text-embedding-3-small to mniejszy model osadzeń tekstu trzeciej generacji OpenAI. Zamienia materiały pisemne na wektory liczbowe o domyślnie 1536 składnikach. Wektory te mierzą relacje między tekstami na potrzeby kolejnego kroku wyszukiwania lub analizy; model nie generuje konwersacyjnej odpowiedzi na wejście.
Podobnie jak większy model trzeciej generacji obsługuje parametr dimensions producenta do tworzenia krótszych osadzeń. Trening zaprojektowano tak, aby zachowywać informacje reprezentujące pojęcia w skróconym wektorze, a wybór rozmiaru wpływa na jakość aplikacji i jej zapotrzebowanie na zasoby. Utrzymuj spójny model i wybraną liczbę wymiarów między porównywanymi rekordami i zapytaniami.
Praktycznym zastosowaniem jest wyszukiwanie kodu. Przewodnik producenta opisuje reprezentowanie funkcji źródłowych jako tekstu i tworzenie ich osadzeń, a następnie osadzenia zapytania w języku naturalnym tym samym modelem i porównywanie uzyskanych wektorów. Przykładowy wynik to uporządkowany zestaw odpowiednich funkcji powiązanych z ich położeniem w źródłach. Przy wyszukiwaniu dokumentów odpowiednikiem jest zestaw fragmentów, których tekst i oryginalne odwołania pozostają dostępne dla czytelnika lub następnego modelu.
Inne udokumentowane zastosowania obejmują grupowanie w klastry, rekomendacje powiązanych treści, klasyfikację, wykrywanie elementów odstających i mierzenie różnorodności. Proces pracy z wiadomościami o określonym zakresie może grupować podobne prośby lub porównywać je z opisami kategorii. Aplikacja definiuje, jak wynik podobieństwa staje się kategorią, rekomendacją lub elementem do przeglądu; samo osadzenie pozostaje danymi liczbowymi.
OpenAI określa maksymalne wejście 8192 tokenów na tekst. Jej API osadzeń przyjmuje ciągi lub wejście podzielone na tokeny oraz wiele wejść w jednym żądaniu, odrzuca puste ciągi i stosuje łączny limit 300 000 tokenów. Przygotuj długie materiały jako znaczące fragmenty i zachowaj tytuły lub definicje potrzebne do ich interpretacji. Stosuj spójny zestaw pól źródłowych, zamiast tworzyć osadzenia różnych rodzajów rekordów według niepowiązanych reguł przygotowania.
Producent domyślnie zwraca wektory float i dokumentuje także kodowanie base64. Przewodnik podaje, że osadzenia OpenAI są znormalizowane do jednostkowej normy, i zaleca podobieństwo kosinusowe; iloczyn skalarny może je obliczyć, a odległość euklidesowa daje ten sam ranking. Jeśli osadzenie trzeciej generacji zostanie ręcznie skrócone po zwróceniu, ponownie znormalizuj skrócony wektor zgodnie z przewodnikiem. Parametr dimensions pozwala uniknąć traktowania ręcznego obcinania jako zwykłego kroku przygotowania.
Zapisuj tożsamość modelu, liczbę wymiarów i odwołanie do źródła wraz z każdym wektorem. Użytecznym dalszym rezultatem jest uporządkowana lista, pogrupowana kolekcja lub zestaw cech klasyfikacyjnych powiązanych z tekstem, który je wytworzył. Sprawdzaj, czy wybrany materiał rzeczywiście wspiera zadanie, i odróżniaj brakujące fakty od semantycznego pokrewieństwa. Następny krok może wtedy wykorzystać reprezentację w konkretnym procesie wyszukiwania lub podejmowania decyzji.
", "aboutText": "text-embedding-3-small to mniejszy model osadzeń tekstu trzeciej generacji OpenAI. Zamienia materiały pisemne na wektory liczbowe o domyślnie 1536 składnikach. Wektory te mierzą relacje między tekstami na potrzeby kolejnego kroku wyszukiwania lub analizy; model nie generuje konwersacyjnej odpowiedzi na wejście.\n\nPodobnie jak większy model trzeciej generacji obsługuje parametr dimensions producenta do tworzenia krótszych osadzeń. Trening zaprojektowano tak, aby zachowywać informacje reprezentujące pojęcia w skróconym wektorze, a wybór rozmiaru wpływa na jakość aplikacji i jej zapotrzebowanie na zasoby. Utrzymuj spójny model i wybraną liczbę wymiarów między porównywanymi rekordami i zapytaniami.\n\nPraktycznym zastosowaniem jest wyszukiwanie kodu. Przewodnik producenta opisuje reprezentowanie funkcji źródłowych jako tekstu i tworzenie ich osadzeń, a następnie osadzenia zapytania w języku naturalnym tym samym modelem i porównywanie uzyskanych wektorów. Przykładowy wynik to uporządkowany zestaw odpowiednich funkcji powiązanych z ich położeniem w źródłach. Przy wyszukiwaniu dokumentów odpowiednikiem jest zestaw fragmentów, których tekst i oryginalne odwołania pozostają dostępne dla czytelnika lub następnego modelu.\n\nInne udokumentowane zastosowania obejmują grupowanie w klastry, rekomendacje powiązanych treści, klasyfikację, wykrywanie elementów odstających i mierzenie różnorodności. Proces pracy z wiadomościami o określonym zakresie może grupować podobne prośby lub porównywać je z opisami kategorii. Aplikacja definiuje, jak wynik podobieństwa staje się kategorią, rekomendacją lub elementem do przeglądu; samo osadzenie pozostaje danymi liczbowymi.\n\nOpenAI określa maksymalne wejście 8192 tokenów na tekst. Jej API osadzeń przyjmuje ciągi lub wejście podzielone na tokeny oraz wiele wejść w jednym żądaniu, odrzuca puste ciągi i stosuje łączny limit 300 000 tokenów. Przygotuj długie materiały jako znaczące fragmenty i zachowaj tytuły lub definicje potrzebne do ich interpretacji. Stosuj spójny zestaw pól źródłowych, zamiast tworzyć osadzenia różnych rodzajów rekordów według niepowiązanych reguł przygotowania.\n\nProducent domyślnie zwraca wektory float i dokumentuje także kodowanie base64. Przewodnik podaje, że osadzenia OpenAI są znormalizowane do jednostkowej normy, i zaleca podobieństwo kosinusowe; iloczyn skalarny może je obliczyć, a odległość euklidesowa daje ten sam ranking. Jeśli osadzenie trzeciej generacji zostanie ręcznie skrócone po zwróceniu, ponownie znormalizuj skrócony wektor zgodnie z przewodnikiem. Parametr dimensions pozwala uniknąć traktowania ręcznego obcinania jako zwykłego kroku przygotowania.\n\nZapisuj tożsamość modelu, liczbę wymiarów i odwołanie do źródła wraz z każdym wektorem. Użytecznym dalszym rezultatem jest uporządkowana lista, pogrupowana kolekcja lub zestaw cech klasyfikacyjnych powiązanych z tekstem, który je wytworzył. Sprawdzaj, czy wybrany materiał rzeczywiście wspiera zadanie, i odróżniaj brakujące fakty od semantycznego pokrewieństwa. Następny krok może wtedy wykorzystać reprezentację w konkretnym procesie wyszukiwania lub podejmowania decyzji.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "723e422bb18e0451906e616c2563604dbcb0d621fd0871c3949b8fbc47984af3", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pl", "methods": [ { "html": "openai/text-embedding-3-smallMały model osadzeń tekstu trzeciej generacji OpenAI domyślnie zwraca wektory 1536-wymiarowe i obsługuje krótsze reprezentacje. Używaj wyniku liczbowego do wyszukiwania semantycznego, wyszukiwania kodu, grupowania, rekomendacji i klasyfikacji.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
text-embedding-3-small to mniejszy model osadzeń tekstu trzeciej generacji OpenAI. Zamienia materiały pisemne na wektory liczbowe o domyślnie 1536 składnikach. Wektory te mierzą relacje między tekstami na potrzeby kolejnego kroku wyszukiwania lub analizy; model nie generuje konwersacyjnej odpowiedzi na wejście.
Podobnie jak większy model trzeciej generacji obsługuje parametr dimensions producenta do tworzenia krótszych osadzeń. Trening zaprojektowano tak, aby zachowywać informacje reprezentujące pojęcia w skróconym wektorze, a wybór rozmiaru wpływa na jakość aplikacji i jej zapotrzebowanie na zasoby. Utrzymuj spójny model i wybraną liczbę wymiarów między porównywanymi rekordami i zapytaniami.
Praktycznym zastosowaniem jest wyszukiwanie kodu. Przewodnik producenta opisuje reprezentowanie funkcji źródłowych jako tekstu i tworzenie ich osadzeń, a następnie osadzenia zapytania w języku naturalnym tym samym modelem i porównywanie uzyskanych wektorów. Przykładowy wynik to uporządkowany zestaw odpowiednich funkcji powiązanych z ich położeniem w źródłach. Przy wyszukiwaniu dokumentów odpowiednikiem jest zestaw fragmentów, których tekst i oryginalne odwołania pozostają dostępne dla czytelnika lub następnego modelu.
Inne udokumentowane zastosowania obejmują grupowanie w klastry, rekomendacje powiązanych treści, klasyfikację, wykrywanie elementów odstających i mierzenie różnorodności. Proces pracy z wiadomościami o określonym zakresie może grupować podobne prośby lub porównywać je z opisami kategorii. Aplikacja definiuje, jak wynik podobieństwa staje się kategorią, rekomendacją lub elementem do przeglądu; samo osadzenie pozostaje danymi liczbowymi.
OpenAI określa maksymalne wejście 8192 tokenów na tekst. Jej API osadzeń przyjmuje ciągi lub wejście podzielone na tokeny oraz wiele wejść w jednym żądaniu, odrzuca puste ciągi i stosuje łączny limit 300 000 tokenów. Przygotuj długie materiały jako znaczące fragmenty i zachowaj tytuły lub definicje potrzebne do ich interpretacji. Stosuj spójny zestaw pól źródłowych, zamiast tworzyć osadzenia różnych rodzajów rekordów według niepowiązanych reguł przygotowania.
Producent domyślnie zwraca wektory float i dokumentuje także kodowanie base64. Przewodnik podaje, że osadzenia OpenAI są znormalizowane do jednostkowej normy, i zaleca podobieństwo kosinusowe; iloczyn skalarny może je obliczyć, a odległość euklidesowa daje ten sam ranking. Jeśli osadzenie trzeciej generacji zostanie ręcznie skrócone po zwróceniu, ponownie znormalizuj skrócony wektor zgodnie z przewodnikiem. Parametr dimensions pozwala uniknąć traktowania ręcznego obcinania jako zwykłego kroku przygotowania.
Zapisuj tożsamość modelu, liczbę wymiarów i odwołanie do źródła wraz z każdym wektorem. Użytecznym dalszym rezultatem jest uporządkowana lista, pogrupowana kolekcja lub zestaw cech klasyfikacyjnych powiązanych z tekstem, który je wytworzył. Sprawdzaj, czy wybrany materiał rzeczywiście wspiera zadanie, i odróżniaj brakujące fakty od semantycznego pokrewieństwa. Następny krok może wtedy wykorzystać reprezentację w konkretnym procesie wyszukiwania lub podejmowania decyzji.
POST /v1/embeddingstext, token_idsembedding| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity openai/text-embedding-3-small | Domyślnie— |
Poleinput | Typstring|string[]|integer[]|integer[][] | WymaganieWymagane | Wartości i limity Minimalna liczba elementów: 1 Warunki: Niepusta, jednorodna partia danych. Identyfikatory tokenów są nieujemnymi liczbami całkowitymi. Budżet wejścia: Maksimum: 8192 · Jednostka tekstu: bajty UTF8 · Jednostka tokenów: elementy tablicy tokenów | Domyślnie— |
Poleencoding_format | Typstring | WymaganieOpcjonalne | Wartości i limity float | Domyślniefloat |
Poledimensions | Typinteger | WymaganieNieobsługiwane | Wartości i limity Minimum: 1 | Domyślnie— |
Poleuser | Typjson_value | WymaganieOpcjonalne | Wartości i limity Warunki: Źródło dopuszcza to pole metadanych JSON; dokładna semantyka po stronie dostawcy zależy od modelu. | Domyślnie— |
Polesession_id | Typjson_value | WymaganieOpcjonalne | Wartości i limity Warunki: Źródło dopuszcza to pole metadanych JSON; dokładna semantyka po stronie dostawcy zależy od modelu. | Domyślnie— |
Poletrace | Typjson_value | WymaganieOpcjonalne | Wartości i limity Warunki: Źródło dopuszcza to pole metadanych JSON; dokładna semantyka po stronie dostawcy zależy od modelu. | Domyślnie— |
Poleprovider | Typobject | WymaganieOpcjonalne | Wartości i limity Warunki: Odrzucono provider.options | Domyślnie— |
text_to_embedding
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, input |
Parametrinput_shapes | Kontraktstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parametrencoding_format | Kontraktfloat |
Parametrdimensions_override | Kontraktfalse |
Parametrmax_input_budget_units | Kontrakt8192 |
Parametrmultimodal_objects | Kontraktfalse |
Parametrmaterial_types | Kontrakttext, token_ids |
Cykl życia: synchronous_json
Zachowaj indeks i liczbę wymiarów każdego wektora.
Nawet jeśli nazwa modelu wskazuje na multimodalność, ta konkretna ścieżka nie obsługuje obiektów obrazów.
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
| Konfiguracja | Tabela stawek | Opłata |
|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Opłata Wejście · Tokeny wejściowe $0.00004 / 1K tokenów Wyjście · Tokeny wyjściowe $0 / 1K tokenów Wejście · Odczyt cache — / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${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
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj każdy wektor wraz z jego indeksem. Liczba wektorów musi być równa liczbie elementów wejściowych; wszystkie wektory muszą mieć tę samą liczbę wymiarów.
Nie wprowadzono endpointu zadań generowania osadzeń.
| Pole | Typ |
|---|---|
Poleobject | Typstring |
Polemodel | Typstring |
Poledata[].index | Typinteger |
Poledata[].embedding | Typfinite float[] |
Poleusage | Typobject |
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Ailoot Ultra openai/text-embedding-3-small, text-embedding-3-small
Użyj ścieżek metod podanych powyżej.
text-embedding-3-smallMały model osadzeń tekstu trzeciej generacji OpenAI domyślnie zwraca wektory 1536-wymiarowe i obsługuje krótsze reprezentacje. Używaj wyniku liczbowego do wyszukiwania semantycznego, wyszukiwania kodu, grupowania, rekomendacji i klasyfikacji.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
text-embedding-3-small to mniejszy model osadzeń tekstu trzeciej generacji OpenAI. Zamienia materiały pisemne na wektory liczbowe o domyślnie 1536 składnikach. Wektory te mierzą relacje między tekstami na potrzeby kolejnego kroku wyszukiwania lub analizy; model nie generuje konwersacyjnej odpowiedzi na wejście.
Podobnie jak większy model trzeciej generacji obsługuje parametr dimensions producenta do tworzenia krótszych osadzeń. Trening zaprojektowano tak, aby zachowywać informacje reprezentujące pojęcia w skróconym wektorze, a wybór rozmiaru wpływa na jakość aplikacji i jej zapotrzebowanie na zasoby. Utrzymuj spójny model i wybraną liczbę wymiarów między porównywanymi rekordami i zapytaniami.
Praktycznym zastosowaniem jest wyszukiwanie kodu. Przewodnik producenta opisuje reprezentowanie funkcji źródłowych jako tekstu i tworzenie ich osadzeń, a następnie osadzenia zapytania w języku naturalnym tym samym modelem i porównywanie uzyskanych wektorów. Przykładowy wynik to uporządkowany zestaw odpowiednich funkcji powiązanych z ich położeniem w źródłach. Przy wyszukiwaniu dokumentów odpowiednikiem jest zestaw fragmentów, których tekst i oryginalne odwołania pozostają dostępne dla czytelnika lub następnego modelu.
Inne udokumentowane zastosowania obejmują grupowanie w klastry, rekomendacje powiązanych treści, klasyfikację, wykrywanie elementów odstających i mierzenie różnorodności. Proces pracy z wiadomościami o określonym zakresie może grupować podobne prośby lub porównywać je z opisami kategorii. Aplikacja definiuje, jak wynik podobieństwa staje się kategorią, rekomendacją lub elementem do przeglądu; samo osadzenie pozostaje danymi liczbowymi.
OpenAI określa maksymalne wejście 8192 tokenów na tekst. Jej API osadzeń przyjmuje ciągi lub wejście podzielone na tokeny oraz wiele wejść w jednym żądaniu, odrzuca puste ciągi i stosuje łączny limit 300 000 tokenów. Przygotuj długie materiały jako znaczące fragmenty i zachowaj tytuły lub definicje potrzebne do ich interpretacji. Stosuj spójny zestaw pól źródłowych, zamiast tworzyć osadzenia różnych rodzajów rekordów według niepowiązanych reguł przygotowania.
Producent domyślnie zwraca wektory float i dokumentuje także kodowanie base64. Przewodnik podaje, że osadzenia OpenAI są znormalizowane do jednostkowej normy, i zaleca podobieństwo kosinusowe; iloczyn skalarny może je obliczyć, a odległość euklidesowa daje ten sam ranking. Jeśli osadzenie trzeciej generacji zostanie ręcznie skrócone po zwróceniu, ponownie znormalizuj skrócony wektor zgodnie z przewodnikiem. Parametr dimensions pozwala uniknąć traktowania ręcznego obcinania jako zwykłego kroku przygotowania.
Zapisuj tożsamość modelu, liczbę wymiarów i odwołanie do źródła wraz z każdym wektorem. Użytecznym dalszym rezultatem jest uporządkowana lista, pogrupowana kolekcja lub zestaw cech klasyfikacyjnych powiązanych z tekstem, który je wytworzył. Sprawdzaj, czy wybrany materiał rzeczywiście wspiera zadanie, i odróżniaj brakujące fakty od semantycznego pokrewieństwa. Następny krok może wtedy wykorzystać reprezentację w konkretnym procesie wyszukiwania lub podejmowania decyzji.
POST /v1/embeddingstextembedding| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity text-embedding-3-small | Domyślnie— |
Poleinput | Typstring|string[]|integer[]|integer[][] | WymaganieWymagane | Wartości i limity Minimalna liczba elementów: 1 Warunki: Niepusta, jednorodna partia danych. Identyfikatory tokenów są nieujemnymi liczbami całkowitymi. Budżet wejścia: Maksimum: 8192 · Jednostka tekstu: bajty UTF8 · Jednostka tokenów: elementy tablicy tokenów | Domyślnie— |
Poleencoding_format | Typstring | WymaganieOpcjonalne | Wartości i limity float | Domyślniefloat |
Poledimensions | Typinteger | WymaganieNieobsługiwane | Wartości i limity Minimum: 1 | Domyślnie— |
Poleuser | Typjson_value | WymaganieOpcjonalne | Wartości i limity Warunki: Opcjonalne metadane JSON; dokładna semantyka po stronie dostawcy zależy od wybranego modelu. | Domyślnie— |
Polesession_id | Typjson_value | WymaganieOpcjonalne | Wartości i limity Warunki: Opcjonalne metadane JSON; dokładna semantyka po stronie dostawcy zależy od wybranego modelu. | Domyślnie— |
Poletrace | Typjson_value | WymaganieOpcjonalne | Wartości i limity Warunki: Opcjonalne metadane JSON; dokładna semantyka po stronie dostawcy zależy od wybranego modelu. | Domyślnie— |
Poleprovider | Typobject | WymaganieOpcjonalne | Wartości i limity Warunki: Odrzucono provider.options | Domyślnie— |
text_to_embedding
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, input |
Parametrinput_shapes | Kontraktstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parametrencoding_format | Kontraktfloat |
Parametrdimensions_override | Kontraktfalse |
Parametrmax_input_budget_units | Kontrakt8192 |
Parametrmultimodal_objects | Kontraktfalse |
Parametrmaterial_types | Kontrakttext |
Parametrtext_file_material | KontraktOdczytaj rzeczywisty dokument UTF-8 i umieść jego tekst we wskazanym polu input lub w ciągu treści wiadomości. |
Cykl życia: synchronous_json
Wyślij dokładny identyfikator modelu i wymagane pola.
Zachowaj każdy zwrócony element i jego pierwotne identyfikatory.
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
| Konfiguracja | Tabela stawek | Opłata |
|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Opłata Wejście · Tokeny wejściowe $0.00004 / 1K tokenów Wyjście · Tokeny wyjściowe $0 / 1K tokenów Wejście · Odczyt cache — / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "text-embedding-3-small",\n "input": [\n "First document",\n "Second document"\n ],\n "encoding_format": "float"\n}set -eu\n: "${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
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj każdy wektor o skończonych wartościach wraz z pierwotnym indeksem. Zachowaj wszystkie wymiary i kompletny obiekt usage.
Nie wprowadzono endpointu zadań generowania osadzeń.
| Pole | Typ |
|---|---|
Poleobject | Typstring |
Polemodel | Typstring |
Poledata[].index | Typinteger |
Poledata[].embedding | Typfinite float[] |
Poleusage | Typobject |
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Ailoot Ultra openai/text-embedding-3-small, text-embedding-3-small
Użyj ścieżek metod podanych powyżej.