text-embedding-ada-002 er OpenAIs tekstembeddingmodell for å representere skriftlig materiale som en numerisk vektor. Resultatet inneholder 1 536 komponenter. Produsenten kombinerer tekstlikhet, dokument-/forespørselssøk og kodesøk i én representasjon. Resultatet er data for sammenligning eller en annen algoritme, ikke et generert svar på teksten det beregnes en embedding av.
For semantisk søk klargjøres meningsfulle dokumentpassasjer, og kildeidentifikatorene bevares. En illustrerende arbeidsflyt beregner embeddingvektorer for hver passasje og brukerens spørsmål med samme modell, sammenligner vektorene og returnerer de relevante kildepassasjene. Applikasjonen bestemmer gjenfinningsregelen, filtrene og presentasjonen. Et påfølgende tekstgenereringstrinn kan bruke det hentede materialet til å utforme et svar, mens embeddingmodellen leverer den numeriske representasjonen.
Andre dokumenterte bruksområder omfatter gruppering av lignende poster, anbefalinger av relatert innhold, klassifisering av tekst og identifisering av avvikere. For en anbefaling sammenlignes beskrivelser av objektene hvis forhold er relevant. For klassifisering beskriver veiledningen sammenligning med kategorirepresentasjoner eller bruk av vektorer som egenskaper i en klassifikator. For anomalideteksjon er det relevante resultatet en post som skiller seg fra samlingen rundt, tolket etter produktets oppgave.
OpenAI oppgir maksimalt 8 192 tokener per inndataelement for denne modellen. Produsentens embedding-API godtar tekststrenger eller tokeniserte inndata, tillater flere inndataelementer i én forespørsel og avviser tomme strenger. Den samlede grensen er 300 000 tokener i én forespørsel, i tillegg til grensen per inndataelement. Del lengre dokumenter i nyttige passasjer, og bevar titler, definisjoner og referansen tilbake til originalmaterialet.
Resultatet er en vektor med flyttallsverdier; produsenten dokumenterer også base64 som en alternativ transportkoding. OpenAIs parameter for å redusere dimensjoner gjelder embeddingmodeller fra tredje generasjon og senere, så Ada-modellens dokumenterte resultat med 1 536 dimensjoner holdes atskilt fra denne kontrollen. Lagre modellidentiteten og vektoren sammen med kildeposten slik at senere sammenligninger bruker en konsekvent representasjon.
Embeddingveiledningen anbefaler cosinuslikhet og sier at OpenAI-embeddings er normalisert til enhetslengde. For disse vektorene kan et skalarprodukt beregne cosinuslikhet, og euklidisk avstand gir samme rangering. En likhetsskår er en del av applikasjonens gjenfinnings- eller klassifiseringslogikk, ikke en kategorisk avgjørelse modellen leverer automatisk.
Definer hvilke kildefelt som blir inndatateksten, og hvordan passasjer skal deles. Et illustrerende resultat er et rangert sett med dokumentpassasjer eller relaterte poster, hver knyttet til den opprinnelige kilden og regelen som ble brukt for utvalget. Hold klargjøringen konsekvent, og vurder om det returnerte materialet gjelder det faktiske spørsmålet. Dette gjør det numeriske resultatet nyttig til neste søke-, anbefalings- eller analysetrinn.
", "aboutText": "text-embedding-ada-002 er OpenAIs tekstembeddingmodell for å representere skriftlig materiale som en numerisk vektor. Resultatet inneholder 1 536 komponenter. Produsenten kombinerer tekstlikhet, dokument-/forespørselssøk og kodesøk i én representasjon. Resultatet er data for sammenligning eller en annen algoritme, ikke et generert svar på teksten det beregnes en embedding av.\n\nFor semantisk søk klargjøres meningsfulle dokumentpassasjer, og kildeidentifikatorene bevares. En illustrerende arbeidsflyt beregner embeddingvektorer for hver passasje og brukerens spørsmål med samme modell, sammenligner vektorene og returnerer de relevante kildepassasjene. Applikasjonen bestemmer gjenfinningsregelen, filtrene og presentasjonen. Et påfølgende tekstgenereringstrinn kan bruke det hentede materialet til å utforme et svar, mens embeddingmodellen leverer den numeriske representasjonen.\n\nAndre dokumenterte bruksområder omfatter gruppering av lignende poster, anbefalinger av relatert innhold, klassifisering av tekst og identifisering av avvikere. For en anbefaling sammenlignes beskrivelser av objektene hvis forhold er relevant. For klassifisering beskriver veiledningen sammenligning med kategorirepresentasjoner eller bruk av vektorer som egenskaper i en klassifikator. For anomalideteksjon er det relevante resultatet en post som skiller seg fra samlingen rundt, tolket etter produktets oppgave.\n\nOpenAI oppgir maksimalt 8 192 tokener per inndataelement for denne modellen. Produsentens embedding-API godtar tekststrenger eller tokeniserte inndata, tillater flere inndataelementer i én forespørsel og avviser tomme strenger. Den samlede grensen er 300 000 tokener i én forespørsel, i tillegg til grensen per inndataelement. Del lengre dokumenter i nyttige passasjer, og bevar titler, definisjoner og referansen tilbake til originalmaterialet.\n\nResultatet er en vektor med flyttallsverdier; produsenten dokumenterer også base64 som en alternativ transportkoding. OpenAIs parameter for å redusere dimensjoner gjelder embeddingmodeller fra tredje generasjon og senere, så Ada-modellens dokumenterte resultat med 1 536 dimensjoner holdes atskilt fra denne kontrollen. Lagre modellidentiteten og vektoren sammen med kildeposten slik at senere sammenligninger bruker en konsekvent representasjon.\n\nEmbeddingveiledningen anbefaler cosinuslikhet og sier at OpenAI-embeddings er normalisert til enhetslengde. For disse vektorene kan et skalarprodukt beregne cosinuslikhet, og euklidisk avstand gir samme rangering. En likhetsskår er en del av applikasjonens gjenfinnings- eller klassifiseringslogikk, ikke en kategorisk avgjørelse modellen leverer automatisk.\n\nDefiner hvilke kildefelt som blir inndatateksten, og hvordan passasjer skal deles. Et illustrerende resultat er et rangert sett med dokumentpassasjer eller relaterte poster, hver knyttet til den opprinnelige kilden og regelen som ble brukt for utvalget. Hold klargjøringen konsekvent, og vurder om det returnerte materialet gjelder det faktiske spørsmålet. Dette gjør det numeriske resultatet nyttig til neste søke-, anbefalings- eller analysetrinn.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "c791150d7ef074ccf5cfa625c7363bf2a362d008f997f3755fbe506bdd1f49b3", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nb", "methods": [ { "html": "openai/text-embedding-ada-002En tekstembeddingmodell fra OpenAI som returnerer en numerisk vektor med 1 536 dimensjoner. Bruk representasjonene til semantisk søk, anbefalinger av relatert innhold, klyngedannelse, klassifisering eller oppdagelse av uvanlige tekstposter.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
text-embedding-ada-002 er OpenAIs tekstembeddingmodell for å representere skriftlig materiale som en numerisk vektor. Resultatet inneholder 1 536 komponenter. Produsenten kombinerer tekstlikhet, dokument-/forespørselssøk og kodesøk i én representasjon. Resultatet er data for sammenligning eller en annen algoritme, ikke et generert svar på teksten det beregnes en embedding av.
For semantisk søk klargjøres meningsfulle dokumentpassasjer, og kildeidentifikatorene bevares. En illustrerende arbeidsflyt beregner embeddingvektorer for hver passasje og brukerens spørsmål med samme modell, sammenligner vektorene og returnerer de relevante kildepassasjene. Applikasjonen bestemmer gjenfinningsregelen, filtrene og presentasjonen. Et påfølgende tekstgenereringstrinn kan bruke det hentede materialet til å utforme et svar, mens embeddingmodellen leverer den numeriske representasjonen.
Andre dokumenterte bruksområder omfatter gruppering av lignende poster, anbefalinger av relatert innhold, klassifisering av tekst og identifisering av avvikere. For en anbefaling sammenlignes beskrivelser av objektene hvis forhold er relevant. For klassifisering beskriver veiledningen sammenligning med kategorirepresentasjoner eller bruk av vektorer som egenskaper i en klassifikator. For anomalideteksjon er det relevante resultatet en post som skiller seg fra samlingen rundt, tolket etter produktets oppgave.
OpenAI oppgir maksimalt 8 192 tokener per inndataelement for denne modellen. Produsentens embedding-API godtar tekststrenger eller tokeniserte inndata, tillater flere inndataelementer i én forespørsel og avviser tomme strenger. Den samlede grensen er 300 000 tokener i én forespørsel, i tillegg til grensen per inndataelement. Del lengre dokumenter i nyttige passasjer, og bevar titler, definisjoner og referansen tilbake til originalmaterialet.
Resultatet er en vektor med flyttallsverdier; produsenten dokumenterer også base64 som en alternativ transportkoding. OpenAIs parameter for å redusere dimensjoner gjelder embeddingmodeller fra tredje generasjon og senere, så Ada-modellens dokumenterte resultat med 1 536 dimensjoner holdes atskilt fra denne kontrollen. Lagre modellidentiteten og vektoren sammen med kildeposten slik at senere sammenligninger bruker en konsekvent representasjon.
Embeddingveiledningen anbefaler cosinuslikhet og sier at OpenAI-embeddings er normalisert til enhetslengde. For disse vektorene kan et skalarprodukt beregne cosinuslikhet, og euklidisk avstand gir samme rangering. En likhetsskår er en del av applikasjonens gjenfinnings- eller klassifiseringslogikk, ikke en kategorisk avgjørelse modellen leverer automatisk.
Definer hvilke kildefelt som blir inndatateksten, og hvordan passasjer skal deles. Et illustrerende resultat er et rangert sett med dokumentpassasjer eller relaterte poster, hver knyttet til den opprinnelige kilden og regelen som ble brukt for utvalget. Hold klargjøringen konsekvent, og vurder om det returnerte materialet gjelder det faktiske spørsmålet. Dette gjør det numeriske resultatet nyttig til neste søke-, anbefalings- eller analysetrinn.
POST /v1/embeddingstext, token_idsembedding| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser openai/text-embedding-ada-002 | 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 $0.0002 / 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-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
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-ada-002, text-embedding-ada-002
Bruk metodestiene som vises ovenfor.
text-embedding-ada-002En tekstembeddingmodell fra OpenAI som returnerer en numerisk vektor med 1 536 dimensjoner. Bruk representasjonene til semantisk søk, anbefalinger av relatert innhold, klyngedannelse, klassifisering eller oppdagelse av uvanlige tekstposter.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
text-embedding-ada-002 er OpenAIs tekstembeddingmodell for å representere skriftlig materiale som en numerisk vektor. Resultatet inneholder 1 536 komponenter. Produsenten kombinerer tekstlikhet, dokument-/forespørselssøk og kodesøk i én representasjon. Resultatet er data for sammenligning eller en annen algoritme, ikke et generert svar på teksten det beregnes en embedding av.
For semantisk søk klargjøres meningsfulle dokumentpassasjer, og kildeidentifikatorene bevares. En illustrerende arbeidsflyt beregner embeddingvektorer for hver passasje og brukerens spørsmål med samme modell, sammenligner vektorene og returnerer de relevante kildepassasjene. Applikasjonen bestemmer gjenfinningsregelen, filtrene og presentasjonen. Et påfølgende tekstgenereringstrinn kan bruke det hentede materialet til å utforme et svar, mens embeddingmodellen leverer den numeriske representasjonen.
Andre dokumenterte bruksområder omfatter gruppering av lignende poster, anbefalinger av relatert innhold, klassifisering av tekst og identifisering av avvikere. For en anbefaling sammenlignes beskrivelser av objektene hvis forhold er relevant. For klassifisering beskriver veiledningen sammenligning med kategorirepresentasjoner eller bruk av vektorer som egenskaper i en klassifikator. For anomalideteksjon er det relevante resultatet en post som skiller seg fra samlingen rundt, tolket etter produktets oppgave.
OpenAI oppgir maksimalt 8 192 tokener per inndataelement for denne modellen. Produsentens embedding-API godtar tekststrenger eller tokeniserte inndata, tillater flere inndataelementer i én forespørsel og avviser tomme strenger. Den samlede grensen er 300 000 tokener i én forespørsel, i tillegg til grensen per inndataelement. Del lengre dokumenter i nyttige passasjer, og bevar titler, definisjoner og referansen tilbake til originalmaterialet.
Resultatet er en vektor med flyttallsverdier; produsenten dokumenterer også base64 som en alternativ transportkoding. OpenAIs parameter for å redusere dimensjoner gjelder embeddingmodeller fra tredje generasjon og senere, så Ada-modellens dokumenterte resultat med 1 536 dimensjoner holdes atskilt fra denne kontrollen. Lagre modellidentiteten og vektoren sammen med kildeposten slik at senere sammenligninger bruker en konsekvent representasjon.
Embeddingveiledningen anbefaler cosinuslikhet og sier at OpenAI-embeddings er normalisert til enhetslengde. For disse vektorene kan et skalarprodukt beregne cosinuslikhet, og euklidisk avstand gir samme rangering. En likhetsskår er en del av applikasjonens gjenfinnings- eller klassifiseringslogikk, ikke en kategorisk avgjørelse modellen leverer automatisk.
Definer hvilke kildefelt som blir inndatateksten, og hvordan passasjer skal deles. Et illustrerende resultat er et rangert sett med dokumentpassasjer eller relaterte poster, hver knyttet til den opprinnelige kilden og regelen som ble brukt for utvalget. Hold klargjøringen konsekvent, og vurder om det returnerte materialet gjelder det faktiske spørsmålet. Dette gjør det numeriske resultatet nyttig til neste søke-, anbefalings- eller analysetrinn.
POST /v1/embeddingstextembedding| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser text-embedding-ada-002 | 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 $0.0002 / 1K tokener Utdata · Utgående tokener $0 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "text-embedding-ada-002",\n "input": [\n "First document",\n "Second document"\n ],\n "encoding_format": "float"\n}set -eu\n: "${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
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-ada-002, text-embedding-ada-002
Bruk metodestiene som vises ovenfor.