text-embedding-ada-002는 글로 된 자료를 수치 벡터로 표현하는 OpenAI의 텍스트 임베딩 모델입니다. 출력에는 1,536개 성분이 있습니다. 제조사는 텍스트 유사도, 문서·질의 검색, 코드 검색 역할을 하나의 표현에 결합합니다. 결과는 비교나 다른 알고리즘을 위한 데이터이며, 임베딩한 텍스트에 대해 생성한 답변이 아닙니다.
의미 검색에서는 의미 있는 문서 지문을 준비하고 원본 식별자를 유지하세요. 예시 워크플로는 각 지문과 사용자 질문을 같은 모델로 임베딩한 뒤 벡터를 비교해 관련 원문 지문을 반환합니다. 애플리케이션이 검색 규칙, 필터, 표시 방식을 결정합니다. 후속 텍스트 생성 단계는 검색 자료로 답변을 만들 수 있고, 임베딩 모델은 수치 표현을 제공합니다.
그 밖에 문서화된 용도에는 비슷한 레코드 그룹화, 관련 콘텐츠 추천, 텍스트 분류, 이상치 식별이 있습니다. 추천에서는 관계가 중요한 대상의 설명을 비교하세요. 분류 가이드는 범주 표현과 비교하거나 벡터를 분류기 특성으로 사용하는 방법을 설명합니다. 이상 감지에서는 주변 컬렉션과 다른 레코드가 관련 결과이며, 제품 작업에 맞춰 해석합니다.
OpenAI는 이 모델의 최대 입력을 8,192토큰으로 명시합니다. 제공자의 임베딩 API는 텍스트 문자열이나 토큰화된 입력을 받아 한 요청에 여러 입력을 허용하고, 빈 문자열은 거부합니다. 개별 입력 한도 외에 단일 요청 전체의 합계 한도는 300,000토큰입니다. 긴 문서를 유용한 지문으로 나누고 제목, 정의, 원본 자료로 돌아갈 참조를 보존하세요.
출력은 부동소수점 값의 벡터이며, 제공자는 대체 전송 인코딩으로 base64도 문서화합니다. OpenAI의 차원 단축 매개변수는 3세대 이상 임베딩 모델에 적용되므로, Ada 모델의 문서화된 1,536차원 결과와 해당 제어를 구분하세요. 후속 비교가 일관된 표현을 사용하도록 모델 정체성과 벡터를 원본 레코드와 함께 저장하세요.
임베딩 가이드는 코사인 유사도를 권장하며, OpenAI 임베딩이 단위 길이로 정규화되어 있다고 설명합니다. 이런 벡터에서는 내적으로 코사인 유사도를 계산할 수 있고 유클리드 거리도 같은 순위를 제공합니다. 유사도 점수는 애플리케이션의 검색이나 분류 로직의 일부이며, 모델이 자동으로 제공하는 범주 결정이 아닙니다.
어떤 원본 필드를 입력 텍스트로 만들지, 지문을 어떻게 나눌지 정의하세요. 예시 결과는 원본 및 선택 규칙에 연결된 문서 지문이나 관련 레코드의 순위 집합입니다. 준비 방식을 일관되게 유지하고 반환 자료가 실제 질문에 답하는지 평가하세요. 그러면 수치 출력이 다음 검색, 추천, 분석 단계에 유용해집니다.
", "aboutText": "text-embedding-ada-002는 글로 된 자료를 수치 벡터로 표현하는 OpenAI의 텍스트 임베딩 모델입니다. 출력에는 1,536개 성분이 있습니다. 제조사는 텍스트 유사도, 문서·질의 검색, 코드 검색 역할을 하나의 표현에 결합합니다. 결과는 비교나 다른 알고리즘을 위한 데이터이며, 임베딩한 텍스트에 대해 생성한 답변이 아닙니다.\n\n의미 검색에서는 의미 있는 문서 지문을 준비하고 원본 식별자를 유지하세요. 예시 워크플로는 각 지문과 사용자 질문을 같은 모델로 임베딩한 뒤 벡터를 비교해 관련 원문 지문을 반환합니다. 애플리케이션이 검색 규칙, 필터, 표시 방식을 결정합니다. 후속 텍스트 생성 단계는 검색 자료로 답변을 만들 수 있고, 임베딩 모델은 수치 표현을 제공합니다.\n\n그 밖에 문서화된 용도에는 비슷한 레코드 그룹화, 관련 콘텐츠 추천, 텍스트 분류, 이상치 식별이 있습니다. 추천에서는 관계가 중요한 대상의 설명을 비교하세요. 분류 가이드는 범주 표현과 비교하거나 벡터를 분류기 특성으로 사용하는 방법을 설명합니다. 이상 감지에서는 주변 컬렉션과 다른 레코드가 관련 결과이며, 제품 작업에 맞춰 해석합니다.\n\nOpenAI는 이 모델의 최대 입력을 8,192토큰으로 명시합니다. 제공자의 임베딩 API는 텍스트 문자열이나 토큰화된 입력을 받아 한 요청에 여러 입력을 허용하고, 빈 문자열은 거부합니다. 개별 입력 한도 외에 단일 요청 전체의 합계 한도는 300,000토큰입니다. 긴 문서를 유용한 지문으로 나누고 제목, 정의, 원본 자료로 돌아갈 참조를 보존하세요.\n\n출력은 부동소수점 값의 벡터이며, 제공자는 대체 전송 인코딩으로 base64도 문서화합니다. OpenAI의 차원 단축 매개변수는 3세대 이상 임베딩 모델에 적용되므로, Ada 모델의 문서화된 1,536차원 결과와 해당 제어를 구분하세요. 후속 비교가 일관된 표현을 사용하도록 모델 정체성과 벡터를 원본 레코드와 함께 저장하세요.\n\n임베딩 가이드는 코사인 유사도를 권장하며, OpenAI 임베딩이 단위 길이로 정규화되어 있다고 설명합니다. 이런 벡터에서는 내적으로 코사인 유사도를 계산할 수 있고 유클리드 거리도 같은 순위를 제공합니다. 유사도 점수는 애플리케이션의 검색이나 분류 로직의 일부이며, 모델이 자동으로 제공하는 범주 결정이 아닙니다.\n\n어떤 원본 필드를 입력 텍스트로 만들지, 지문을 어떻게 나눌지 정의하세요. 예시 결과는 원본 및 선택 규칙에 연결된 문서 지문이나 관련 레코드의 순위 집합입니다. 준비 방식을 일관되게 유지하고 반환 자료가 실제 질문에 답하는지 평가하세요. 그러면 수치 출력이 다음 검색, 추천, 분석 단계에 유용해집니다.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "a1a4411620b25ffc1bdca4db555d99e5a9ce1a74bbbb3fa952c1d93ca859b3d1", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "ko", "methods": [ { "html": "openai/text-embedding-ada-0021,536차원 수치 벡터를 반환하는 OpenAI 텍스트 임베딩 모델입니다. 이 표현을 의미 검색, 관련 콘텐츠 추천, 군집화, 분류 또는 특이한 텍스트 레코드 감지에 사용하세요.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
text-embedding-ada-002는 글로 된 자료를 수치 벡터로 표현하는 OpenAI의 텍스트 임베딩 모델입니다. 출력에는 1,536개 성분이 있습니다. 제조사는 텍스트 유사도, 문서·질의 검색, 코드 검색 역할을 하나의 표현에 결합합니다. 결과는 비교나 다른 알고리즘을 위한 데이터이며, 임베딩한 텍스트에 대해 생성한 답변이 아닙니다.
의미 검색에서는 의미 있는 문서 지문을 준비하고 원본 식별자를 유지하세요. 예시 워크플로는 각 지문과 사용자 질문을 같은 모델로 임베딩한 뒤 벡터를 비교해 관련 원문 지문을 반환합니다. 애플리케이션이 검색 규칙, 필터, 표시 방식을 결정합니다. 후속 텍스트 생성 단계는 검색 자료로 답변을 만들 수 있고, 임베딩 모델은 수치 표현을 제공합니다.
그 밖에 문서화된 용도에는 비슷한 레코드 그룹화, 관련 콘텐츠 추천, 텍스트 분류, 이상치 식별이 있습니다. 추천에서는 관계가 중요한 대상의 설명을 비교하세요. 분류 가이드는 범주 표현과 비교하거나 벡터를 분류기 특성으로 사용하는 방법을 설명합니다. 이상 감지에서는 주변 컬렉션과 다른 레코드가 관련 결과이며, 제품 작업에 맞춰 해석합니다.
OpenAI는 이 모델의 최대 입력을 8,192토큰으로 명시합니다. 제공자의 임베딩 API는 텍스트 문자열이나 토큰화된 입력을 받아 한 요청에 여러 입력을 허용하고, 빈 문자열은 거부합니다. 개별 입력 한도 외에 단일 요청 전체의 합계 한도는 300,000토큰입니다. 긴 문서를 유용한 지문으로 나누고 제목, 정의, 원본 자료로 돌아갈 참조를 보존하세요.
출력은 부동소수점 값의 벡터이며, 제공자는 대체 전송 인코딩으로 base64도 문서화합니다. OpenAI의 차원 단축 매개변수는 3세대 이상 임베딩 모델에 적용되므로, Ada 모델의 문서화된 1,536차원 결과와 해당 제어를 구분하세요. 후속 비교가 일관된 표현을 사용하도록 모델 정체성과 벡터를 원본 레코드와 함께 저장하세요.
임베딩 가이드는 코사인 유사도를 권장하며, OpenAI 임베딩이 단위 길이로 정규화되어 있다고 설명합니다. 이런 벡터에서는 내적으로 코사인 유사도를 계산할 수 있고 유클리드 거리도 같은 순위를 제공합니다. 유사도 점수는 애플리케이션의 검색이나 분류 로직의 일부이며, 모델이 자동으로 제공하는 범주 결정이 아닙니다.
어떤 원본 필드를 입력 텍스트로 만들지, 지문을 어떻게 나눌지 정의하세요. 예시 결과는 원본 및 선택 규칙에 연결된 문서 지문이나 관련 레코드의 순위 집합입니다. 준비 방식을 일관되게 유지하고 반환 자료가 실제 질문에 답하는지 평가하세요. 그러면 수치 출력이 다음 검색, 추천, 분석 단계에 유용해집니다.
POST /v1/embeddingstext, token_idsembedding| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 openai/text-embedding-ada-002 | 기본값— |
필드input | 유형string|string[]|integer[]|integer[][] | 요건필수 | 값과 한도 최소 항목 수: 1 조건: 비어 있지 않은 동일 형식의 배치입니다. 토큰 ID는 0 이상의 정수입니다. 입력 허용량: 최댓값: 8,192 · 텍스트 단위: UTF8 바이트 · 토큰 단위: 토큰 배열 요소 | 기본값— |
필드encoding_format | 유형string | 요건선택 사항 | 값과 한도 float | 기본값float |
필드dimensions | 유형integer | 요건지원되지 않음 | 값과 한도 최솟값: 1 | 기본값— |
필드user | 유형json_value | 요건선택 사항 | 값과 한도 조건: 원본에서 이 JSON 메타데이터 필드를 허용하며, 정확한 업스트림 동작은 모델별로 다릅니다. | 기본값— |
필드session_id | 유형json_value | 요건선택 사항 | 값과 한도 조건: 원본에서 이 JSON 메타데이터 필드를 허용하며, 정확한 업스트림 동작은 모델별로 다릅니다. | 기본값— |
필드trace | 유형json_value | 요건선택 사항 | 값과 한도 조건: 원본에서 이 JSON 메타데이터 필드를 허용하며, 정확한 업스트림 동작은 모델별로 다릅니다. | 기본값— |
필드provider | 유형object | 요건선택 사항 | 값과 한도 조건: provider.options가 거부됨 | 기본값— |
text_to_embedding
| 매개변수 | 명세 |
|---|---|
매개변수content_type | 명세application/json |
매개변수required | 명세model, input |
매개변수input_shapes | 명세string, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
매개변수encoding_format | 명세float |
매개변수dimensions_override | 명세false |
매개변수max_input_budget_units | 명세8192 |
매개변수multimodal_objects | 명세false |
매개변수material_types | 명세text, token_ids |
수명 주기: synchronous_json
모든 벡터의 인덱스와 차원을 보관하세요.
모델 이름이 멀티모달이어도 이 특정 경로에서 이미지 객체를 사용할 수 있는 것은 아닙니다.
요금 정보는 요청 옵션을 추가하지 않습니다. 지원되는 매개변수는 선택한 메서드에 표시됩니다.
| 설정 | 요금표 | 요금 |
|---|---|---|
| 설정토큰의 기본 단가 | 요금표기본 요금 | 요금 입력 · 입력 토큰 $0.0002 / 1K 토큰 출력 · 출력 토큰 $0 / 1K 토큰 입력 · 캐시 읽기 — / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →
set -eu\n: "${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
반환된 완전한 응답, 파일, 콘텐츠 부분을 모두 보관하세요.
모든 벡터를 인덱스와 함께 보관하세요. 벡터 수는 입력 수와 같아야 하며 차원은 일관되어야 합니다.
임베딩 작업 엔드포인트는 추가되지 않습니다.
| 필드 | 유형 |
|---|---|
필드object | 유형string |
필드model | 유형string |
필드data[].index | 유형integer |
필드data[].embedding | 유형finite float[] |
필드usage | 유형object |
| 응답 | 조건 | 다음 단계 |
|---|---|---|
응답400 · invalid_request_error | 조건필수 필드, 자료 표현 방식 또는 파라미터 값이 올바르지 않음 | 다음 단계새 생성 요청 전에 표시된 필드를 수정하세요. |
Ailoot Ultra openai/text-embedding-ada-002, text-embedding-ada-002
위에 표시된 메서드 경로를 사용하세요.
text-embedding-ada-0021,536차원 수치 벡터를 반환하는 OpenAI 텍스트 임베딩 모델입니다. 이 표현을 의미 검색, 관련 콘텐츠 추천, 군집화, 분류 또는 특이한 텍스트 레코드 감지에 사용하세요.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
text-embedding-ada-002는 글로 된 자료를 수치 벡터로 표현하는 OpenAI의 텍스트 임베딩 모델입니다. 출력에는 1,536개 성분이 있습니다. 제조사는 텍스트 유사도, 문서·질의 검색, 코드 검색 역할을 하나의 표현에 결합합니다. 결과는 비교나 다른 알고리즘을 위한 데이터이며, 임베딩한 텍스트에 대해 생성한 답변이 아닙니다.
의미 검색에서는 의미 있는 문서 지문을 준비하고 원본 식별자를 유지하세요. 예시 워크플로는 각 지문과 사용자 질문을 같은 모델로 임베딩한 뒤 벡터를 비교해 관련 원문 지문을 반환합니다. 애플리케이션이 검색 규칙, 필터, 표시 방식을 결정합니다. 후속 텍스트 생성 단계는 검색 자료로 답변을 만들 수 있고, 임베딩 모델은 수치 표현을 제공합니다.
그 밖에 문서화된 용도에는 비슷한 레코드 그룹화, 관련 콘텐츠 추천, 텍스트 분류, 이상치 식별이 있습니다. 추천에서는 관계가 중요한 대상의 설명을 비교하세요. 분류 가이드는 범주 표현과 비교하거나 벡터를 분류기 특성으로 사용하는 방법을 설명합니다. 이상 감지에서는 주변 컬렉션과 다른 레코드가 관련 결과이며, 제품 작업에 맞춰 해석합니다.
OpenAI는 이 모델의 최대 입력을 8,192토큰으로 명시합니다. 제공자의 임베딩 API는 텍스트 문자열이나 토큰화된 입력을 받아 한 요청에 여러 입력을 허용하고, 빈 문자열은 거부합니다. 개별 입력 한도 외에 단일 요청 전체의 합계 한도는 300,000토큰입니다. 긴 문서를 유용한 지문으로 나누고 제목, 정의, 원본 자료로 돌아갈 참조를 보존하세요.
출력은 부동소수점 값의 벡터이며, 제공자는 대체 전송 인코딩으로 base64도 문서화합니다. OpenAI의 차원 단축 매개변수는 3세대 이상 임베딩 모델에 적용되므로, Ada 모델의 문서화된 1,536차원 결과와 해당 제어를 구분하세요. 후속 비교가 일관된 표현을 사용하도록 모델 정체성과 벡터를 원본 레코드와 함께 저장하세요.
임베딩 가이드는 코사인 유사도를 권장하며, OpenAI 임베딩이 단위 길이로 정규화되어 있다고 설명합니다. 이런 벡터에서는 내적으로 코사인 유사도를 계산할 수 있고 유클리드 거리도 같은 순위를 제공합니다. 유사도 점수는 애플리케이션의 검색이나 분류 로직의 일부이며, 모델이 자동으로 제공하는 범주 결정이 아닙니다.
어떤 원본 필드를 입력 텍스트로 만들지, 지문을 어떻게 나눌지 정의하세요. 예시 결과는 원본 및 선택 규칙에 연결된 문서 지문이나 관련 레코드의 순위 집합입니다. 준비 방식을 일관되게 유지하고 반환 자료가 실제 질문에 답하는지 평가하세요. 그러면 수치 출력이 다음 검색, 추천, 분석 단계에 유용해집니다.
POST /v1/embeddingstextembedding| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 text-embedding-ada-002 | 기본값— |
필드input | 유형string|string[]|integer[]|integer[][] | 요건필수 | 값과 한도 최소 항목 수: 1 조건: 비어 있지 않은 동일 형식의 배치입니다. 토큰 ID는 0 이상의 정수입니다. 입력 허용량: 최댓값: 8,192 · 텍스트 단위: UTF8 바이트 · 토큰 단위: 토큰 배열 요소 | 기본값— |
필드encoding_format | 유형string | 요건선택 사항 | 값과 한도 float | 기본값float |
필드dimensions | 유형integer | 요건지원되지 않음 | 값과 한도 최솟값: 1 | 기본값— |
필드user | 유형json_value | 요건선택 사항 | 값과 한도 조건: 선택 사항인 JSON 메타데이터입니다. 정확한 업스트림 의미는 선택한 모델에 따라 달라집니다. | 기본값— |
필드session_id | 유형json_value | 요건선택 사항 | 값과 한도 조건: 선택 사항인 JSON 메타데이터입니다. 정확한 업스트림 의미는 선택한 모델에 따라 달라집니다. | 기본값— |
필드trace | 유형json_value | 요건선택 사항 | 값과 한도 조건: 선택 사항인 JSON 메타데이터입니다. 정확한 업스트림 의미는 선택한 모델에 따라 달라집니다. | 기본값— |
필드provider | 유형object | 요건선택 사항 | 값과 한도 조건: provider.options가 거부됨 | 기본값— |
text_to_embedding
| 매개변수 | 명세 |
|---|---|
매개변수content_type | 명세application/json |
매개변수required | 명세model, input |
매개변수input_shapes | 명세string, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
매개변수encoding_format | 명세float |
매개변수dimensions_override | 명세false |
매개변수max_input_budget_units | 명세8192 |
매개변수multimodal_objects | 명세false |
매개변수material_types | 명세text |
매개변수text_file_material | 명세실제 UTF-8 문서를 읽고 그 텍스트를 지정된 입력 또는 메시지 콘텐츠 문자열에 넣으세요. |
수명 주기: synchronous_json
정확한 모델 ID와 필수 필드를 전송하세요.
반환된 모든 항목과 원래 식별자를 보존하세요.
요금 정보는 요청 옵션을 추가하지 않습니다. 지원되는 매개변수는 선택한 메서드에 표시됩니다.
| 설정 | 요금표 | 요금 |
|---|---|---|
| 설정토큰의 기본 단가 | 요금표기본 요금 | 요금 입력 · 입력 토큰 $0.0002 / 1K 토큰 출력 · 출력 토큰 $0 / 1K 토큰 입력 · 캐시 읽기 — / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →
{\n "model": "text-embedding-ada-002",\n "input": [\n "First document",\n "Second document"\n ],\n "encoding_format": "float"\n}set -eu\n: "${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
반환된 완전한 응답, 파일, 콘텐츠 부분을 모두 보관하세요.
유한한 값으로 구성된 모든 벡터와 원래 인덱스를 보존하세요. 모든 차원과 전체 usage 객체를 유지하세요.
임베딩 작업 엔드포인트는 추가되지 않습니다.
| 필드 | 유형 |
|---|---|
필드object | 유형string |
필드model | 유형string |
필드data[].index | 유형integer |
필드data[].embedding | 유형finite float[] |
필드usage | 유형object |
| 응답 | 조건 | 다음 단계 |
|---|---|---|
응답400 · invalid_request_error | 조건필수 필드, 자료 표현 방식 또는 파라미터 값이 올바르지 않음 | 다음 단계새 생성 요청 전에 표시된 필드를 수정하세요. |
Ailoot Ultra openai/text-embedding-ada-002, text-embedding-ada-002
위에 표시된 메서드 경로를 사용하세요.