text-embedding-ada-002 is het tekstembeddingmodel van OpenAI om geschreven materiaal als een numerieke vector te representeren. De uitvoer bevat 1.536 componenten. De maker combineert tekstgelijkenis, zoekrollen voor documenten en zoekvragen en codezoekrollen in één representatie. Het resultaat bestaat uit gegevens voor vergelijking of een ander algoritme, in plaats van een gegenereerd antwoord op de tekst die wordt ingebed.
Bereid voor semantisch zoeken betekenisvolle documentpassages voor en behoud hun bronidentifiers. Een illustratieve workflow embedt elke passage en de gebruikersvraag met hetzelfde model, vergelijkt de vectoren en retourneert de relevante bronpassages. De toepassing bepaalt de zoekregel, filters en presentatie. Een volgende tekstgeneratiestap kan het opgehaalde materiaal gebruiken om een antwoord te ontwikkelen, terwijl het embeddingmodel de numerieke representatie levert.
Andere gedocumenteerde toepassingen zijn het groeperen van vergelijkbare records, aanbevelen van verwante inhoud, classificeren van tekst en identificeren van uitschieters. Vergelijk voor een aanbeveling beschrijvingen van de objecten waarvan de relatie belangrijk is. Voor classificatie beschrijft de gids vergelijking met categorierepresentaties of het gebruik van vectoren als kenmerken in een classifier. Voor anomaliedetectie is het relevante resultaat een record dat van de omringende verzameling afwijkt, geïnterpreteerd volgens de producttaak.
OpenAI vermeldt een maximale invoer van 8.192 tokens voor dit model. De embedding-API van de producent accepteert tekenreeksen of getokeniseerde invoer, staat meerdere invoeritems in één aanvraag toe en weigert lege tekenreeksen. De totale limiet is 300.000 tokens voor één aanvraag, naast de limiet per invoeritem. Splits langere documenten in bruikbare passages en behoud titels, definities en de verwijzing naar het oorspronkelijke materiaal.
De uitvoer is een vector van drijvende-kommagetallen; de producent documenteert ook base64 als alternatieve transportcodering. De parameter van OpenAI voor het verkorten van dimensies is voor embeddingmodellen van de derde generatie en later, dus de gedocumenteerde 1.536-dimensionale uitvoer van Ada blijft onderscheiden van die instelling. Bewaar de modelidentiteit en vector bij het bronrecord, zodat latere vergelijkingen een consistente representatie gebruiken.
De embeddinggids beveelt cosinusgelijkenis aan en stelt dat OpenAI-embeddings naar eenheidslengte zijn genormaliseerd. Voor die vectoren kan een inproduct cosinusgelijkenis berekenen en geeft Euclidische afstand dezelfde rangschikking. Een gelijkenisscore maakt deel uit van de zoek- of classificatielogica van de toepassing, niet van een categorische beslissing die het model automatisch levert.
Definieer welke bronvelden de invoertekst vormen en hoe passages moeten worden verdeeld. Een illustratief resultaat is een gerangschikte verzameling documentpassages of verwante records, elk gekoppeld aan de oorspronkelijke bron en de gebruikte selectieregel. Houd de voorbereiding consistent en evalueer of het geretourneerde materiaal de daadwerkelijke vraag behandelt. Dat maakt de numerieke uitvoer bruikbaar voor de volgende zoek-, aanbevelings- of analysestap.
", "aboutText": "text-embedding-ada-002 is het tekstembeddingmodel van OpenAI om geschreven materiaal als een numerieke vector te representeren. De uitvoer bevat 1.536 componenten. De maker combineert tekstgelijkenis, zoekrollen voor documenten en zoekvragen en codezoekrollen in één representatie. Het resultaat bestaat uit gegevens voor vergelijking of een ander algoritme, in plaats van een gegenereerd antwoord op de tekst die wordt ingebed.\n\nBereid voor semantisch zoeken betekenisvolle documentpassages voor en behoud hun bronidentifiers. Een illustratieve workflow embedt elke passage en de gebruikersvraag met hetzelfde model, vergelijkt de vectoren en retourneert de relevante bronpassages. De toepassing bepaalt de zoekregel, filters en presentatie. Een volgende tekstgeneratiestap kan het opgehaalde materiaal gebruiken om een antwoord te ontwikkelen, terwijl het embeddingmodel de numerieke representatie levert.\n\nAndere gedocumenteerde toepassingen zijn het groeperen van vergelijkbare records, aanbevelen van verwante inhoud, classificeren van tekst en identificeren van uitschieters. Vergelijk voor een aanbeveling beschrijvingen van de objecten waarvan de relatie belangrijk is. Voor classificatie beschrijft de gids vergelijking met categorierepresentaties of het gebruik van vectoren als kenmerken in een classifier. Voor anomaliedetectie is het relevante resultaat een record dat van de omringende verzameling afwijkt, geïnterpreteerd volgens de producttaak.\n\nOpenAI vermeldt een maximale invoer van 8.192 tokens voor dit model. De embedding-API van de producent accepteert tekenreeksen of getokeniseerde invoer, staat meerdere invoeritems in één aanvraag toe en weigert lege tekenreeksen. De totale limiet is 300.000 tokens voor één aanvraag, naast de limiet per invoeritem. Splits langere documenten in bruikbare passages en behoud titels, definities en de verwijzing naar het oorspronkelijke materiaal.\n\nDe uitvoer is een vector van drijvende-kommagetallen; de producent documenteert ook base64 als alternatieve transportcodering. De parameter van OpenAI voor het verkorten van dimensies is voor embeddingmodellen van de derde generatie en later, dus de gedocumenteerde 1.536-dimensionale uitvoer van Ada blijft onderscheiden van die instelling. Bewaar de modelidentiteit en vector bij het bronrecord, zodat latere vergelijkingen een consistente representatie gebruiken.\n\nDe embeddinggids beveelt cosinusgelijkenis aan en stelt dat OpenAI-embeddings naar eenheidslengte zijn genormaliseerd. Voor die vectoren kan een inproduct cosinusgelijkenis berekenen en geeft Euclidische afstand dezelfde rangschikking. Een gelijkenisscore maakt deel uit van de zoek- of classificatielogica van de toepassing, niet van een categorische beslissing die het model automatisch levert.\n\nDefinieer welke bronvelden de invoertekst vormen en hoe passages moeten worden verdeeld. Een illustratief resultaat is een gerangschikte verzameling documentpassages of verwante records, elk gekoppeld aan de oorspronkelijke bron en de gebruikte selectieregel. Houd de voorbereiding consistent en evalueer of het geretourneerde materiaal de daadwerkelijke vraag behandelt. Dat maakt de numerieke uitvoer bruikbaar voor de volgende zoek-, aanbevelings- of analysestap.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "74a1bb7368f95e8f078b1cb9c4b81b197b43d9990509507088372c3b2f95abfb", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nl-be", "methods": [ { "html": "openai/text-embedding-ada-002Een tekstembeddingmodel van OpenAI dat een 1.536-dimensionale numerieke vector retourneert. Gebruik die representaties voor semantisch zoeken, aanbevelingen van verwante inhoud, clustering, classificatie of het detecteren van ongebruikelijke tekstrecords.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
text-embedding-ada-002 is het tekstembeddingmodel van OpenAI om geschreven materiaal als een numerieke vector te representeren. De uitvoer bevat 1.536 componenten. De maker combineert tekstgelijkenis, zoekrollen voor documenten en zoekvragen en codezoekrollen in één representatie. Het resultaat bestaat uit gegevens voor vergelijking of een ander algoritme, in plaats van een gegenereerd antwoord op de tekst die wordt ingebed.
Bereid voor semantisch zoeken betekenisvolle documentpassages voor en behoud hun bronidentifiers. Een illustratieve workflow embedt elke passage en de gebruikersvraag met hetzelfde model, vergelijkt de vectoren en retourneert de relevante bronpassages. De toepassing bepaalt de zoekregel, filters en presentatie. Een volgende tekstgeneratiestap kan het opgehaalde materiaal gebruiken om een antwoord te ontwikkelen, terwijl het embeddingmodel de numerieke representatie levert.
Andere gedocumenteerde toepassingen zijn het groeperen van vergelijkbare records, aanbevelen van verwante inhoud, classificeren van tekst en identificeren van uitschieters. Vergelijk voor een aanbeveling beschrijvingen van de objecten waarvan de relatie belangrijk is. Voor classificatie beschrijft de gids vergelijking met categorierepresentaties of het gebruik van vectoren als kenmerken in een classifier. Voor anomaliedetectie is het relevante resultaat een record dat van de omringende verzameling afwijkt, geïnterpreteerd volgens de producttaak.
OpenAI vermeldt een maximale invoer van 8.192 tokens voor dit model. De embedding-API van de producent accepteert tekenreeksen of getokeniseerde invoer, staat meerdere invoeritems in één aanvraag toe en weigert lege tekenreeksen. De totale limiet is 300.000 tokens voor één aanvraag, naast de limiet per invoeritem. Splits langere documenten in bruikbare passages en behoud titels, definities en de verwijzing naar het oorspronkelijke materiaal.
De uitvoer is een vector van drijvende-kommagetallen; de producent documenteert ook base64 als alternatieve transportcodering. De parameter van OpenAI voor het verkorten van dimensies is voor embeddingmodellen van de derde generatie en later, dus de gedocumenteerde 1.536-dimensionale uitvoer van Ada blijft onderscheiden van die instelling. Bewaar de modelidentiteit en vector bij het bronrecord, zodat latere vergelijkingen een consistente representatie gebruiken.
De embeddinggids beveelt cosinusgelijkenis aan en stelt dat OpenAI-embeddings naar eenheidslengte zijn genormaliseerd. Voor die vectoren kan een inproduct cosinusgelijkenis berekenen en geeft Euclidische afstand dezelfde rangschikking. Een gelijkenisscore maakt deel uit van de zoek- of classificatielogica van de toepassing, niet van een categorische beslissing die het model automatisch levert.
Definieer welke bronvelden de invoertekst vormen en hoe passages moeten worden verdeeld. Een illustratief resultaat is een gerangschikte verzameling documentpassages of verwante records, elk gekoppeld aan de oorspronkelijke bron en de gebruikte selectieregel. Houd de voorbereiding consistent en evalueer of het geretourneerde materiaal de daadwerkelijke vraag behandelt. Dat maakt de numerieke uitvoer bruikbaar voor de volgende zoek-, aanbevelings- of analysestap.
POST /v1/embeddingstext, token_idsembedding| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten openai/text-embedding-ada-002 | Standaard— |
Veldinput | Typestring|string[]|integer[]|integer[][] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 Voorwaarden: Niet-lege homogene batch. Token-ID's zijn niet-negatieve gehele getallen. Invoerbudget: Maximum: 8.192 · Teksteenheid: UTF8-bytes · Tokeneenheid: elementen van de token-array | Standaard— |
Veldencoding_format | Typestring | VereisteOptioneel | Waarden en limieten float | Standaardfloat |
Velddimensions | Typeinteger | VereisteNiet ondersteund | Waarden en limieten Minimum: 1 | Standaard— |
Velduser | Typejson_value | VereisteOptioneel | Waarden en limieten Voorwaarden: De bron staat dit JSON-metadataveld toe; de precieze betekenis bij de achterliggende leverancier is modelspecifiek. | Standaard— |
Veldsession_id | Typejson_value | VereisteOptioneel | Waarden en limieten Voorwaarden: De bron staat dit JSON-metadataveld toe; de precieze betekenis bij de achterliggende leverancier is modelspecifiek. | Standaard— |
Veldtrace | Typejson_value | VereisteOptioneel | Waarden en limieten Voorwaarden: De bron staat dit JSON-metadataveld toe; de precieze betekenis bij de achterliggende leverancier is modelspecifiek. | Standaard— |
Veldprovider | Typeobject | VereisteOptioneel | Waarden en limieten Voorwaarden: provider.options geweigerd | Standaard— |
text_to_embedding
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, input |
Parameterinput_shapes | Contractstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parameterencoding_format | Contractfloat |
Parameterdimensions_override | Contractfalse |
Parametermax_input_budget_units | Contract8192 |
Parametermultimodal_objects | Contractfalse |
Parametermaterial_types | Contracttext, token_ids |
Levenscyclus: synchronous_json
Bewaar elke vectorindex en -dimensie.
Ook bij een multimodale modelnaam zijn afbeeldingsobjecten op dit specifieke pad niet toegestaan.
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.0002 / 1K tokens Uitvoer · Uitvoertokens $0 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${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
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar elke vector met zijn index. Het aantal vectoren moet gelijk zijn aan het aantal invoeritems; de dimensies moeten consistent zijn.
Er wordt geen endpoint voor embeddingtaken toegevoegd.
| Veld | Type |
|---|---|
Veldobject | Typestring |
Veldmodel | Typestring |
Velddata[].index | Typeinteger |
Velddata[].embedding | Typefinite float[] |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra openai/text-embedding-ada-002, text-embedding-ada-002
Gebruik de hierboven getoonde methodepaden.
text-embedding-ada-002Een tekstembeddingmodel van OpenAI dat een 1.536-dimensionale numerieke vector retourneert. Gebruik die representaties voor semantisch zoeken, aanbevelingen van verwante inhoud, clustering, classificatie of het detecteren van ongebruikelijke tekstrecords.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
text-embedding-ada-002 is het tekstembeddingmodel van OpenAI om geschreven materiaal als een numerieke vector te representeren. De uitvoer bevat 1.536 componenten. De maker combineert tekstgelijkenis, zoekrollen voor documenten en zoekvragen en codezoekrollen in één representatie. Het resultaat bestaat uit gegevens voor vergelijking of een ander algoritme, in plaats van een gegenereerd antwoord op de tekst die wordt ingebed.
Bereid voor semantisch zoeken betekenisvolle documentpassages voor en behoud hun bronidentifiers. Een illustratieve workflow embedt elke passage en de gebruikersvraag met hetzelfde model, vergelijkt de vectoren en retourneert de relevante bronpassages. De toepassing bepaalt de zoekregel, filters en presentatie. Een volgende tekstgeneratiestap kan het opgehaalde materiaal gebruiken om een antwoord te ontwikkelen, terwijl het embeddingmodel de numerieke representatie levert.
Andere gedocumenteerde toepassingen zijn het groeperen van vergelijkbare records, aanbevelen van verwante inhoud, classificeren van tekst en identificeren van uitschieters. Vergelijk voor een aanbeveling beschrijvingen van de objecten waarvan de relatie belangrijk is. Voor classificatie beschrijft de gids vergelijking met categorierepresentaties of het gebruik van vectoren als kenmerken in een classifier. Voor anomaliedetectie is het relevante resultaat een record dat van de omringende verzameling afwijkt, geïnterpreteerd volgens de producttaak.
OpenAI vermeldt een maximale invoer van 8.192 tokens voor dit model. De embedding-API van de producent accepteert tekenreeksen of getokeniseerde invoer, staat meerdere invoeritems in één aanvraag toe en weigert lege tekenreeksen. De totale limiet is 300.000 tokens voor één aanvraag, naast de limiet per invoeritem. Splits langere documenten in bruikbare passages en behoud titels, definities en de verwijzing naar het oorspronkelijke materiaal.
De uitvoer is een vector van drijvende-kommagetallen; de producent documenteert ook base64 als alternatieve transportcodering. De parameter van OpenAI voor het verkorten van dimensies is voor embeddingmodellen van de derde generatie en later, dus de gedocumenteerde 1.536-dimensionale uitvoer van Ada blijft onderscheiden van die instelling. Bewaar de modelidentiteit en vector bij het bronrecord, zodat latere vergelijkingen een consistente representatie gebruiken.
De embeddinggids beveelt cosinusgelijkenis aan en stelt dat OpenAI-embeddings naar eenheidslengte zijn genormaliseerd. Voor die vectoren kan een inproduct cosinusgelijkenis berekenen en geeft Euclidische afstand dezelfde rangschikking. Een gelijkenisscore maakt deel uit van de zoek- of classificatielogica van de toepassing, niet van een categorische beslissing die het model automatisch levert.
Definieer welke bronvelden de invoertekst vormen en hoe passages moeten worden verdeeld. Een illustratief resultaat is een gerangschikte verzameling documentpassages of verwante records, elk gekoppeld aan de oorspronkelijke bron en de gebruikte selectieregel. Houd de voorbereiding consistent en evalueer of het geretourneerde materiaal de daadwerkelijke vraag behandelt. Dat maakt de numerieke uitvoer bruikbaar voor de volgende zoek-, aanbevelings- of analysestap.
POST /v1/embeddingstextembedding| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten text-embedding-ada-002 | Standaard— |
Veldinput | Typestring|string[]|integer[]|integer[][] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 Voorwaarden: Niet-lege homogene batch. Token-ID's zijn niet-negatieve gehele getallen. Invoerbudget: Maximum: 8.192 · Teksteenheid: UTF8-bytes · Tokeneenheid: elementen van de token-array | Standaard— |
Veldencoding_format | Typestring | VereisteOptioneel | Waarden en limieten float | Standaardfloat |
Velddimensions | Typeinteger | VereisteNiet ondersteund | Waarden en limieten Minimum: 1 | Standaard— |
Velduser | Typejson_value | VereisteOptioneel | Waarden en limieten Voorwaarden: Optionele JSON-metadata; de exacte betekenis bij de aanbieder hangt af van het geselecteerde model. | Standaard— |
Veldsession_id | Typejson_value | VereisteOptioneel | Waarden en limieten Voorwaarden: Optionele JSON-metadata; de exacte betekenis bij de aanbieder hangt af van het geselecteerde model. | Standaard— |
Veldtrace | Typejson_value | VereisteOptioneel | Waarden en limieten Voorwaarden: Optionele JSON-metadata; de exacte betekenis bij de aanbieder hangt af van het geselecteerde model. | Standaard— |
Veldprovider | Typeobject | VereisteOptioneel | Waarden en limieten Voorwaarden: provider.options geweigerd | Standaard— |
text_to_embedding
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, input |
Parameterinput_shapes | Contractstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parameterencoding_format | Contractfloat |
Parameterdimensions_override | Contractfalse |
Parametermax_input_budget_units | Contract8192 |
Parametermultimodal_objects | Contractfalse |
Parametermaterial_types | Contracttext |
Parametertext_file_material | ContractLees het werkelijke UTF-8-document en plaats de tekst ervan in de aangegeven invoer of in de inhoudstekenreeks van een bericht. |
Levenscyclus: synchronous_json
Verstuur de exacte model-ID en de verplichte velden.
Bewaar elk teruggestuurd item en zijn oorspronkelijke identificatiecodes.
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.0002 / 1K tokens Uitvoer · Uitvoertokens $0 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "text-embedding-ada-002",\n "input": [\n "First document",\n "Second document"\n ],\n "encoding_format": "float"\n}set -eu\n: "${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
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar elke vector met eindige waarden met zijn oorspronkelijke index. Behoud alle dimensies en het volledige verbruiksobject.
Er wordt geen endpoint voor embeddingtaken toegevoegd.
| Veld | Type |
|---|---|
Veldobject | Typestring |
Veldmodel | Typestring |
Velddata[].index | Typeinteger |
Velddata[].embedding | Typefinite float[] |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra openai/text-embedding-ada-002, text-embedding-ada-002
Gebruik de hierboven getoonde methodepaden.