model

OpenAI: Text Embedding Ada 002

Markdown · JSON

OpenAI: Text Embedding Ada 002

Model embedding teks OpenAI yang mengembalikan vektor berangka 1,536 dimensi. Gunakan perwakilan itu untuk carian semantik, cadangan kandungan berkaitan, pengelompokan, pengelasan atau pengesanan rekod teks luar biasa.

Tentang model

Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.

text-embedding-ada-002 ialah model embedding teks OpenAI untuk mewakili bahan bertulis sebagai vektor berangka. Outputnya mengandungi 1,536 komponen. Pembuat menggabungkan peranan keserupaan teks, carian dokumen/pertanyaan dan carian kod dalam satu perwakilan. Hasilnya ialah data untuk perbandingan atau algoritma lain, bukannya jawapan terjana kepada teks yang dihasilkan embeddingnya.

Untuk carian semantik, sediakan petikan dokumen bermakna dan simpan pengecam sumbernya. Contoh aliran kerja menghasilkan embedding setiap petikan dan soalan pengguna dengan model yang sama, membandingkan vektor dan mengembalikan petikan sumber relevan. Aplikasi menentukan peraturan pemerolehan semula, penapis dan paparan. Langkah penjanaan teks berikutnya boleh menggunakan bahan yang diperoleh semula untuk membina jawapan, manakala model embedding membekalkan perwakilan berangka.

Kegunaan lain yang didokumenkan termasuk pengumpulan rekod serupa, cadangan kandungan berkaitan, pengelasan teks dan pengenalpastian pencilan. Untuk cadangan, bandingkan penerangan objek yang hubungannya penting. Untuk pengelasan, panduan menerangkan perbandingan dengan perwakilan kategori atau penggunaan vektor sebagai ciri dalam pengelas. Untuk pengesanan anomali, hasil relevan ialah rekod yang berbeza daripada koleksi sekeliling, ditafsirkan mengikut tugas produk.

OpenAI menyenaraikan input maksimum 8,192 token untuk model ini. API embedding pengeluar menerima rentetan teks atau input bertoken, membenarkan beberapa input dalam satu permintaan dan menolak rentetan kosong. Had agregatnya ialah 300,000 token dalam satu permintaan, selain had setiap input. Bahagikan dokumen lebih panjang kepada petikan berguna sambil mengekalkan tajuk, takrif dan rujukan kembali kepada bahan asal.

Output ialah vektor nilai titik terapung; pengeluar turut mendokumenkan base64 sebagai pengekodan pengangkutan alternatif. Parameter pemendekan dimensi OpenAI adalah untuk model embedding generasi ketiga dan kemudian, maka hasil Ada 1,536 dimensi yang didokumenkan kekal berbeza daripada kawalan itu. Simpan identiti model dan vektor bersama rekod sumber supaya perbandingan kemudian menggunakan perwakilan konsisten.

Panduan embedding mengesyorkan keserupaan kosinus dan menyatakan bahawa embedding OpenAI dinormalkan kepada panjang unit. Untuk vektor itu, hasil darab titik boleh mengira keserupaan kosinus dan jarak Euclidean memberikan kedudukan yang sama. Skor keserupaan sebahagian daripada logik pemerolehan semula atau pengelasan aplikasi, bukan keputusan kategori yang dibekalkan model secara automatik.

Takrifkan medan sumber yang menjadi teks input dan cara petikan patut dibahagikan. Contoh hasil ialah set petikan dokumen atau rekod berkaitan berperingkat, setiap satunya dipautkan kepada sumber asal dan peraturan pemilihan. Pastikan penyediaan konsisten dan nilai sama ada bahan yang dikembalikan menjawab soalan sebenar. Ini menjadikan output berangka berguna kepada langkah carian, cadangan atau analisis seterusnya.

Ailoot Ultra · Pembenaman POST /v1/embeddings openai/text-embedding-ada-002

openai/text-embedding-ada-002

OpenAI /openai/text-embedding-ada-002
ID model
  • openai/text-embedding-ada-002
  • text-embedding-ada-002

Pengenalan

Model embedding teks OpenAI yang mengembalikan vektor berangka 1,536 dimensi. Gunakan perwakilan itu untuk carian semantik, cadangan kandungan berkaitan, pengelompokan, pengelasan atau pengesanan rekod teks luar biasa.

Input yang diterima
Teks · token_ids
Hasil
embedding

Tersedia di Ailoot · input & kaedah

Ailoot Ultra · Pembenaman POST /v1/embeddings
Input
text, token_ids
Output
embedding
Konteks
8,192 tokens
Format output
json
MedanJenisKeperluanNilai & hadLalai
MedanmodelJenisstringKeperluanDiperlukanNilai & had
openai/text-embedding-ada-002
Lalai—
MedaninputJenisstring|string[]|integer[]|integer[][]KeperluanDiperlukanNilai & 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_formatJenisstringKeperluanPilihanNilai & had
float
Lalaifloat
MedandimensionsJenisintegerKeperluanTidak disokongNilai & had
Minimum: 1
Lalai—
MedanuserJenisjson_valueKeperluanPilihanNilai & had
Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.
Lalai—
Medansession_idJenisjson_valueKeperluanPilihanNilai & had
Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.
Lalai—
MedantraceJenisjson_valueKeperluanPilihanNilai & had
Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.
Lalai—
MedanproviderJenisobjectKeperluanPilihanNilai & had
Syarat: provider.options ditolak
Lalai—
Gabungan bahan input

text_to_embedding

Parameter kaedah dan kitar hayat
ParameterKontrak
Parametercontent_typeKontrakapplication/json
ParameterrequiredKontrakmodel, input
Parameterinput_shapesKontrakstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[]
Parameterencoding_formatKontrakfloat
Parameterdimensions_overrideKontrakfalse
Parametermax_input_budget_unitsKontrak8192
Parametermultimodal_objectsKontrakfalse
Parametermaterial_typesKontraktext, token_ids

Kitar hayat: synchronous_json

Simpan setiap indeks dan dimensi vektor.

Nama model multimodal tidak bermakna objek imej dibenarkan pada laluan khusus ini.

Pelan harga

Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.

Mod pantas
Kadar standard Apabila mod pantas dipilih
Mod flex
Kadar standard Apabila mod flex dipilih
Usaha penaakulan maksimum
Kadar standard Apabila usaha penaakulan maksimum menggunakan pelarasan default

Kadar Ailoot

Harga mengikut konfigurasi

KonfigurasiJadual kadarCaj
KonfigurasiKadar asas tokenJadual kadarKadar asasCaj
Input · Token input $0.0002 / 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 →

Contoh permintaan

Ailoot Ultra · Pembenaman

curlPython SDK
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "openai/text-embedding-ada-002", "input": ["First document", "Second document"]}')

Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
r=json.loads(Path("result.json").read_text())
for x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))
PY_RESULT
from openai import OpenAI
import os

client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)
result=client.embeddings.create(model='openai/text-embedding-ada-002',input=["First document","Second document"])
print(result)
for item in result.data:print(item.index,item.embedding)

Terima dan simpan hasil

Ailoot Ultra · Pembenaman

json

Simpan semua hasil yang selesai

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.

Jika respons asal perlu disemak

Tiada titik akhir tugas pembenaman diperkenalkan.

Medan respons
MedanJenis
MedanobjectJenisstring
MedanmodelJenisstring
Medandata[].indexJenisinteger
Medandata[].embeddingJenisfinite float[]
MedanusageJenisobject
Ralat dan langkah seterusnya
ResponsSyaratLangkah seterusnya
Respons400 · invalid_request_errorSyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sahLangkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu.

Alias

Alias model

Ailoot Ultra openai/text-embedding-ada-002, text-embedding-ada-002

Alias laluan kaedah

Gunakan laluan kaedah yang dipaparkan di atas.

ID pemanggil berkaitan

openai/text-embedding-ada-002, text-embedding-ada-002

Ailoot Ultra · Pembenaman · text-embedding-ada-002 POST /v1/embeddings text-embedding-ada-002

text-embedding-ada-002

OpenAI /text-embedding-ada-002
ID model
  • openai/text-embedding-ada-002
  • text-embedding-ada-002

Pengenalan

Model embedding teks OpenAI yang mengembalikan vektor berangka 1,536 dimensi. Gunakan perwakilan itu untuk carian semantik, cadangan kandungan berkaitan, pengelompokan, pengelasan atau pengesanan rekod teks luar biasa.

Input yang diterima
Teks
Hasil
embedding

Tersedia di Ailoot · input & kaedah

Ailoot Ultra · Pembenaman · text-embedding-ada-002 POST /v1/embeddings
Input
text
Output
embedding
Konteks
8,192 tokens
Format output
json
MedanJenisKeperluanNilai & hadLalai
MedanmodelJenisstringKeperluanDiperlukanNilai & had
text-embedding-ada-002
Lalai—
MedaninputJenisstring|string[]|integer[]|integer[][]KeperluanDiperlukanNilai & 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_formatJenisstringKeperluanPilihanNilai & had
float
Lalaifloat
MedandimensionsJenisintegerKeperluanTidak disokongNilai & had
Minimum: 1
Lalai—
MedanuserJenisjson_valueKeperluanPilihanNilai & had
Syarat: Metadata JSON pilihan; makna tepat di pihak huluan bergantung pada model yang dipilih.
Lalai—
Medansession_idJenisjson_valueKeperluanPilihanNilai & had
Syarat: Metadata JSON pilihan; makna tepat di pihak huluan bergantung pada model yang dipilih.
Lalai—
MedantraceJenisjson_valueKeperluanPilihanNilai & had
Syarat: Metadata JSON pilihan; makna tepat di pihak huluan bergantung pada model yang dipilih.
Lalai—
MedanproviderJenisobjectKeperluanPilihanNilai & had
Syarat: provider.options ditolak
Lalai—
Gabungan bahan input

text_to_embedding

Parameter kaedah dan kitar hayat
ParameterKontrak
Parametercontent_typeKontrakapplication/json
ParameterrequiredKontrakmodel, input
Parameterinput_shapesKontrakstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[]
Parameterencoding_formatKontrakfloat
Parameterdimensions_overrideKontrakfalse
Parametermax_input_budget_unitsKontrak8192
Parametermultimodal_objectsKontrakfalse
Parametermaterial_typesKontraktext
Parametertext_file_materialKontrakBaca 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.

Pelan harga

Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.

Mod pantas
Kadar standard Apabila mod pantas dipilih
Mod flex
Kadar standard Apabila mod flex dipilih
Usaha penaakulan maksimum
Kadar standard Apabila usaha penaakulan maksimum menggunakan pelarasan default

Kadar Ailoot

Harga mengikut konfigurasi

KonfigurasiJadual kadarCaj
KonfigurasiKadar asas tokenJadual kadarKadar asasCaj
Input · Token input $0.0002 / 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 →

Contoh permintaan

Ailoot Ultra · Pembenaman · text-embedding-ada-002

Badan JSON minimum yang lengkapcurl · gunakan dokumen UTF-8 andaPython · simpan hasil lengkap
{
  "model": "text-embedding-ada-002",
  "input": [
    "First document",
    "Second document"
  ],
  "encoding_format": "float"
}
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"
export AILOOT_TEXT_FILE
python3 - <<'PY_REQUEST'
import json, os
from pathlib import Path

source_file = Path(os.environ['AILOOT_TEXT_FILE'])
if not source_file.is_file():
    raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')
text = source_file.read_text(encoding='utf-8')
if not text.strip():
    raise SystemExit('Choose a document containing text')
payload = {'model': 'text-embedding-ada-002', 'input': ['First document', 'Second document'], 'encoding_format': 'float'}
payload['input'] = [text]
Path('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path

result = json.loads(Path('result.json').read_text(encoding='utf-8'))
print(json.dumps(result, ensure_ascii=False, indent=2))
for vector in result.get('data', []):
    print('Vector', vector.get('index'), json.dumps(vector.get('embedding')))
PY_RESULT
import json, os
from pathlib import Path

source_file = Path(os.environ['AILOOT_TEXT_FILE'])
if not source_file.is_file():
    raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')
text = source_file.read_text(encoding='utf-8')
if not text.strip():
    raise SystemExit('Choose a document containing text')
payload = {'model': 'text-embedding-ada-002', 'input': ['First document', 'Second document'], 'encoding_format': 'float'}
payload['input'] = [text]
from urllib.request import Request, urlopen
from urllib.error import HTTPError

api_key = os.environ['AILOOT_API_KEY']
if not api_key.strip():
    raise SystemExit('Set AILOOT_API_KEY before making a request')
headers = {'Authorization': 'Bearer PLACEHOLDER_KEY', 'Content-Type': 'application/json'}
headers['Authorization'] = 'Bearer ' + api_key
request = Request('https://api.ailoot.ai/v1/embeddings', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')
try:
    with urlopen(request, timeout=120) as response:
        raw = response.read()
        Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')
except HTTPError as error:
    Path('result.json').write_bytes(error.read())
    Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')
    raise
Path('result.json').write_bytes(raw)
import json
from pathlib import Path

result = json.loads(Path('result.json').read_text(encoding='utf-8'))
print(json.dumps(result, ensure_ascii=False, indent=2))
for vector in result.get('data', []):
    print('Vector', vector.get('index'), json.dumps(vector.get('embedding')))

Terima dan simpan hasil

Ailoot Ultra · Pembenaman · text-embedding-ada-002

json

Simpan semua hasil yang selesai

Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.

Simpan setiap vektor terhingga berserta indeks asalnya. Kekalkan semua dimensi dan keseluruhan objek penggunaan.

Jika respons asal perlu disemak

Tiada titik akhir tugas pembenaman diperkenalkan.

Medan respons
MedanJenis
MedanobjectJenisstring
MedanmodelJenisstring
Medandata[].indexJenisinteger
Medandata[].embeddingJenisfinite float[]
MedanusageJenisobject
Ralat dan langkah seterusnya
ResponsSyaratLangkah seterusnya
Respons400 · invalid_request_errorSyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sahLangkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu.

Alias

Alias model

Ailoot Ultra openai/text-embedding-ada-002, text-embedding-ada-002

Alias laluan kaedah

Gunakan laluan kaedah yang dipaparkan di atas.

ID pemanggil berkaitan

openai/text-embedding-ada-002, text-embedding-ada-002

FAQ · OpenAI: Text Embedding Ada 002
Apakah input dan hasil yang tersedia?

POST /v1/embeddings · openai/text-embedding-ada-002: text, token_ids → embedding

POST /v1/embeddings · text-embedding-ada-002: text → embedding

Apakah medan yang digunakan oleh permintaan?

POST /v1/embeddings · openai/text-embedding-ada-002: model, input, encoding_format, provider

POST /v1/embeddings · text-embedding-ada-002: model, input, encoding_format, provider

Apakah had yang terpakai?

POST /v1/embeddings · openai/text-embedding-ada-002: ctx: 8192; input.budget.maximum: 8192 (bait UTF8); input.min_items: 1

POST /v1/embeddings · text-embedding-ada-002: ctx: 8192; input.budget.maximum: 8192 (bait UTF8); input.min_items: 1

Butiran lanjut

Sambungkan Ailoot kepada Claude Code, OpenCode, Hermes atau aplikasi anda.

Syarikat dan portfolio projeknya

Syarikat dan portfolio projeknya: jutaan pelanggan; jualan bernilai berbilion setiap bulan.

Beli token dengan diskaun.

Diskaun langganan untuk penggunaan berkala. Kod promosi — sehingga 50% bagi pembelian token.

Langganan
Pilih pelan berdiskaun untuk permintaan berkala anda.
Kod promosi sehingga 50%
Masukkan kod semasa pembelian. Harga dikira semula mengikut promosi semasa.
Perbelanjaan dalam sejarah
Model, token dan jumlah disimpan bagi setiap permintaan.

Pilih langganan · Lihat harga model

Sambungkan API kepada produk yang anda jual.

SaaS, aplikasi dan bot — di bawah tawaran rasmi serta perjanjian lesen Ailoot. Untuk jualan semula, mohon lesen penjual semula.

Aplikasi komersial
Tambahkan penjanaan teks, imej, video dan audio pada ciri berbayar perkhidmatan anda.
Lesen penjual semula
Hantar keterangan projek dan susunan akses. Minta terma penggunaan serta jualan semula secara bertulis.
Dokumen pada laman
Tawaran, perjanjian lesen dan dasar pemprosesan data tersedia sebelum sambungan.

Mohon lesen penjual semula · Tawaran dan perjanjian lesen