text-embedding-3-large er OpenAIs større tekstembeddingmodell fra tredje generasjon for oppgaver på engelsk og andre språk. Den omdanner skriftlig materiale til en numerisk vektor og returnerer 3 072 komponenter som standard. Vektoren representerer forhold i det leverte innholdet; en gjenfinnings- eller klassifiseringsprosess bruker den til å velge materiale eller ta en annen beslutning.
Modellene fra tredje generasjon er trent for å støtte kortere representasjoner gjennom produsentens dimensions-kontroll. Produsenten gir 1 024 dimensjoner som eksempel når et vektorlager krever den størrelsen. En kortere vektor reduserer datamengden som må lagres og sammenlignes, mens en endring av representasjonen kan påvirke gjenfinningskvaliteten. Velg størrelsen etter applikasjonens krav, og bruk samme valg for korpuset og forespørslene til det.
En illustrerende dokumentsøkeflyt deler kildemateriale i meningsfulle passasjer, bevarer identifikatorene og henter vektorer for hver passasje. Et spørsmål får beregnet en embeddingvektor med samme modell og dimensjoner og sammenlignes deretter med passasjevektorene. Applikasjonen leverer filtre, velger de rangerte resultatene og viser kildereferansene. En påfølgende tekstgenereringsmodell kan utforme et svar fra det hentede materialet; embeddingmodellens resultat forblir numeriske data.
Andre dokumenterte anvendelser omfatter kode- eller tekstsøk, gruppering av lignende poster, anbefalinger av relatert innhold, klassifisering, anomalideteksjon og måling av variasjon i en samling. For en anbefaling beskrives objektene med termer som er relevante for forholdet. For klassifisering sammenlignes det med kategorirepresentasjoner, eller vektorer brukes som egenskaper i en klassifikator. Definer regelen som gjør likhet til resultatet produktet trenger.
OpenAI oppgir maksimalt 8 192 tokener per tekst. Embedding-API-et godtar strenger eller tokenisert tekst, støtter flere inndataelementer og avviser tomme strenger. Det håndhever også en samlet grense på 300 000 tokener for én forespørsel. Et langt dokument bør deles med meningsfulle grenser og kontekst intakt, og hver vektor holdes knyttet til kildepassasjen.
Produsenten dokumenterer flyttallsvektorer som standardresultat og base64 som alternativ koding. Veiledningen anbefaler cosinuslikhet og sier at OpenAI-embeddings er normalisert til enhetslengde, slik at et skalarprodukt kan brukes til cosinuslikhet og euklidisk avstand gir tilsvarende rangeringer. Hvis en vektor fra tredje generasjon forkortes manuelt etter generering, instruerer produsenten applikasjonen i å normalisere den forkortede vektoren på nytt; bruk av dimensions-kontrollen er den anbefalte fremgangsmåten.
Klargjør en konsekvent tekstrepresentasjon, og registrer modell, dimensjoner og kildeidentifikator. Et nyttig endelig resultat er et rangert sett med passasjer, relaterte elementer eller grupperte poster med en uttrykkelig utvalgsregel. Vurder om resultatet gjelder forespørselen, og bevar kildebeleggene for neste trinn fremfor å behandle vektorlikhet som bekreftelse av de faktiske påstandene i en post.
", "aboutText": "text-embedding-3-large er OpenAIs større tekstembeddingmodell fra tredje generasjon for oppgaver på engelsk og andre språk. Den omdanner skriftlig materiale til en numerisk vektor og returnerer 3 072 komponenter som standard. Vektoren representerer forhold i det leverte innholdet; en gjenfinnings- eller klassifiseringsprosess bruker den til å velge materiale eller ta en annen beslutning.\n\nModellene fra tredje generasjon er trent for å støtte kortere representasjoner gjennom produsentens dimensions-kontroll. Produsenten gir 1 024 dimensjoner som eksempel når et vektorlager krever den størrelsen. En kortere vektor reduserer datamengden som må lagres og sammenlignes, mens en endring av representasjonen kan påvirke gjenfinningskvaliteten. Velg størrelsen etter applikasjonens krav, og bruk samme valg for korpuset og forespørslene til det.\n\nEn illustrerende dokumentsøkeflyt deler kildemateriale i meningsfulle passasjer, bevarer identifikatorene og henter vektorer for hver passasje. Et spørsmål får beregnet en embeddingvektor med samme modell og dimensjoner og sammenlignes deretter med passasjevektorene. Applikasjonen leverer filtre, velger de rangerte resultatene og viser kildereferansene. En påfølgende tekstgenereringsmodell kan utforme et svar fra det hentede materialet; embeddingmodellens resultat forblir numeriske data.\n\nAndre dokumenterte anvendelser omfatter kode- eller tekstsøk, gruppering av lignende poster, anbefalinger av relatert innhold, klassifisering, anomalideteksjon og måling av variasjon i en samling. For en anbefaling beskrives objektene med termer som er relevante for forholdet. For klassifisering sammenlignes det med kategorirepresentasjoner, eller vektorer brukes som egenskaper i en klassifikator. Definer regelen som gjør likhet til resultatet produktet trenger.\n\nOpenAI oppgir maksimalt 8 192 tokener per tekst. Embedding-API-et godtar strenger eller tokenisert tekst, støtter flere inndataelementer og avviser tomme strenger. Det håndhever også en samlet grense på 300 000 tokener for én forespørsel. Et langt dokument bør deles med meningsfulle grenser og kontekst intakt, og hver vektor holdes knyttet til kildepassasjen.\n\nProdusenten dokumenterer flyttallsvektorer som standardresultat og base64 som alternativ koding. Veiledningen anbefaler cosinuslikhet og sier at OpenAI-embeddings er normalisert til enhetslengde, slik at et skalarprodukt kan brukes til cosinuslikhet og euklidisk avstand gir tilsvarende rangeringer. Hvis en vektor fra tredje generasjon forkortes manuelt etter generering, instruerer produsenten applikasjonen i å normalisere den forkortede vektoren på nytt; bruk av dimensions-kontrollen er den anbefalte fremgangsmåten.\n\nKlargjør en konsekvent tekstrepresentasjon, og registrer modell, dimensjoner og kildeidentifikator. Et nyttig endelig resultat er et rangert sett med passasjer, relaterte elementer eller grupperte poster med en uttrykkelig utvalgsregel. Vurder om resultatet gjelder forespørselen, og bevar kildebeleggene for neste trinn fremfor å behandle vektorlikhet som bekreftelse av de faktiske påstandene i en post.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "b6bd0bd55c78b2e8c50649a005f260d4f552c5c2d61ea7988a6be3323ca96813", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nb", "methods": [ { "html": "openai/text-embedding-3-largeOpenAIs større tekstembeddingmodell fra tredje generasjon returnerer vektorer med 3 072 dimensjoner som standard, med en produsentkontroll for kortere representasjoner. Bruk den til semantisk gjenfinning, flerspråklig sammenligning og arbeidsflyter for relatert innhold eller klassifisering.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
text-embedding-3-large er OpenAIs større tekstembeddingmodell fra tredje generasjon for oppgaver på engelsk og andre språk. Den omdanner skriftlig materiale til en numerisk vektor og returnerer 3 072 komponenter som standard. Vektoren representerer forhold i det leverte innholdet; en gjenfinnings- eller klassifiseringsprosess bruker den til å velge materiale eller ta en annen beslutning.
Modellene fra tredje generasjon er trent for å støtte kortere representasjoner gjennom produsentens dimensions-kontroll. Produsenten gir 1 024 dimensjoner som eksempel når et vektorlager krever den størrelsen. En kortere vektor reduserer datamengden som må lagres og sammenlignes, mens en endring av representasjonen kan påvirke gjenfinningskvaliteten. Velg størrelsen etter applikasjonens krav, og bruk samme valg for korpuset og forespørslene til det.
En illustrerende dokumentsøkeflyt deler kildemateriale i meningsfulle passasjer, bevarer identifikatorene og henter vektorer for hver passasje. Et spørsmål får beregnet en embeddingvektor med samme modell og dimensjoner og sammenlignes deretter med passasjevektorene. Applikasjonen leverer filtre, velger de rangerte resultatene og viser kildereferansene. En påfølgende tekstgenereringsmodell kan utforme et svar fra det hentede materialet; embeddingmodellens resultat forblir numeriske data.
Andre dokumenterte anvendelser omfatter kode- eller tekstsøk, gruppering av lignende poster, anbefalinger av relatert innhold, klassifisering, anomalideteksjon og måling av variasjon i en samling. For en anbefaling beskrives objektene med termer som er relevante for forholdet. For klassifisering sammenlignes det med kategorirepresentasjoner, eller vektorer brukes som egenskaper i en klassifikator. Definer regelen som gjør likhet til resultatet produktet trenger.
OpenAI oppgir maksimalt 8 192 tokener per tekst. Embedding-API-et godtar strenger eller tokenisert tekst, støtter flere inndataelementer og avviser tomme strenger. Det håndhever også en samlet grense på 300 000 tokener for én forespørsel. Et langt dokument bør deles med meningsfulle grenser og kontekst intakt, og hver vektor holdes knyttet til kildepassasjen.
Produsenten dokumenterer flyttallsvektorer som standardresultat og base64 som alternativ koding. Veiledningen anbefaler cosinuslikhet og sier at OpenAI-embeddings er normalisert til enhetslengde, slik at et skalarprodukt kan brukes til cosinuslikhet og euklidisk avstand gir tilsvarende rangeringer. Hvis en vektor fra tredje generasjon forkortes manuelt etter generering, instruerer produsenten applikasjonen i å normalisere den forkortede vektoren på nytt; bruk av dimensions-kontrollen er den anbefalte fremgangsmåten.
Klargjør en konsekvent tekstrepresentasjon, og registrer modell, dimensjoner og kildeidentifikator. Et nyttig endelig resultat er et rangert sett med passasjer, relaterte elementer eller grupperte poster med en uttrykkelig utvalgsregel. Vurder om resultatet gjelder forespørselen, og bevar kildebeleggene for neste trinn fremfor å behandle vektorlikhet som bekreftelse av de faktiske påstandene i en post.
POST /v1/embeddingstext, token_idsembedding| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser openai/text-embedding-3-large | Standard— |
Feltinput | Typestring|string[]|integer[]|integer[][] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 Vilkår: Ikke-tom batch med ensartede elementer. Token-ID-er er ikke-negative heltall. Inndatabudsjett: Maksimum: 8 192 · Tekstenhet: UTF8-byte · Tokenenhet: elementer i token-arrayet | Standard— |
Feltencoding_format | Typestring | KravValgfritt | Verdier & grenser float | Standardfloat |
Feltdimensions | Typeinteger | KravStøttes ikke | Verdier & grenser Minimum: 1 | Standard— |
Feltuser | Typejson_value | KravValgfritt | Verdier & grenser Vilkår: Kilden tillater dette JSON-metadatafeltet; den nøyaktige semantikken hos den underliggende leverandøren er modellavhengig. | Standard— |
Feltsession_id | Typejson_value | KravValgfritt | Verdier & grenser Vilkår: Kilden tillater dette JSON-metadatafeltet; den nøyaktige semantikken hos den underliggende leverandøren er modellavhengig. | Standard— |
Felttrace | Typejson_value | KravValgfritt | Verdier & grenser Vilkår: Kilden tillater dette JSON-metadatafeltet; den nøyaktige semantikken hos den underliggende leverandøren er modellavhengig. | Standard— |
Feltprovider | Typeobject | KravValgfritt | Verdier & grenser Vilkår: provider.options avvises | Standard— |
text_to_embedding
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, input |
Parameterinput_shapes | Avtalestring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parameterencoding_format | Avtalefloat |
Parameterdimensions_override | Avtalefalse |
Parametermax_input_budget_units | Avtale8192 |
Parametermultimodal_objects | Avtalefalse |
Parametermaterial_types | Avtaletext, token_ids |
Livssyklus: synchronous_json
Bevar hver vektors indeks og dimensjon.
Et multimodalt modellnavn innebærer ikke at bildeobjekter er tillatt på denne nøyaktige stien.
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.00026 / 1K tokener Utdata · Utgående tokener $0 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${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
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Bevar hver vektor sammen med indeksen. Antall vektorer må være lik antall inndata; dimensjonene må være konsistente.
Det innføres ikke noe endepunkt for embedding-jobber.
| Felt | Type |
|---|---|
Feltobject | Typestring |
Feltmodel | Typestring |
Feltdata[].index | Typeinteger |
Feltdata[].embedding | Typefinite float[] |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra openai/text-embedding-3-large, text-embedding-3-large
Bruk metodestiene som vises ovenfor.
text-embedding-3-largeOpenAIs større tekstembeddingmodell fra tredje generasjon returnerer vektorer med 3 072 dimensjoner som standard, med en produsentkontroll for kortere representasjoner. Bruk den til semantisk gjenfinning, flerspråklig sammenligning og arbeidsflyter for relatert innhold eller klassifisering.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
text-embedding-3-large er OpenAIs større tekstembeddingmodell fra tredje generasjon for oppgaver på engelsk og andre språk. Den omdanner skriftlig materiale til en numerisk vektor og returnerer 3 072 komponenter som standard. Vektoren representerer forhold i det leverte innholdet; en gjenfinnings- eller klassifiseringsprosess bruker den til å velge materiale eller ta en annen beslutning.
Modellene fra tredje generasjon er trent for å støtte kortere representasjoner gjennom produsentens dimensions-kontroll. Produsenten gir 1 024 dimensjoner som eksempel når et vektorlager krever den størrelsen. En kortere vektor reduserer datamengden som må lagres og sammenlignes, mens en endring av representasjonen kan påvirke gjenfinningskvaliteten. Velg størrelsen etter applikasjonens krav, og bruk samme valg for korpuset og forespørslene til det.
En illustrerende dokumentsøkeflyt deler kildemateriale i meningsfulle passasjer, bevarer identifikatorene og henter vektorer for hver passasje. Et spørsmål får beregnet en embeddingvektor med samme modell og dimensjoner og sammenlignes deretter med passasjevektorene. Applikasjonen leverer filtre, velger de rangerte resultatene og viser kildereferansene. En påfølgende tekstgenereringsmodell kan utforme et svar fra det hentede materialet; embeddingmodellens resultat forblir numeriske data.
Andre dokumenterte anvendelser omfatter kode- eller tekstsøk, gruppering av lignende poster, anbefalinger av relatert innhold, klassifisering, anomalideteksjon og måling av variasjon i en samling. For en anbefaling beskrives objektene med termer som er relevante for forholdet. For klassifisering sammenlignes det med kategorirepresentasjoner, eller vektorer brukes som egenskaper i en klassifikator. Definer regelen som gjør likhet til resultatet produktet trenger.
OpenAI oppgir maksimalt 8 192 tokener per tekst. Embedding-API-et godtar strenger eller tokenisert tekst, støtter flere inndataelementer og avviser tomme strenger. Det håndhever også en samlet grense på 300 000 tokener for én forespørsel. Et langt dokument bør deles med meningsfulle grenser og kontekst intakt, og hver vektor holdes knyttet til kildepassasjen.
Produsenten dokumenterer flyttallsvektorer som standardresultat og base64 som alternativ koding. Veiledningen anbefaler cosinuslikhet og sier at OpenAI-embeddings er normalisert til enhetslengde, slik at et skalarprodukt kan brukes til cosinuslikhet og euklidisk avstand gir tilsvarende rangeringer. Hvis en vektor fra tredje generasjon forkortes manuelt etter generering, instruerer produsenten applikasjonen i å normalisere den forkortede vektoren på nytt; bruk av dimensions-kontrollen er den anbefalte fremgangsmåten.
Klargjør en konsekvent tekstrepresentasjon, og registrer modell, dimensjoner og kildeidentifikator. Et nyttig endelig resultat er et rangert sett med passasjer, relaterte elementer eller grupperte poster med en uttrykkelig utvalgsregel. Vurder om resultatet gjelder forespørselen, og bevar kildebeleggene for neste trinn fremfor å behandle vektorlikhet som bekreftelse av de faktiske påstandene i en post.
POST /v1/embeddingstextembedding| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser text-embedding-3-large | Standard— |
Feltinput | Typestring|string[]|integer[]|integer[][] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 Vilkår: Ikke-tom batch med ensartede elementer. Token-ID-er er ikke-negative heltall. Inndatabudsjett: Maksimum: 8 192 · Tekstenhet: UTF8-byte · Tokenenhet: elementer i token-arrayet | Standard— |
Feltencoding_format | Typestring | KravValgfritt | Verdier & grenser float | Standardfloat |
Feltdimensions | Typeinteger | KravStøttes ikke | Verdier & grenser Minimum: 1 | Standard— |
Feltuser | Typejson_value | KravValgfritt | Verdier & grenser Vilkår: Valgfrie JSON-metadata; den eksakte betydningen hos leverandøren avhenger av den valgte modellen. | Standard— |
Feltsession_id | Typejson_value | KravValgfritt | Verdier & grenser Vilkår: Valgfrie JSON-metadata; den eksakte betydningen hos leverandøren avhenger av den valgte modellen. | Standard— |
Felttrace | Typejson_value | KravValgfritt | Verdier & grenser Vilkår: Valgfrie JSON-metadata; den eksakte betydningen hos leverandøren avhenger av den valgte modellen. | Standard— |
Feltprovider | Typeobject | KravValgfritt | Verdier & grenser Vilkår: provider.options avvises | Standard— |
text_to_embedding
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, input |
Parameterinput_shapes | Avtalestring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parameterencoding_format | Avtalefloat |
Parameterdimensions_override | Avtalefalse |
Parametermax_input_budget_units | Avtale8192 |
Parametermultimodal_objects | Avtalefalse |
Parametermaterial_types | Avtaletext |
Parametertext_file_material | AvtaleLes det faktiske UTF-8-dokumentet og legg teksten i den angitte input- eller meldingsinnholdsstrengen. |
Livssyklus: synchronous_json
Send den eksakte modell-ID-en og de påkrevde feltene.
Behold hvert returnert element og de opprinnelige identifikatorene.
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.00026 / 1K tokener Utdata · Utgående tokener $0 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "text-embedding-3-large",\n "input": [\n "First document",\n "Second document"\n ],\n "encoding_format": "float"\n}set -eu\n: "${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
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold hver vektor med endelige verdier og dens opprinnelige indeks. Bevar alle dimensjoner og hele forbruksobjektet.
Det innføres ikke noe endepunkt for embedding-jobber.
| Felt | Type |
|---|---|
Feltobject | Typestring |
Feltmodel | Typestring |
Feltdata[].index | Typeinteger |
Feltdata[].embedding | Typefinite float[] |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra openai/text-embedding-3-large, text-embedding-3-large
Bruk metodestiene som vises ovenfor.