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.
", "aboutText": "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.\n\nUntuk 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.\n\nKegunaan 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.\n\nOpenAI 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.\n\nOutput 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.\n\nPanduan 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.\n\nTakrifkan 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "77e35ddc5ce68a70f9689ae8965deba8fe63b23e7746184ed2115cda32ed3719", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "ms", "methods": [ { "html": "openai/text-embedding-ada-002Model 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.
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.
POST /v1/embeddingstext, token_idsembedding| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had openai/text-embedding-ada-002 | 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 $0.0002 / 1K token Output · Token output $0 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${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
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-ada-002, text-embedding-ada-002
Gunakan laluan kaedah yang dipaparkan di atas.
text-embedding-ada-002Model 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.
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.
POST /v1/embeddingstextembedding| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had text-embedding-ada-002 | 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 $0.0002 / 1K token Output · Token output $0 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "text-embedding-ada-002",\n "input": [\n "First document",\n "Second document"\n ],\n "encoding_format": "float"\n}set -eu\n: "${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
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-ada-002, text-embedding-ada-002
Gunakan laluan kaedah yang dipaparkan di atas.