text-embedding-3-small er OpenAIs mindre tekstembeddingmodell fra tredje generasjon. Den omdanner skriftlig materiale til numeriske vektorer med 1 536 komponenter som standard. Vektorene måler forhold mellom tekster til et etterfølgende søke- eller analysetrinn; modellen genererer ikke et samtalesvar på inndataene.
Som den større modellen fra tredje generasjon støtter den produsentens dimensions-kontroll for kortere embeddingvektorer. Treningen er utformet for å bevare informasjon som representerer begreper, i en forkortet vektor, og valget av størrelse påvirker applikasjonens kvalitet og ressursbehov. Hold modellen og valgte dimensjoner konsekvente for postene og forespørslene som sammenlignes.
En praktisk anvendelse er kodesøk. Produsentens veiledning beskriver å representere kildekodefunksjoner som tekst og beregne embeddingvektorene deres, deretter beregne en embeddingvektor for en forespørsel på naturlig språk med samme modell og sammenligne de resulterende vektorene. Et illustrerende resultat er et rangert sett med relevante funksjoner knyttet til plasseringene i kildekoden. For dokumentsøk er det tilsvarende resultatet et sett med passasjer der tekst og opprinnelige referanser fortsatt er tilgjengelige for leseren eller neste modell.
Andre dokumenterte bruksområder omfatter klyngedannelse, anbefalinger av relatert innhold, klassifisering, oppdagelse av avvikere og måling av variasjon. En avgrenset meldingsflyt kan gruppere lignende henvendelser eller sammenligne dem med kategoribeskrivelser. Applikasjonen definerer hvordan et likhetsresultat blir til en kategori, anbefaling eller post for gjennomgang; selve embeddingvektoren forblir numeriske data.
OpenAI oppgir maksimalt 8 192 tokener per tekst. Embedding-API-et godtar strenger eller tokeniserte inndata og flere inndataelementer i én forespørsel, avviser tomme strenger og bruker en samlet grense på 300 000 tokener. Klargjør langt materiale som meningsfulle passasjer, og bevar titler eller definisjoner som trengs for å tolke dem. Bruk et konsekvent sett med kildefelt fremfor å beregne embeddingvektorer for ulike typer poster med klargjøringsregler uten innbyrdes sammenheng.
Produsenten returnerer flyttallsvektorer som standard og dokumenterer også base64-koding. Veiledningen sier at OpenAI-embeddings er normalisert til enhetslengde og anbefaler cosinuslikhet; et skalarprodukt kan beregne den, og euklidisk avstand gir samme rangering. Hvis en embeddingvektor fra tredje generasjon forkortes manuelt etter at den er returnert, normaliseres den forkortede vektoren på nytt som beskrevet i veiledningen. Med dimensions-kontrollen trenger ikke manuell avkorting inngå i den vanlige klargjøringen.
Registrer modellidentiteten, dimensjonene og kildekoblingen sammen med hver vektor. Et nyttig etterfølgende resultat er en rangert liste, en gruppert samling eller et sett med klassifiseringsegenskaper knyttet til teksten som produserte dem. Kontroller om det valgte materialet faktisk støtter oppgaven, og hold manglende fakta atskilt fra semantisk beslektethet. Neste trinn kan deretter bruke representasjonen i en konkret gjenfinnings- eller beslutningsflyt.
", "aboutText": "text-embedding-3-small er OpenAIs mindre tekstembeddingmodell fra tredje generasjon. Den omdanner skriftlig materiale til numeriske vektorer med 1 536 komponenter som standard. Vektorene måler forhold mellom tekster til et etterfølgende søke- eller analysetrinn; modellen genererer ikke et samtalesvar på inndataene.\n\nSom den større modellen fra tredje generasjon støtter den produsentens dimensions-kontroll for kortere embeddingvektorer. Treningen er utformet for å bevare informasjon som representerer begreper, i en forkortet vektor, og valget av størrelse påvirker applikasjonens kvalitet og ressursbehov. Hold modellen og valgte dimensjoner konsekvente for postene og forespørslene som sammenlignes.\n\nEn praktisk anvendelse er kodesøk. Produsentens veiledning beskriver å representere kildekodefunksjoner som tekst og beregne embeddingvektorene deres, deretter beregne en embeddingvektor for en forespørsel på naturlig språk med samme modell og sammenligne de resulterende vektorene. Et illustrerende resultat er et rangert sett med relevante funksjoner knyttet til plasseringene i kildekoden. For dokumentsøk er det tilsvarende resultatet et sett med passasjer der tekst og opprinnelige referanser fortsatt er tilgjengelige for leseren eller neste modell.\n\nAndre dokumenterte bruksområder omfatter klyngedannelse, anbefalinger av relatert innhold, klassifisering, oppdagelse av avvikere og måling av variasjon. En avgrenset meldingsflyt kan gruppere lignende henvendelser eller sammenligne dem med kategoribeskrivelser. Applikasjonen definerer hvordan et likhetsresultat blir til en kategori, anbefaling eller post for gjennomgang; selve embeddingvektoren forblir numeriske data.\n\nOpenAI oppgir maksimalt 8 192 tokener per tekst. Embedding-API-et godtar strenger eller tokeniserte inndata og flere inndataelementer i én forespørsel, avviser tomme strenger og bruker en samlet grense på 300 000 tokener. Klargjør langt materiale som meningsfulle passasjer, og bevar titler eller definisjoner som trengs for å tolke dem. Bruk et konsekvent sett med kildefelt fremfor å beregne embeddingvektorer for ulike typer poster med klargjøringsregler uten innbyrdes sammenheng.\n\nProdusenten returnerer flyttallsvektorer som standard og dokumenterer også base64-koding. Veiledningen sier at OpenAI-embeddings er normalisert til enhetslengde og anbefaler cosinuslikhet; et skalarprodukt kan beregne den, og euklidisk avstand gir samme rangering. Hvis en embeddingvektor fra tredje generasjon forkortes manuelt etter at den er returnert, normaliseres den forkortede vektoren på nytt som beskrevet i veiledningen. Med dimensions-kontrollen trenger ikke manuell avkorting inngå i den vanlige klargjøringen.\n\nRegistrer modellidentiteten, dimensjonene og kildekoblingen sammen med hver vektor. Et nyttig etterfølgende resultat er en rangert liste, en gruppert samling eller et sett med klassifiseringsegenskaper knyttet til teksten som produserte dem. Kontroller om det valgte materialet faktisk støtter oppgaven, og hold manglende fakta atskilt fra semantisk beslektethet. Neste trinn kan deretter bruke representasjonen i en konkret gjenfinnings- eller beslutningsflyt.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "50e85c029ac3f15ff0424a6f0a2dd449d2a39f48352d8a5934594d02ed0152b8", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nb", "methods": [ { "html": "openai/text-embedding-3-smallOpenAIs lille tekstembeddingmodell fra tredje generasjon returnerer vektorer med 1 536 dimensjoner som standard og støtter kortere representasjoner. Bruk de numeriske resultatene til semantisk søk, kodegjenfinning, gruppering, anbefalinger og klassifisering.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
text-embedding-3-small er OpenAIs mindre tekstembeddingmodell fra tredje generasjon. Den omdanner skriftlig materiale til numeriske vektorer med 1 536 komponenter som standard. Vektorene måler forhold mellom tekster til et etterfølgende søke- eller analysetrinn; modellen genererer ikke et samtalesvar på inndataene.
Som den større modellen fra tredje generasjon støtter den produsentens dimensions-kontroll for kortere embeddingvektorer. Treningen er utformet for å bevare informasjon som representerer begreper, i en forkortet vektor, og valget av størrelse påvirker applikasjonens kvalitet og ressursbehov. Hold modellen og valgte dimensjoner konsekvente for postene og forespørslene som sammenlignes.
En praktisk anvendelse er kodesøk. Produsentens veiledning beskriver å representere kildekodefunksjoner som tekst og beregne embeddingvektorene deres, deretter beregne en embeddingvektor for en forespørsel på naturlig språk med samme modell og sammenligne de resulterende vektorene. Et illustrerende resultat er et rangert sett med relevante funksjoner knyttet til plasseringene i kildekoden. For dokumentsøk er det tilsvarende resultatet et sett med passasjer der tekst og opprinnelige referanser fortsatt er tilgjengelige for leseren eller neste modell.
Andre dokumenterte bruksområder omfatter klyngedannelse, anbefalinger av relatert innhold, klassifisering, oppdagelse av avvikere og måling av variasjon. En avgrenset meldingsflyt kan gruppere lignende henvendelser eller sammenligne dem med kategoribeskrivelser. Applikasjonen definerer hvordan et likhetsresultat blir til en kategori, anbefaling eller post for gjennomgang; selve embeddingvektoren forblir numeriske data.
OpenAI oppgir maksimalt 8 192 tokener per tekst. Embedding-API-et godtar strenger eller tokeniserte inndata og flere inndataelementer i én forespørsel, avviser tomme strenger og bruker en samlet grense på 300 000 tokener. Klargjør langt materiale som meningsfulle passasjer, og bevar titler eller definisjoner som trengs for å tolke dem. Bruk et konsekvent sett med kildefelt fremfor å beregne embeddingvektorer for ulike typer poster med klargjøringsregler uten innbyrdes sammenheng.
Produsenten returnerer flyttallsvektorer som standard og dokumenterer også base64-koding. Veiledningen sier at OpenAI-embeddings er normalisert til enhetslengde og anbefaler cosinuslikhet; et skalarprodukt kan beregne den, og euklidisk avstand gir samme rangering. Hvis en embeddingvektor fra tredje generasjon forkortes manuelt etter at den er returnert, normaliseres den forkortede vektoren på nytt som beskrevet i veiledningen. Med dimensions-kontrollen trenger ikke manuell avkorting inngå i den vanlige klargjøringen.
Registrer modellidentiteten, dimensjonene og kildekoblingen sammen med hver vektor. Et nyttig etterfølgende resultat er en rangert liste, en gruppert samling eller et sett med klassifiseringsegenskaper knyttet til teksten som produserte dem. Kontroller om det valgte materialet faktisk støtter oppgaven, og hold manglende fakta atskilt fra semantisk beslektethet. Neste trinn kan deretter bruke representasjonen i en konkret gjenfinnings- eller beslutningsflyt.
POST /v1/embeddingstext, token_idsembedding| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser openai/text-embedding-3-small | 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 $0.00004 / 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-small", "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-small',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-small, text-embedding-3-small
Bruk metodestiene som vises ovenfor.
text-embedding-3-smallOpenAIs lille tekstembeddingmodell fra tredje generasjon returnerer vektorer med 1 536 dimensjoner som standard og støtter kortere representasjoner. Bruk de numeriske resultatene til semantisk søk, kodegjenfinning, gruppering, anbefalinger og klassifisering.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
text-embedding-3-small er OpenAIs mindre tekstembeddingmodell fra tredje generasjon. Den omdanner skriftlig materiale til numeriske vektorer med 1 536 komponenter som standard. Vektorene måler forhold mellom tekster til et etterfølgende søke- eller analysetrinn; modellen genererer ikke et samtalesvar på inndataene.
Som den større modellen fra tredje generasjon støtter den produsentens dimensions-kontroll for kortere embeddingvektorer. Treningen er utformet for å bevare informasjon som representerer begreper, i en forkortet vektor, og valget av størrelse påvirker applikasjonens kvalitet og ressursbehov. Hold modellen og valgte dimensjoner konsekvente for postene og forespørslene som sammenlignes.
En praktisk anvendelse er kodesøk. Produsentens veiledning beskriver å representere kildekodefunksjoner som tekst og beregne embeddingvektorene deres, deretter beregne en embeddingvektor for en forespørsel på naturlig språk med samme modell og sammenligne de resulterende vektorene. Et illustrerende resultat er et rangert sett med relevante funksjoner knyttet til plasseringene i kildekoden. For dokumentsøk er det tilsvarende resultatet et sett med passasjer der tekst og opprinnelige referanser fortsatt er tilgjengelige for leseren eller neste modell.
Andre dokumenterte bruksområder omfatter klyngedannelse, anbefalinger av relatert innhold, klassifisering, oppdagelse av avvikere og måling av variasjon. En avgrenset meldingsflyt kan gruppere lignende henvendelser eller sammenligne dem med kategoribeskrivelser. Applikasjonen definerer hvordan et likhetsresultat blir til en kategori, anbefaling eller post for gjennomgang; selve embeddingvektoren forblir numeriske data.
OpenAI oppgir maksimalt 8 192 tokener per tekst. Embedding-API-et godtar strenger eller tokeniserte inndata og flere inndataelementer i én forespørsel, avviser tomme strenger og bruker en samlet grense på 300 000 tokener. Klargjør langt materiale som meningsfulle passasjer, og bevar titler eller definisjoner som trengs for å tolke dem. Bruk et konsekvent sett med kildefelt fremfor å beregne embeddingvektorer for ulike typer poster med klargjøringsregler uten innbyrdes sammenheng.
Produsenten returnerer flyttallsvektorer som standard og dokumenterer også base64-koding. Veiledningen sier at OpenAI-embeddings er normalisert til enhetslengde og anbefaler cosinuslikhet; et skalarprodukt kan beregne den, og euklidisk avstand gir samme rangering. Hvis en embeddingvektor fra tredje generasjon forkortes manuelt etter at den er returnert, normaliseres den forkortede vektoren på nytt som beskrevet i veiledningen. Med dimensions-kontrollen trenger ikke manuell avkorting inngå i den vanlige klargjøringen.
Registrer modellidentiteten, dimensjonene og kildekoblingen sammen med hver vektor. Et nyttig etterfølgende resultat er en rangert liste, en gruppert samling eller et sett med klassifiseringsegenskaper knyttet til teksten som produserte dem. Kontroller om det valgte materialet faktisk støtter oppgaven, og hold manglende fakta atskilt fra semantisk beslektethet. Neste trinn kan deretter bruke representasjonen i en konkret gjenfinnings- eller beslutningsflyt.
POST /v1/embeddingstextembedding| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser text-embedding-3-small | 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 $0.00004 / 1K tokener Utdata · Utgående tokener $0 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "text-embedding-3-small",\n "input": [\n "First document",\n "Second document"\n ],\n "encoding_format": "float"\n}set -eu\n: "${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-small', '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-small', '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-small, text-embedding-3-small
Bruk metodestiene som vises ovenfor.