text-embedding-3-large ialah model embedding teks generasi ketiga OpenAI yang lebih besar untuk tugas bahasa Inggeris dan bukan Inggeris. Ia memetakan bahan bertulis kepada vektor berangka, mengembalikan 3,072 komponen secara lalai. Vektor mewakili hubungan dalam kandungan yang diberikan; proses pemerolehan semula atau pengelasan menggunakannya untuk memilih bahan atau membuat keputusan lain.
Model generasi ketiga dilatih untuk menyokong perwakilan lebih pendek melalui kawalan dimensions pengeluar. Pembuat memberikan 1,024 dimensi sebagai contoh apabila stor vektor memerlukan saiz itu. Vektor lebih pendek mengurangkan jumlah data untuk disimpan dan dibandingkan, manakala perubahan perwakilan boleh mempengaruhi kualiti pemerolehan semula. Pilih saiz mengikut keperluan aplikasi dan gunakan pilihan yang sama untuk korpus serta pertanyaannya.
Contoh aliran kerja carian dokumen membahagikan bahan sumber kepada petikan bermakna, menyimpan pengecamnya dan mendapatkan vektor bagi setiap petikan. Soalan dihasilkan embeddingnya menggunakan model serta dimensi yang sama, kemudian dibandingkan dengan vektor petikan. Aplikasi membekalkan penapis, memilih hasil berperingkat dan memaparkan rujukan sumbernya. Model penjanaan teks berikutnya boleh membina jawapan daripada bahan yang diperoleh semula; hasil model embedding kekal data berangka.
Aplikasi lain yang didokumenkan termasuk carian kod atau teks, pengumpulan rekod serupa, cadangan kandungan berkaitan, pengelasan, pengesanan anomali dan pengukuran kepelbagaian dalam koleksi. Untuk cadangan, terangkan objek menggunakan istilah yang relevan kepada hubungannya. Untuk pengelasan, bandingkan dengan perwakilan kategori atau gunakan vektor sebagai ciri dalam pengelas. Takrifkan peraturan yang menukarkan keserupaan kepada hasil yang diperlukan produk.
OpenAI menyenaraikan input maksimum 8,192 token bagi setiap teks. API embedding menerima rentetan atau teks bertoken, menyokong beberapa input dan menolak rentetan kosong. Ia turut menguatkuasakan had agregat 300,000 token untuk satu permintaan. Dokumen panjang perlu dibahagikan dengan sempadan bermakna dan konteksnya kekal utuh, sambil memastikan setiap vektor dipautkan kepada petikan sumbernya.
Pengeluar mendokumenkan vektor float sebagai output lalai dan base64 sebagai pengekodan alternatif. Panduan mengesyorkan keserupaan kosinus dan menyatakan bahawa embedding OpenAI dinormalkan kepada panjang unit, membolehkan hasil darab titik bagi keserupaan kosinus dan kedudukan setara menggunakan jarak Euclidean. Jika vektor generasi ketiga dipendekkan secara manual selepas penjanaan, pembuat mengarahkan aplikasi menormalkan semula vektor dipendekkan; penggunaan kawalan dimensions ialah laluan yang disyorkan.
Sediakan perwakilan teks konsisten dan rekodkan model, dimensi serta pengecam sumber. Artifak akhir berguna ialah set petikan berperingkat, item berkaitan atau rekod berkumpulan dengan peraturan pemilihan yang jelas. Nilai sama ada hasil menjawab pertanyaan dan simpan bukti sumber untuk peringkat seterusnya, bukannya menganggap keserupaan vektor sebagai pengesahan dakwaan fakta rekod.
", "aboutText": "text-embedding-3-large ialah model embedding teks generasi ketiga OpenAI yang lebih besar untuk tugas bahasa Inggeris dan bukan Inggeris. Ia memetakan bahan bertulis kepada vektor berangka, mengembalikan 3,072 komponen secara lalai. Vektor mewakili hubungan dalam kandungan yang diberikan; proses pemerolehan semula atau pengelasan menggunakannya untuk memilih bahan atau membuat keputusan lain.\n\nModel generasi ketiga dilatih untuk menyokong perwakilan lebih pendek melalui kawalan dimensions pengeluar. Pembuat memberikan 1,024 dimensi sebagai contoh apabila stor vektor memerlukan saiz itu. Vektor lebih pendek mengurangkan jumlah data untuk disimpan dan dibandingkan, manakala perubahan perwakilan boleh mempengaruhi kualiti pemerolehan semula. Pilih saiz mengikut keperluan aplikasi dan gunakan pilihan yang sama untuk korpus serta pertanyaannya.\n\nContoh aliran kerja carian dokumen membahagikan bahan sumber kepada petikan bermakna, menyimpan pengecamnya dan mendapatkan vektor bagi setiap petikan. Soalan dihasilkan embeddingnya menggunakan model serta dimensi yang sama, kemudian dibandingkan dengan vektor petikan. Aplikasi membekalkan penapis, memilih hasil berperingkat dan memaparkan rujukan sumbernya. Model penjanaan teks berikutnya boleh membina jawapan daripada bahan yang diperoleh semula; hasil model embedding kekal data berangka.\n\nAplikasi lain yang didokumenkan termasuk carian kod atau teks, pengumpulan rekod serupa, cadangan kandungan berkaitan, pengelasan, pengesanan anomali dan pengukuran kepelbagaian dalam koleksi. Untuk cadangan, terangkan objek menggunakan istilah yang relevan kepada hubungannya. Untuk pengelasan, bandingkan dengan perwakilan kategori atau gunakan vektor sebagai ciri dalam pengelas. Takrifkan peraturan yang menukarkan keserupaan kepada hasil yang diperlukan produk.\n\nOpenAI menyenaraikan input maksimum 8,192 token bagi setiap teks. API embedding menerima rentetan atau teks bertoken, menyokong beberapa input dan menolak rentetan kosong. Ia turut menguatkuasakan had agregat 300,000 token untuk satu permintaan. Dokumen panjang perlu dibahagikan dengan sempadan bermakna dan konteksnya kekal utuh, sambil memastikan setiap vektor dipautkan kepada petikan sumbernya.\n\nPengeluar mendokumenkan vektor float sebagai output lalai dan base64 sebagai pengekodan alternatif. Panduan mengesyorkan keserupaan kosinus dan menyatakan bahawa embedding OpenAI dinormalkan kepada panjang unit, membolehkan hasil darab titik bagi keserupaan kosinus dan kedudukan setara menggunakan jarak Euclidean. Jika vektor generasi ketiga dipendekkan secara manual selepas penjanaan, pembuat mengarahkan aplikasi menormalkan semula vektor dipendekkan; penggunaan kawalan dimensions ialah laluan yang disyorkan.\n\nSediakan perwakilan teks konsisten dan rekodkan model, dimensi serta pengecam sumber. Artifak akhir berguna ialah set petikan berperingkat, item berkaitan atau rekod berkumpulan dengan peraturan pemilihan yang jelas. Nilai sama ada hasil menjawab pertanyaan dan simpan bukti sumber untuk peringkat seterusnya, bukannya menganggap keserupaan vektor sebagai pengesahan dakwaan fakta rekod.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "6d505b30bfeff5765c859f5e9d423171b7defe35208d078ce31837a92aa8848b", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "ms", "methods": [ { "html": "openai/text-embedding-3-largeModel embedding teks generasi ketiga OpenAI yang lebih besar mengembalikan vektor 3,072 dimensi secara lalai, dengan kawalan pengeluar untuk perwakilan lebih pendek. Gunakannya untuk pemerolehan semula semantik, perbandingan berbilang bahasa serta aliran kerja kandungan berkaitan atau pengelasan.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
text-embedding-3-large ialah model embedding teks generasi ketiga OpenAI yang lebih besar untuk tugas bahasa Inggeris dan bukan Inggeris. Ia memetakan bahan bertulis kepada vektor berangka, mengembalikan 3,072 komponen secara lalai. Vektor mewakili hubungan dalam kandungan yang diberikan; proses pemerolehan semula atau pengelasan menggunakannya untuk memilih bahan atau membuat keputusan lain.
Model generasi ketiga dilatih untuk menyokong perwakilan lebih pendek melalui kawalan dimensions pengeluar. Pembuat memberikan 1,024 dimensi sebagai contoh apabila stor vektor memerlukan saiz itu. Vektor lebih pendek mengurangkan jumlah data untuk disimpan dan dibandingkan, manakala perubahan perwakilan boleh mempengaruhi kualiti pemerolehan semula. Pilih saiz mengikut keperluan aplikasi dan gunakan pilihan yang sama untuk korpus serta pertanyaannya.
Contoh aliran kerja carian dokumen membahagikan bahan sumber kepada petikan bermakna, menyimpan pengecamnya dan mendapatkan vektor bagi setiap petikan. Soalan dihasilkan embeddingnya menggunakan model serta dimensi yang sama, kemudian dibandingkan dengan vektor petikan. Aplikasi membekalkan penapis, memilih hasil berperingkat dan memaparkan rujukan sumbernya. Model penjanaan teks berikutnya boleh membina jawapan daripada bahan yang diperoleh semula; hasil model embedding kekal data berangka.
Aplikasi lain yang didokumenkan termasuk carian kod atau teks, pengumpulan rekod serupa, cadangan kandungan berkaitan, pengelasan, pengesanan anomali dan pengukuran kepelbagaian dalam koleksi. Untuk cadangan, terangkan objek menggunakan istilah yang relevan kepada hubungannya. Untuk pengelasan, bandingkan dengan perwakilan kategori atau gunakan vektor sebagai ciri dalam pengelas. Takrifkan peraturan yang menukarkan keserupaan kepada hasil yang diperlukan produk.
OpenAI menyenaraikan input maksimum 8,192 token bagi setiap teks. API embedding menerima rentetan atau teks bertoken, menyokong beberapa input dan menolak rentetan kosong. Ia turut menguatkuasakan had agregat 300,000 token untuk satu permintaan. Dokumen panjang perlu dibahagikan dengan sempadan bermakna dan konteksnya kekal utuh, sambil memastikan setiap vektor dipautkan kepada petikan sumbernya.
Pengeluar mendokumenkan vektor float sebagai output lalai dan base64 sebagai pengekodan alternatif. Panduan mengesyorkan keserupaan kosinus dan menyatakan bahawa embedding OpenAI dinormalkan kepada panjang unit, membolehkan hasil darab titik bagi keserupaan kosinus dan kedudukan setara menggunakan jarak Euclidean. Jika vektor generasi ketiga dipendekkan secara manual selepas penjanaan, pembuat mengarahkan aplikasi menormalkan semula vektor dipendekkan; penggunaan kawalan dimensions ialah laluan yang disyorkan.
Sediakan perwakilan teks konsisten dan rekodkan model, dimensi serta pengecam sumber. Artifak akhir berguna ialah set petikan berperingkat, item berkaitan atau rekod berkumpulan dengan peraturan pemilihan yang jelas. Nilai sama ada hasil menjawab pertanyaan dan simpan bukti sumber untuk peringkat seterusnya, bukannya menganggap keserupaan vektor sebagai pengesahan dakwaan fakta rekod.
POST /v1/embeddingstext, token_idsembedding| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had openai/text-embedding-3-large | Lalai— |
Medaninput | Jenisstring|string[]|integer[]|integer[][] | KeperluanDiperlukan | Nilai & had Item minimum: 1 Syarat: Kelompok homogen yang tidak kosong. ID token ialah integer bukan negatif. Bajet input: Maksimum: 8,192 · Unit teks: bait UTF8 · Unit token: elemen tatasusunan token | Lalai— |
Medanencoding_format | Jenisstring | KeperluanPilihan | Nilai & had float | Lalaifloat |
Medandimensions | Jenisinteger | KeperluanTidak disokong | Nilai & had Minimum: 1 | Lalai— |
Medanuser | Jenisjson_value | KeperluanPilihan | Nilai & had Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model. | Lalai— |
Medansession_id | Jenisjson_value | KeperluanPilihan | Nilai & had Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model. | Lalai— |
Medantrace | Jenisjson_value | KeperluanPilihan | Nilai & had Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model. | Lalai— |
Medanprovider | Jenisobject | KeperluanPilihan | Nilai & had Syarat: provider.options ditolak | Lalai— |
text_to_embedding
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, input |
Parameterinput_shapes | Kontrakstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parameterencoding_format | Kontrakfloat |
Parameterdimensions_override | Kontrakfalse |
Parametermax_input_budget_units | Kontrak8192 |
Parametermultimodal_objects | Kontrakfalse |
Parametermaterial_types | Kontraktext, token_ids |
Kitar hayat: synchronous_json
Simpan setiap indeks dan dimensi vektor.
Nama model multimodal tidak bermakna objek imej dibenarkan pada laluan khusus ini.
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
| Konfigurasi | Jadual kadar | Caj |
|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Caj Input · Token input $0.00026 / 1K token Output · Token output $0 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${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
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Simpan setiap vektor bersama indeksnya. Bilangan vektor mesti sama dengan bilangan input; dimensi mesti konsisten.
Tiada titik akhir tugas pembenaman diperkenalkan.
| Medan | Jenis |
|---|---|
Medanobject | Jenisstring |
Medanmodel | Jenisstring |
Medandata[].index | Jenisinteger |
Medandata[].embedding | Jenisfinite float[] |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra openai/text-embedding-3-large, text-embedding-3-large
Gunakan laluan kaedah yang dipaparkan di atas.
text-embedding-3-largeModel embedding teks generasi ketiga OpenAI yang lebih besar mengembalikan vektor 3,072 dimensi secara lalai, dengan kawalan pengeluar untuk perwakilan lebih pendek. Gunakannya untuk pemerolehan semula semantik, perbandingan berbilang bahasa serta aliran kerja kandungan berkaitan atau pengelasan.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
text-embedding-3-large ialah model embedding teks generasi ketiga OpenAI yang lebih besar untuk tugas bahasa Inggeris dan bukan Inggeris. Ia memetakan bahan bertulis kepada vektor berangka, mengembalikan 3,072 komponen secara lalai. Vektor mewakili hubungan dalam kandungan yang diberikan; proses pemerolehan semula atau pengelasan menggunakannya untuk memilih bahan atau membuat keputusan lain.
Model generasi ketiga dilatih untuk menyokong perwakilan lebih pendek melalui kawalan dimensions pengeluar. Pembuat memberikan 1,024 dimensi sebagai contoh apabila stor vektor memerlukan saiz itu. Vektor lebih pendek mengurangkan jumlah data untuk disimpan dan dibandingkan, manakala perubahan perwakilan boleh mempengaruhi kualiti pemerolehan semula. Pilih saiz mengikut keperluan aplikasi dan gunakan pilihan yang sama untuk korpus serta pertanyaannya.
Contoh aliran kerja carian dokumen membahagikan bahan sumber kepada petikan bermakna, menyimpan pengecamnya dan mendapatkan vektor bagi setiap petikan. Soalan dihasilkan embeddingnya menggunakan model serta dimensi yang sama, kemudian dibandingkan dengan vektor petikan. Aplikasi membekalkan penapis, memilih hasil berperingkat dan memaparkan rujukan sumbernya. Model penjanaan teks berikutnya boleh membina jawapan daripada bahan yang diperoleh semula; hasil model embedding kekal data berangka.
Aplikasi lain yang didokumenkan termasuk carian kod atau teks, pengumpulan rekod serupa, cadangan kandungan berkaitan, pengelasan, pengesanan anomali dan pengukuran kepelbagaian dalam koleksi. Untuk cadangan, terangkan objek menggunakan istilah yang relevan kepada hubungannya. Untuk pengelasan, bandingkan dengan perwakilan kategori atau gunakan vektor sebagai ciri dalam pengelas. Takrifkan peraturan yang menukarkan keserupaan kepada hasil yang diperlukan produk.
OpenAI menyenaraikan input maksimum 8,192 token bagi setiap teks. API embedding menerima rentetan atau teks bertoken, menyokong beberapa input dan menolak rentetan kosong. Ia turut menguatkuasakan had agregat 300,000 token untuk satu permintaan. Dokumen panjang perlu dibahagikan dengan sempadan bermakna dan konteksnya kekal utuh, sambil memastikan setiap vektor dipautkan kepada petikan sumbernya.
Pengeluar mendokumenkan vektor float sebagai output lalai dan base64 sebagai pengekodan alternatif. Panduan mengesyorkan keserupaan kosinus dan menyatakan bahawa embedding OpenAI dinormalkan kepada panjang unit, membolehkan hasil darab titik bagi keserupaan kosinus dan kedudukan setara menggunakan jarak Euclidean. Jika vektor generasi ketiga dipendekkan secara manual selepas penjanaan, pembuat mengarahkan aplikasi menormalkan semula vektor dipendekkan; penggunaan kawalan dimensions ialah laluan yang disyorkan.
Sediakan perwakilan teks konsisten dan rekodkan model, dimensi serta pengecam sumber. Artifak akhir berguna ialah set petikan berperingkat, item berkaitan atau rekod berkumpulan dengan peraturan pemilihan yang jelas. Nilai sama ada hasil menjawab pertanyaan dan simpan bukti sumber untuk peringkat seterusnya, bukannya menganggap keserupaan vektor sebagai pengesahan dakwaan fakta rekod.
POST /v1/embeddingstextembedding| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had text-embedding-3-large | Lalai— |
Medaninput | Jenisstring|string[]|integer[]|integer[][] | KeperluanDiperlukan | Nilai & had Item minimum: 1 Syarat: Kelompok homogen yang tidak kosong. ID token ialah integer bukan negatif. Bajet input: Maksimum: 8,192 · Unit teks: bait UTF8 · Unit token: elemen tatasusunan token | Lalai— |
Medanencoding_format | Jenisstring | KeperluanPilihan | Nilai & had float | Lalaifloat |
Medandimensions | Jenisinteger | KeperluanTidak disokong | Nilai & had Minimum: 1 | Lalai— |
Medanuser | Jenisjson_value | KeperluanPilihan | Nilai & had Syarat: Metadata JSON pilihan; makna tepat di pihak huluan bergantung pada model yang dipilih. | Lalai— |
Medansession_id | Jenisjson_value | KeperluanPilihan | Nilai & had Syarat: Metadata JSON pilihan; makna tepat di pihak huluan bergantung pada model yang dipilih. | Lalai— |
Medantrace | Jenisjson_value | KeperluanPilihan | Nilai & had Syarat: Metadata JSON pilihan; makna tepat di pihak huluan bergantung pada model yang dipilih. | Lalai— |
Medanprovider | Jenisobject | KeperluanPilihan | Nilai & had Syarat: provider.options ditolak | Lalai— |
text_to_embedding
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, input |
Parameterinput_shapes | Kontrakstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parameterencoding_format | Kontrakfloat |
Parameterdimensions_override | Kontrakfalse |
Parametermax_input_budget_units | Kontrak8192 |
Parametermultimodal_objects | Kontrakfalse |
Parametermaterial_types | Kontraktext |
Parametertext_file_material | KontrakBaca dokumen UTF-8 sebenar dan letakkan teksnya dalam rentetan input atau kandungan mesej yang ditunjukkan. |
Kitar hayat: synchronous_json
Hantar ID model yang tepat dan medan wajib.
Simpan setiap item yang dikembalikan dan pengecam asalnya.
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
| Konfigurasi | Jadual kadar | Caj |
|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Caj Input · Token input $0.00026 / 1K token Output · Token output $0 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "text-embedding-3-large",\n "input": [\n "First document",\n "Second document"\n ],\n "encoding_format": "float"\n}set -eu\n: "${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
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Simpan setiap vektor terhingga berserta indeks asalnya. Kekalkan semua dimensi dan keseluruhan objek penggunaan.
Tiada titik akhir tugas pembenaman diperkenalkan.
| Medan | Jenis |
|---|---|
Medanobject | Jenisstring |
Medanmodel | Jenisstring |
Medandata[].index | Jenisinteger |
Medandata[].embedding | Jenisfinite float[] |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra openai/text-embedding-3-large, text-embedding-3-large
Gunakan laluan kaedah yang dipaparkan di atas.