text-embedding-3-small é o modelo menor de embeddings de texto de terceira geração da OpenAI. Converte material escrito em vetores numéricos com 1536 componentes por predefinição. Esses vetores medem relações entre textos para outra etapa de pesquisa ou análise; o modelo não gera uma resposta de conversação à entrada.
Tal como o modelo maior de terceira geração, suporta o controlo dimensions do produtor para embeddings mais curtos. O treino foi concebido para conservar informação representativa de conceitos num vetor encurtado, com a escolha de tamanho a afetar a qualidade e os requisitos de recursos da aplicação. Mantenha o modelo e as dimensões selecionadas consistentes entre os registos e consultas comparados.
Uma aplicação prática é a pesquisa de código. O guia do fabricante descreve a representação de funções de origem como texto e a geração dos seus embeddings, seguida da geração do embedding de uma consulta em linguagem natural com o mesmo modelo e da comparação dos vetores resultantes. Um resultado ilustrativo é um conjunto ordenado de funções relevantes ligadas às suas localizações de origem. Para pesquisa documental, o artefacto equivalente é um conjunto de passagens cujo texto e referências originais continuam disponíveis para o leitor ou modelo seguinte.
Outras utilizações documentadas incluem agrupamento, recomendações de conteúdo relacionado, classificação, deteção de valores atípicos e medição de diversidade. Um fluxo focado de mensagens pode agrupar pedidos semelhantes ou compará-los com descrições de categorias. A aplicação define como um resultado de similaridade se torna categoria, recomendação ou elemento de revisão; o embedding em si continua a ser um conjunto de dados numéricos.
A OpenAI especifica um máximo de entrada de 8192 tokens por texto. A sua API de embeddings aceita cadeias ou entrada tokenizada e várias entradas num pedido, rejeita cadeias vazias e aplica um limite agregado de 300 000 tokens. Prepare material longo como passagens significativas e conserve os títulos ou definições necessários para as interpretar. Utilize um conjunto consistente de campos de origem, em vez de gerar embeddings de diferentes tipos de registos com regras de preparação sem relação.
O produtor devolve vetores float por predefinição e também documenta codificação base64. O guia indica que os embeddings da OpenAI são normalizados para comprimento unitário e recomenda similaridade do cosseno; um produto escalar pode calculá-la e a distância euclidiana produz a mesma ordenação. Se um embedding de terceira geração for encurtado manualmente depois de devolvido, normalize novamente esse vetor encurtado como o guia descreve. O controlo dimensions evita que o truncamento manual seja a etapa normal de preparação.
Registe a identidade do modelo, as dimensões e a ligação à fonte com cada vetor. Um artefacto posterior útil é uma lista ordenada, coleção agrupada ou conjunto de características de classificação ligado ao texto que o produziu. Verifique se o material selecionado realmente sustenta a tarefa e mantenha os factos em falta separados da relação semântica. A etapa seguinte pode então utilizar a representação para um fluxo específico de recuperação ou decisão.
", "aboutText": "text-embedding-3-small é o modelo menor de embeddings de texto de terceira geração da OpenAI. Converte material escrito em vetores numéricos com 1536 componentes por predefinição. Esses vetores medem relações entre textos para outra etapa de pesquisa ou análise; o modelo não gera uma resposta de conversação à entrada.\n\nTal como o modelo maior de terceira geração, suporta o controlo dimensions do produtor para embeddings mais curtos. O treino foi concebido para conservar informação representativa de conceitos num vetor encurtado, com a escolha de tamanho a afetar a qualidade e os requisitos de recursos da aplicação. Mantenha o modelo e as dimensões selecionadas consistentes entre os registos e consultas comparados.\n\nUma aplicação prática é a pesquisa de código. O guia do fabricante descreve a representação de funções de origem como texto e a geração dos seus embeddings, seguida da geração do embedding de uma consulta em linguagem natural com o mesmo modelo e da comparação dos vetores resultantes. Um resultado ilustrativo é um conjunto ordenado de funções relevantes ligadas às suas localizações de origem. Para pesquisa documental, o artefacto equivalente é um conjunto de passagens cujo texto e referências originais continuam disponíveis para o leitor ou modelo seguinte.\n\nOutras utilizações documentadas incluem agrupamento, recomendações de conteúdo relacionado, classificação, deteção de valores atípicos e medição de diversidade. Um fluxo focado de mensagens pode agrupar pedidos semelhantes ou compará-los com descrições de categorias. A aplicação define como um resultado de similaridade se torna categoria, recomendação ou elemento de revisão; o embedding em si continua a ser um conjunto de dados numéricos.\n\nA OpenAI especifica um máximo de entrada de 8192 tokens por texto. A sua API de embeddings aceita cadeias ou entrada tokenizada e várias entradas num pedido, rejeita cadeias vazias e aplica um limite agregado de 300 000 tokens. Prepare material longo como passagens significativas e conserve os títulos ou definições necessários para as interpretar. Utilize um conjunto consistente de campos de origem, em vez de gerar embeddings de diferentes tipos de registos com regras de preparação sem relação.\n\nO produtor devolve vetores float por predefinição e também documenta codificação base64. O guia indica que os embeddings da OpenAI são normalizados para comprimento unitário e recomenda similaridade do cosseno; um produto escalar pode calculá-la e a distância euclidiana produz a mesma ordenação. Se um embedding de terceira geração for encurtado manualmente depois de devolvido, normalize novamente esse vetor encurtado como o guia descreve. O controlo dimensions evita que o truncamento manual seja a etapa normal de preparação.\n\nRegiste a identidade do modelo, as dimensões e a ligação à fonte com cada vetor. Um artefacto posterior útil é uma lista ordenada, coleção agrupada ou conjunto de características de classificação ligado ao texto que o produziu. Verifique se o material selecionado realmente sustenta a tarefa e mantenha os factos em falta separados da relação semântica. A etapa seguinte pode então utilizar a representação para um fluxo específico de recuperação ou decisão.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "c36402b40e698b0e19a7de9af081a1935ee71d38326de880b03988f3e7d811e4", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pt-pt", "methods": [ { "html": "openai/text-embedding-3-smallO modelo pequeno de embeddings de texto de terceira geração da OpenAI devolve vetores de 1536 dimensões por predefinição e suporta representações mais curtas. Utilize a saída numérica para pesquisa semântica, recuperação de código, agrupamento, recomendações e classificação.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
text-embedding-3-small é o modelo menor de embeddings de texto de terceira geração da OpenAI. Converte material escrito em vetores numéricos com 1536 componentes por predefinição. Esses vetores medem relações entre textos para outra etapa de pesquisa ou análise; o modelo não gera uma resposta de conversação à entrada.
Tal como o modelo maior de terceira geração, suporta o controlo dimensions do produtor para embeddings mais curtos. O treino foi concebido para conservar informação representativa de conceitos num vetor encurtado, com a escolha de tamanho a afetar a qualidade e os requisitos de recursos da aplicação. Mantenha o modelo e as dimensões selecionadas consistentes entre os registos e consultas comparados.
Uma aplicação prática é a pesquisa de código. O guia do fabricante descreve a representação de funções de origem como texto e a geração dos seus embeddings, seguida da geração do embedding de uma consulta em linguagem natural com o mesmo modelo e da comparação dos vetores resultantes. Um resultado ilustrativo é um conjunto ordenado de funções relevantes ligadas às suas localizações de origem. Para pesquisa documental, o artefacto equivalente é um conjunto de passagens cujo texto e referências originais continuam disponíveis para o leitor ou modelo seguinte.
Outras utilizações documentadas incluem agrupamento, recomendações de conteúdo relacionado, classificação, deteção de valores atípicos e medição de diversidade. Um fluxo focado de mensagens pode agrupar pedidos semelhantes ou compará-los com descrições de categorias. A aplicação define como um resultado de similaridade se torna categoria, recomendação ou elemento de revisão; o embedding em si continua a ser um conjunto de dados numéricos.
A OpenAI especifica um máximo de entrada de 8192 tokens por texto. A sua API de embeddings aceita cadeias ou entrada tokenizada e várias entradas num pedido, rejeita cadeias vazias e aplica um limite agregado de 300 000 tokens. Prepare material longo como passagens significativas e conserve os títulos ou definições necessários para as interpretar. Utilize um conjunto consistente de campos de origem, em vez de gerar embeddings de diferentes tipos de registos com regras de preparação sem relação.
O produtor devolve vetores float por predefinição e também documenta codificação base64. O guia indica que os embeddings da OpenAI são normalizados para comprimento unitário e recomenda similaridade do cosseno; um produto escalar pode calculá-la e a distância euclidiana produz a mesma ordenação. Se um embedding de terceira geração for encurtado manualmente depois de devolvido, normalize novamente esse vetor encurtado como o guia descreve. O controlo dimensions evita que o truncamento manual seja a etapa normal de preparação.
Registe a identidade do modelo, as dimensões e a ligação à fonte com cada vetor. Um artefacto posterior útil é uma lista ordenada, coleção agrupada ou conjunto de características de classificação ligado ao texto que o produziu. Verifique se o material selecionado realmente sustenta a tarefa e mantenha os factos em falta separados da relação semântica. A etapa seguinte pode então utilizar a representação para um fluxo específico de recuperação ou decisão.
POST /v1/embeddingstext, token_idsembedding| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites openai/text-embedding-3-small | Predefinição— |
Campoinput | Tipostring|string[]|integer[]|integer[][] | RequisitoObrigatório | Valores e limites Número mínimo de elementos: 1 Condições: Lote homogéneo não vazio. Os IDs de tokens são números inteiros não negativos. Orçamento de entrada: Máximo: 8192 · Unidade de texto: bytes UTF8 · Unidade de tokens: elementos do array de tokens | Predefinição— |
Campoencoding_format | Tipostring | RequisitoOpcional | Valores e limites float | Predefiniçãofloat |
Campodimensions | Tipointeger | RequisitoNão suportado | Valores e limites Mínimo: 1 | Predefinição— |
Campouser | Tipojson_value | RequisitoOpcional | Valores e limites Condições: A fonte permite este campo de metadados JSON; a semântica exata a montante depende do modelo. | Predefinição— |
Camposession_id | Tipojson_value | RequisitoOpcional | Valores e limites Condições: A fonte permite este campo de metadados JSON; a semântica exata a montante depende do modelo. | Predefinição— |
Campotrace | Tipojson_value | RequisitoOpcional | Valores e limites Condições: A fonte permite este campo de metadados JSON; a semântica exata a montante depende do modelo. | Predefinição— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores e limites Condições: provider.options rejeitado | Predefinição— |
text_to_embedding
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, input |
Parâmetroinput_shapes | Contratostring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parâmetroencoding_format | Contratofloat |
Parâmetrodimensions_override | Contratofalse |
Parâmetromax_input_budget_units | Contrato8192 |
Parâmetromultimodal_objects | Contratofalse |
Parâmetromaterial_types | Contratotext, token_ids |
Ciclo de vida: synchronous_json
Guarde o índice e a dimensão de cada vetor.
O nome do modelo multimodal não permite objetos de imagem neste caminho exato.
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
| Configuração | Tabela de tarifas | Custo |
|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Custo Entrada · Tokens de entrada $0.00004 / 1K tokens Saída · Tokens de saída $0 / 1K tokens Entrada · Leitura da cache — / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${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
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Guarde cada vetor com o respetivo índice. O número de vetores tem de ser igual ao número de entradas; as dimensões têm de ser consistentes.
Não é introduzido nenhum endpoint de tarefas de embeddings.
| Campo | Tipo |
|---|---|
Campoobject | Tipostring |
Campomodel | Tipostring |
Campodata[].index | Tipointeger |
Campodata[].embedding | Tipofinite float[] |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot Ultra openai/text-embedding-3-small, text-embedding-3-small
Use os caminhos dos métodos indicados acima.
text-embedding-3-smallO modelo pequeno de embeddings de texto de terceira geração da OpenAI devolve vetores de 1536 dimensões por predefinição e suporta representações mais curtas. Utilize a saída numérica para pesquisa semântica, recuperação de código, agrupamento, recomendações e classificação.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
text-embedding-3-small é o modelo menor de embeddings de texto de terceira geração da OpenAI. Converte material escrito em vetores numéricos com 1536 componentes por predefinição. Esses vetores medem relações entre textos para outra etapa de pesquisa ou análise; o modelo não gera uma resposta de conversação à entrada.
Tal como o modelo maior de terceira geração, suporta o controlo dimensions do produtor para embeddings mais curtos. O treino foi concebido para conservar informação representativa de conceitos num vetor encurtado, com a escolha de tamanho a afetar a qualidade e os requisitos de recursos da aplicação. Mantenha o modelo e as dimensões selecionadas consistentes entre os registos e consultas comparados.
Uma aplicação prática é a pesquisa de código. O guia do fabricante descreve a representação de funções de origem como texto e a geração dos seus embeddings, seguida da geração do embedding de uma consulta em linguagem natural com o mesmo modelo e da comparação dos vetores resultantes. Um resultado ilustrativo é um conjunto ordenado de funções relevantes ligadas às suas localizações de origem. Para pesquisa documental, o artefacto equivalente é um conjunto de passagens cujo texto e referências originais continuam disponíveis para o leitor ou modelo seguinte.
Outras utilizações documentadas incluem agrupamento, recomendações de conteúdo relacionado, classificação, deteção de valores atípicos e medição de diversidade. Um fluxo focado de mensagens pode agrupar pedidos semelhantes ou compará-los com descrições de categorias. A aplicação define como um resultado de similaridade se torna categoria, recomendação ou elemento de revisão; o embedding em si continua a ser um conjunto de dados numéricos.
A OpenAI especifica um máximo de entrada de 8192 tokens por texto. A sua API de embeddings aceita cadeias ou entrada tokenizada e várias entradas num pedido, rejeita cadeias vazias e aplica um limite agregado de 300 000 tokens. Prepare material longo como passagens significativas e conserve os títulos ou definições necessários para as interpretar. Utilize um conjunto consistente de campos de origem, em vez de gerar embeddings de diferentes tipos de registos com regras de preparação sem relação.
O produtor devolve vetores float por predefinição e também documenta codificação base64. O guia indica que os embeddings da OpenAI são normalizados para comprimento unitário e recomenda similaridade do cosseno; um produto escalar pode calculá-la e a distância euclidiana produz a mesma ordenação. Se um embedding de terceira geração for encurtado manualmente depois de devolvido, normalize novamente esse vetor encurtado como o guia descreve. O controlo dimensions evita que o truncamento manual seja a etapa normal de preparação.
Registe a identidade do modelo, as dimensões e a ligação à fonte com cada vetor. Um artefacto posterior útil é uma lista ordenada, coleção agrupada ou conjunto de características de classificação ligado ao texto que o produziu. Verifique se o material selecionado realmente sustenta a tarefa e mantenha os factos em falta separados da relação semântica. A etapa seguinte pode então utilizar a representação para um fluxo específico de recuperação ou decisão.
POST /v1/embeddingstextembedding| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites text-embedding-3-small | Predefinição— |
Campoinput | Tipostring|string[]|integer[]|integer[][] | RequisitoObrigatório | Valores e limites Número mínimo de elementos: 1 Condições: Lote homogéneo não vazio. Os IDs de tokens são números inteiros não negativos. Orçamento de entrada: Máximo: 8192 · Unidade de texto: bytes UTF8 · Unidade de tokens: elementos do array de tokens | Predefinição— |
Campoencoding_format | Tipostring | RequisitoOpcional | Valores e limites float | Predefiniçãofloat |
Campodimensions | Tipointeger | RequisitoNão suportado | Valores e limites Mínimo: 1 | Predefinição— |
Campouser | Tipojson_value | RequisitoOpcional | Valores e limites Condições: Metadados JSON opcionais; a semântica exata do fornecedor depende do modelo selecionado. | Predefinição— |
Camposession_id | Tipojson_value | RequisitoOpcional | Valores e limites Condições: Metadados JSON opcionais; a semântica exata do fornecedor depende do modelo selecionado. | Predefinição— |
Campotrace | Tipojson_value | RequisitoOpcional | Valores e limites Condições: Metadados JSON opcionais; a semântica exata do fornecedor depende do modelo selecionado. | Predefinição— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores e limites Condições: provider.options rejeitado | Predefinição— |
text_to_embedding
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, input |
Parâmetroinput_shapes | Contratostring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parâmetroencoding_format | Contratofloat |
Parâmetrodimensions_override | Contratofalse |
Parâmetromax_input_budget_units | Contrato8192 |
Parâmetromultimodal_objects | Contratofalse |
Parâmetromaterial_types | Contratotext |
Parâmetrotext_file_material | ContratoLeia o documento UTF-8 real e coloque o texto na entrada indicada ou na cadeia de conteúdo da mensagem. |
Ciclo de vida: synchronous_json
Envie o ID exato do modelo e os campos obrigatórios.
Conserve todos os elementos devolvidos e os respetivos identificadores originais.
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
| Configuração | Tabela de tarifas | Custo |
|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Custo Entrada · Tokens de entrada $0.00004 / 1K tokens Saída · Tokens de saída $0 / 1K tokens Entrada · Leitura da cache — / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "text-embedding-3-small",\n "input": [\n "First document",\n "Second document"\n ],\n "encoding_format": "float"\n}set -eu\n: "${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
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve todos os vetores de valores finitos com o respetivo índice original. Preserve todas as dimensões e o objeto completo de utilização.
Não é introduzido nenhum endpoint de tarefas de embeddings.
| Campo | Tipo |
|---|---|
Campoobject | Tipostring |
Campomodel | Tipostring |
Campodata[].index | Tipointeger |
Campodata[].embedding | Tipofinite float[] |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot Ultra openai/text-embedding-3-small, text-embedding-3-small
Use os caminhos dos métodos indicados acima.