la rappresentazione numerica.\n\nAltri usi documentati comprendono raggruppamento di record simili, raccomandazione di contenuti correlati, classificazione testuale e identificazione di elementi anomali. Per una raccomandazione, confronta le descrizioni degli oggetti il cui rapporto conta. Per la classificazione, la guida descrive il confronto con rappresentazioni di categorie o l’uso dei vettori come caratteristiche di un classificatore. Per il rilevamento delle anomalie, il risultato pertinente è un record che differisce dalla raccolta circostante, interpretato secondo l’attività del prodotto.\n\nOpenAI indica un input massimo di 8192 token per questo modello. L’API di embedding del produttore accetta stringhe di testo o input tokenizzato, permette più input in una richiesta e rifiuta stringhe vuote. Il suo limite aggregato è di 300.000 token in una singola richiesta, oltre al limite per input. Suddividi documenti più lunghi in passaggi utili preservando titoli, definizioni e il riferimento al materiale originale.\n\nL’output è un vettore di valori a virgola mobile; il produttore documenta anche base64 come codifica di trasporto alternativa. Il parametro di riduzione della dimensione di OpenAI è destinato ai modelli di embedding di terza generazione e successivi, quindi il risultato documentato a 1536 dimensioni del modello Ada rimane distinto da quel controllo. Memorizza identità del modello e vettore con il record di origine, affinché i confronti successivi usino una rappresentazione coerente.\n\nLa guida agli embedding raccomanda la similarità del coseno e afferma che gli embedding OpenAI sono normalizzati a norma unitaria. Per quei vettori, un prodotto scalare può calcolare la similarità del coseno e la distanza euclidea dà lo stesso ordinamento. Un punteggio di similarità fa parte della logica di recupero o classificazione dell’applicazione, non è una decisione categoriale fornita automaticamente dal modello.\n\nDefinisci quali campi di origine diventano il testo di input e come dividere i passaggi. Un risultato illustrativo è un insieme ordinato di passaggi documentali o record correlati, ciascuno collegato alla fonte originale e alla regola usata per la selezione. Mantieni coerente la preparazione e valuta se il materiale restituito affronta la domanda effettiva. Ciò rende l’output numerico utile al successivo passaggio di ricerca, raccomandazione o analisi.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "fabd76afa08db9c217f3badf642cbdc77e65b7cd4fcf31942ba93df62791636c", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "it", "methods": [ { "html": "openai/text-embedding-ada-002Un modello di embedding testuale di OpenAI che restituisce un vettore numerico a 1536 dimensioni. Usa queste rappresentazioni per ricerca semantica, raccomandazioni di contenuti correlati, clustering, classificazione o rilevamento di record testuali insoliti.
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-ada-002 è il modello di embedding testuale di OpenAI per rappresentare materiale scritto come un vettore numerico. Il suo output contiene 1536 componenti. Il produttore combina i ruoli di similarità testuale, ricerca di documenti/query e ricerca di codice in un’unica rappresentazione. Il risultato è costituito da dati per un confronto o un altro algoritmo, anziché da una risposta generata al testo codificato.
Per la ricerca semantica, prepara passaggi documentali significativi e conserva gli identificatori delle fonti. Un flusso illustrativo codifica ogni passaggio e la domanda dell’utente con lo stesso modello, confronta i vettori e restituisce i passaggi di origine pertinenti. L’applicazione determina la regola di recupero, i filtri e la presentazione. Una successiva fase di generazione testuale può usare il materiale recuperato per sviluppare una risposta, mentre il modello di embedding fornisce la rappresentazione numerica.
Altri usi documentati comprendono raggruppamento di record simili, raccomandazione di contenuti correlati, classificazione testuale e identificazione di elementi anomali. Per una raccomandazione, confronta le descrizioni degli oggetti il cui rapporto conta. Per la classificazione, la guida descrive il confronto con rappresentazioni di categorie o l’uso dei vettori come caratteristiche di un classificatore. Per il rilevamento delle anomalie, il risultato pertinente è un record che differisce dalla raccolta circostante, interpretato secondo l’attività del prodotto.
OpenAI indica un input massimo di 8192 token per questo modello. L’API di embedding del produttore accetta stringhe di testo o input tokenizzato, permette più input in una richiesta e rifiuta stringhe vuote. Il suo limite aggregato è di 300.000 token in una singola richiesta, oltre al limite per input. Suddividi documenti più lunghi in passaggi utili preservando titoli, definizioni e il riferimento al materiale originale.
L’output è un vettore di valori a virgola mobile; il produttore documenta anche base64 come codifica di trasporto alternativa. Il parametro di riduzione della dimensione di OpenAI è destinato ai modelli di embedding di terza generazione e successivi, quindi il risultato documentato a 1536 dimensioni del modello Ada rimane distinto da quel controllo. Memorizza identità del modello e vettore con il record di origine, affinché i confronti successivi usino una rappresentazione coerente.
La guida agli embedding raccomanda la similarità del coseno e afferma che gli embedding OpenAI sono normalizzati a norma unitaria. Per quei vettori, un prodotto scalare può calcolare la similarità del coseno e la distanza euclidea dà lo stesso ordinamento. Un punteggio di similarità fa parte della logica di recupero o classificazione dell’applicazione, non è una decisione categoriale fornita automaticamente dal modello.
Definisci quali campi di origine diventano il testo di input e come dividere i passaggi. Un risultato illustrativo è un insieme ordinato di passaggi documentali o record correlati, ciascuno collegato alla fonte originale e alla regola usata per la selezione. Mantieni coerente la preparazione e valuta se il materiale restituito affronta la domanda effettiva. Ciò rende l’output numerico utile al successivo passaggio di ricerca, raccomandazione o analisi.
POST /v1/embeddingstext, token_idsembedding| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti openai/text-embedding-ada-002 | 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 $0.0002 / 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-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
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-ada-002, text-embedding-ada-002
Usa i percorsi dei metodi indicati sopra.
text-embedding-ada-002Un modello di embedding testuale di OpenAI che restituisce un vettore numerico a 1536 dimensioni. Usa queste rappresentazioni per ricerca semantica, raccomandazioni di contenuti correlati, clustering, classificazione o rilevamento di record testuali insoliti.
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-ada-002 è il modello di embedding testuale di OpenAI per rappresentare materiale scritto come un vettore numerico. Il suo output contiene 1536 componenti. Il produttore combina i ruoli di similarità testuale, ricerca di documenti/query e ricerca di codice in un’unica rappresentazione. Il risultato è costituito da dati per un confronto o un altro algoritmo, anziché da una risposta generata al testo codificato.
Per la ricerca semantica, prepara passaggi documentali significativi e conserva gli identificatori delle fonti. Un flusso illustrativo codifica ogni passaggio e la domanda dell’utente con lo stesso modello, confronta i vettori e restituisce i passaggi di origine pertinenti. L’applicazione determina la regola di recupero, i filtri e la presentazione. Una successiva fase di generazione testuale può usare il materiale recuperato per sviluppare una risposta, mentre il modello di embedding fornisce la rappresentazione numerica.
Altri usi documentati comprendono raggruppamento di record simili, raccomandazione di contenuti correlati, classificazione testuale e identificazione di elementi anomali. Per una raccomandazione, confronta le descrizioni degli oggetti il cui rapporto conta. Per la classificazione, la guida descrive il confronto con rappresentazioni di categorie o l’uso dei vettori come caratteristiche di un classificatore. Per il rilevamento delle anomalie, il risultato pertinente è un record che differisce dalla raccolta circostante, interpretato secondo l’attività del prodotto.
OpenAI indica un input massimo di 8192 token per questo modello. L’API di embedding del produttore accetta stringhe di testo o input tokenizzato, permette più input in una richiesta e rifiuta stringhe vuote. Il suo limite aggregato è di 300.000 token in una singola richiesta, oltre al limite per input. Suddividi documenti più lunghi in passaggi utili preservando titoli, definizioni e il riferimento al materiale originale.
L’output è un vettore di valori a virgola mobile; il produttore documenta anche base64 come codifica di trasporto alternativa. Il parametro di riduzione della dimensione di OpenAI è destinato ai modelli di embedding di terza generazione e successivi, quindi il risultato documentato a 1536 dimensioni del modello Ada rimane distinto da quel controllo. Memorizza identità del modello e vettore con il record di origine, affinché i confronti successivi usino una rappresentazione coerente.
La guida agli embedding raccomanda la similarità del coseno e afferma che gli embedding OpenAI sono normalizzati a norma unitaria. Per quei vettori, un prodotto scalare può calcolare la similarità del coseno e la distanza euclidea dà lo stesso ordinamento. Un punteggio di similarità fa parte della logica di recupero o classificazione dell’applicazione, non è una decisione categoriale fornita automaticamente dal modello.
Definisci quali campi di origine diventano il testo di input e come dividere i passaggi. Un risultato illustrativo è un insieme ordinato di passaggi documentali o record correlati, ciascuno collegato alla fonte originale e alla regola usata per la selezione. Mantieni coerente la preparazione e valuta se il materiale restituito affronta la domanda effettiva. Ciò rende l’output numerico utile al successivo passaggio di ricerca, raccomandazione o analisi.
POST /v1/embeddingstextembedding| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti text-embedding-ada-002 | 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 $0.0002 / 1K token Output · Token in output $0 / 1K token Input · Lettura dalla cache — / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "text-embedding-ada-002",\n "input": [\n "First document",\n "Second document"\n ],\n "encoding_format": "float"\n}set -eu\n: "${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
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-ada-002, text-embedding-ada-002
Usa i percorsi dei metodi indicati sopra.