text-embedding-3-large — более крупная текстовая модель эмбеддингов третьего поколения OpenAI для задач на английском и других языках. Она отображает письменные материалы в числовой вектор, возвращая 3072 компонента по умолчанию. Вектор представляет связи в переданном содержимом; процесс поиска или классификации использует его для выбора материалов или другого решения.
Модели третьего поколения обучены поддерживать более короткие представления через параметр производителя dimensions. Производитель приводит размерность 1024 как пример для векторного хранилища, которому требуется такой размер. Более короткий вектор уменьшает объём данных для хранения и сравнения, тогда как изменение представления может влиять на качество поиска. Выберите размер согласно требованиям приложения и используйте тот же выбор для корпуса и его запросов.
Пример процесса поиска документов разделяет исходные материалы на осмысленные фрагменты, сохраняет их идентификаторы и получает векторы каждого фрагмента. Эмбеддинг вопроса создаётся той же моделью и с той же размерностью, затем сравнивается с векторами фрагментов. Приложение задаёт фильтры, выбирает ранжированные результаты и показывает ссылки на источники. Последующая модель генерации текста может подготовить ответ из найденного материала; результат модели эмбеддингов остаётся числовыми данными.
Другие документированные применения включают поиск кода или текста, группировку сходных записей, рекомендации связанного контента, классификацию, обнаружение аномалий и измерение разнообразия коллекции. Для рекомендации описывайте объекты в терминах, относящихся к их связи. Для классификации сравнивайте с представлениями категорий или используйте векторы как признаки классификатора. Определите правило, превращающее сходство в нужный продукту результат.
OpenAI указывает максимальный вход 8192 токена на текст. API эмбеддингов принимает строки или токенизированный текст, поддерживает несколько входов и отклоняет пустые строки. Оно также применяет совокупный лимит 300 000 токенов на один запрос. Длинный документ следует разделять с сохранением осмысленных границ и контекста, связывая каждый вектор с исходным фрагментом.
Производитель документирует векторы с плавающей точкой как выход по умолчанию, а base64 — как альтернативную кодировку. Руководство рекомендует косинусное сходство и указывает, что эмбеддинги OpenAI нормализованы до единичной длины; это позволяет использовать скалярное произведение для косинусного сходства и даёт эквивалентное ранжирование по евклидову расстоянию. Если вектор третьего поколения вручную сокращён после генерации, производитель предписывает приложению снова нормализовать укороченный вектор; рекомендуемый путь — использование параметра dimensions.
Подготовьте единообразное текстовое представление и записывайте модель, размерность и идентификатор источника. Полезный итоговый материал — ранжированный набор фрагментов, связанных объектов или сгруппированных записей с явно указанным правилом выбора. Оцените, отвечает ли результат на запрос, и сохраняйте исходные доказательные материалы для следующего этапа, вместо того чтобы считать векторное сходство проверкой фактических утверждений записи.
", "aboutText": "text-embedding-3-large — более крупная текстовая модель эмбеддингов третьего поколения OpenAI для задач на английском и других языках. Она отображает письменные материалы в числовой вектор, возвращая 3072 компонента по умолчанию. Вектор представляет связи в переданном содержимом; процесс поиска или классификации использует его для выбора материалов или другого решения.\n\nМодели третьего поколения обучены поддерживать более короткие представления через параметр производителя dimensions. Производитель приводит размерность 1024 как пример для векторного хранилища, которому требуется такой размер. Более короткий вектор уменьшает объём данных для хранения и сравнения, тогда как изменение представления может влиять на качество поиска. Выберите размер согласно требованиям приложения и используйте тот же выбор для корпуса и его запросов.\n\nПример процесса поиска документов разделяет исходные материалы на осмысленные фрагменты, сохраняет их идентификаторы и получает векторы каждого фрагмента. Эмбеддинг вопроса создаётся той же моделью и с той же размерностью, затем сравнивается с векторами фрагментов. Приложение задаёт фильтры, выбирает ранжированные результаты и показывает ссылки на источники. Последующая модель генерации текста может подготовить ответ из найденного материала; результат модели эмбеддингов остаётся числовыми данными.\n\nДругие документированные применения включают поиск кода или текста, группировку сходных записей, рекомендации связанного контента, классификацию, обнаружение аномалий и измерение разнообразия коллекции. Для рекомендации описывайте объекты в терминах, относящихся к их связи. Для классификации сравнивайте с представлениями категорий или используйте векторы как признаки классификатора. Определите правило, превращающее сходство в нужный продукту результат.\n\nOpenAI указывает максимальный вход 8192 токена на текст. API эмбеддингов принимает строки или токенизированный текст, поддерживает несколько входов и отклоняет пустые строки. Оно также применяет совокупный лимит 300 000 токенов на один запрос. Длинный документ следует разделять с сохранением осмысленных границ и контекста, связывая каждый вектор с исходным фрагментом.\n\nПроизводитель документирует векторы с плавающей точкой как выход по умолчанию, а base64 — как альтернативную кодировку. Руководство рекомендует косинусное сходство и указывает, что эмбеддинги OpenAI нормализованы до единичной длины; это позволяет использовать скалярное произведение для косинусного сходства и даёт эквивалентное ранжирование по евклидову расстоянию. Если вектор третьего поколения вручную сокращён после генерации, производитель предписывает приложению снова нормализовать укороченный вектор; рекомендуемый путь — использование параметра dimensions.\n\nПодготовьте единообразное текстовое представление и записывайте модель, размерность и идентификатор источника. Полезный итоговый материал — ранжированный набор фрагментов, связанных объектов или сгруппированных записей с явно указанным правилом выбора. Оцените, отвечает ли результат на запрос, и сохраняйте исходные доказательные материалы для следующего этапа, вместо того чтобы считать векторное сходство проверкой фактических утверждений записи.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "e129a974e585db61716b9e3cfce927d27091008afaae84a616ef2d04a79708e0", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "ru", "methods": [ { "html": "openai/text-embedding-3-largeБолее крупная текстовая модель эмбеддингов третьего поколения OpenAI возвращает векторы размерности 3072 по умолчанию и предлагает параметр производителя для более коротких представлений. Используйте её для семантического поиска, многоязычного сравнения, работы со связанным контентом или классификации.
Описание раскрывает возможности модели. Доступные в Ailoot входные данные, результаты и параметры выбранного метода перечислены ниже.
text-embedding-3-large — более крупная текстовая модель эмбеддингов третьего поколения OpenAI для задач на английском и других языках. Она отображает письменные материалы в числовой вектор, возвращая 3072 компонента по умолчанию. Вектор представляет связи в переданном содержимом; процесс поиска или классификации использует его для выбора материалов или другого решения.
Модели третьего поколения обучены поддерживать более короткие представления через параметр производителя dimensions. Производитель приводит размерность 1024 как пример для векторного хранилища, которому требуется такой размер. Более короткий вектор уменьшает объём данных для хранения и сравнения, тогда как изменение представления может влиять на качество поиска. Выберите размер согласно требованиям приложения и используйте тот же выбор для корпуса и его запросов.
Пример процесса поиска документов разделяет исходные материалы на осмысленные фрагменты, сохраняет их идентификаторы и получает векторы каждого фрагмента. Эмбеддинг вопроса создаётся той же моделью и с той же размерностью, затем сравнивается с векторами фрагментов. Приложение задаёт фильтры, выбирает ранжированные результаты и показывает ссылки на источники. Последующая модель генерации текста может подготовить ответ из найденного материала; результат модели эмбеддингов остаётся числовыми данными.
Другие документированные применения включают поиск кода или текста, группировку сходных записей, рекомендации связанного контента, классификацию, обнаружение аномалий и измерение разнообразия коллекции. Для рекомендации описывайте объекты в терминах, относящихся к их связи. Для классификации сравнивайте с представлениями категорий или используйте векторы как признаки классификатора. Определите правило, превращающее сходство в нужный продукту результат.
OpenAI указывает максимальный вход 8192 токена на текст. API эмбеддингов принимает строки или токенизированный текст, поддерживает несколько входов и отклоняет пустые строки. Оно также применяет совокупный лимит 300 000 токенов на один запрос. Длинный документ следует разделять с сохранением осмысленных границ и контекста, связывая каждый вектор с исходным фрагментом.
Производитель документирует векторы с плавающей точкой как выход по умолчанию, а base64 — как альтернативную кодировку. Руководство рекомендует косинусное сходство и указывает, что эмбеддинги OpenAI нормализованы до единичной длины; это позволяет использовать скалярное произведение для косинусного сходства и даёт эквивалентное ранжирование по евклидову расстоянию. Если вектор третьего поколения вручную сокращён после генерации, производитель предписывает приложению снова нормализовать укороченный вектор; рекомендуемый путь — использование параметра dimensions.
Подготовьте единообразное текстовое представление и записывайте модель, размерность и идентификатор источника. Полезный итоговый материал — ранжированный набор фрагментов, связанных объектов или сгруппированных записей с явно указанным правилом выбора. Оцените, отвечает ли результат на запрос, и сохраняйте исходные доказательные материалы для следующего этапа, вместо того чтобы считать векторное сходство проверкой фактических утверждений записи.
POST /v1/embeddingstext, token_idsembedding| Поле | Тип | Требование | Значения и ограничения | По умолчанию |
|---|---|---|---|---|
Полеmodel | Типstring | ТребованиеОбязательно | Значения и ограничения openai/text-embedding-3-large | По умолчанию— |
Полеinput | Типstring|string[]|integer[]|integer[][] | ТребованиеОбязательно | Значения и ограничения Минимум элементов: 1 Условия: Непустой однородный пакет. ID токенов — неотрицательные целые числа. Входной бюджет: Максимум: 8 192 · Текстовая единица: байты UTF8 · Единица токенов: элементы массива токенов | По умолчанию— |
Полеencoding_format | Типstring | ТребованиеНеобязательно | Значения и ограничения float | По умолчаниюfloat |
Полеdimensions | Типinteger | ТребованиеНе поддерживается | Значения и ограничения Минимум: 1 | По умолчанию— |
Полеuser | Типjson_value | ТребованиеНеобязательно | Значения и ограничения Условия: Source допускает это поле метаданных JSON; точная семантика у исходного поставщика зависит от модели. | По умолчанию— |
Полеsession_id | Типjson_value | ТребованиеНеобязательно | Значения и ограничения Условия: Source допускает это поле метаданных JSON; точная семантика у исходного поставщика зависит от модели. | По умолчанию— |
Полеtrace | Типjson_value | ТребованиеНеобязательно | Значения и ограничения Условия: Source допускает это поле метаданных JSON; точная семантика у исходного поставщика зависит от модели. | По умолчанию— |
Полеprovider | Типobject | ТребованиеНеобязательно | Значения и ограничения Условия: provider.options отклоняется | По умолчанию— |
text_to_embedding
| Параметр | Контракт |
|---|---|
Параметрcontent_type | Контрактapplication/json |
Параметрrequired | Контрактmodel, input |
Параметрinput_shapes | Контрактstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Параметрencoding_format | Контрактfloat |
Параметрdimensions_override | Контрактfalse |
Параметрmax_input_budget_units | Контракт8192 |
Параметрmultimodal_objects | Контрактfalse |
Параметрmaterial_types | Контрактtext, token_ids |
Жизненный цикл: synchronous_json
Сохраняйте индекс и размерность каждого вектора.
Название мультимодальной модели не означает допуск объектов изображений на этом конкретном маршруте.
Тарифная справка не добавляет режимы запроса. Поддерживаемые параметры указаны для выбранного метода.
| Конфигурация | Шкала ставок | Плата |
|---|---|---|
| КонфигурацияБазовые ставки за токены | Шкала ставокБазовая ставка | Плата Вход · Входные токены $0.00026 / 1K токенов Выход · Выходные токены $0 / 1K токенов Вход · Чтение кэша — / 1K токенов Вход · Запись в кэш — / 1K токенов Вход · Запись в кэш, 1 час — / 1K токенов |
Ailoot резервирует расчётную сумму перед запросом. После получения результата списывает итоговую плату по измеренному расходу. Для окончательного списания за потоковый ответ используется итоговая запись расхода. Как работают резервирование и расчёт →
set -eu\n: "${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-large", "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-large',input=["First document","Second document"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\njson
Сохраняйте каждый полностью полученный ответ, файл и элемент содержимого.
Сохраняйте каждый вектор с его индексом. Число векторов должно совпадать с числом входных элементов; размерности должны быть согласованы.
Отдельный эндпоинт заданий эмбеддингов не вводится.
| Поле | Тип |
|---|---|
Полеobject | Типstring |
Полеmodel | Типstring |
Полеdata[].index | Типinteger |
Полеdata[].embedding | Типfinite float[] |
Полеusage | Типobject |
| Ответ | Условие | Следующий шаг |
|---|---|---|
Ответ400 · invalid_request_error | УсловиеНеверные обязательные поля, представление материалов или значение параметра | Следующий шагИсправьте указанные поля перед новым запросом на создание. |
Ailoot Ultra openai/text-embedding-3-large, text-embedding-3-large
Используйте пути методов, указанные выше.
text-embedding-3-largeБолее крупная текстовая модель эмбеддингов третьего поколения OpenAI возвращает векторы размерности 3072 по умолчанию и предлагает параметр производителя для более коротких представлений. Используйте её для семантического поиска, многоязычного сравнения, работы со связанным контентом или классификации.
Описание раскрывает возможности модели. Доступные в Ailoot входные данные, результаты и параметры выбранного метода перечислены ниже.
text-embedding-3-large — более крупная текстовая модель эмбеддингов третьего поколения OpenAI для задач на английском и других языках. Она отображает письменные материалы в числовой вектор, возвращая 3072 компонента по умолчанию. Вектор представляет связи в переданном содержимом; процесс поиска или классификации использует его для выбора материалов или другого решения.
Модели третьего поколения обучены поддерживать более короткие представления через параметр производителя dimensions. Производитель приводит размерность 1024 как пример для векторного хранилища, которому требуется такой размер. Более короткий вектор уменьшает объём данных для хранения и сравнения, тогда как изменение представления может влиять на качество поиска. Выберите размер согласно требованиям приложения и используйте тот же выбор для корпуса и его запросов.
Пример процесса поиска документов разделяет исходные материалы на осмысленные фрагменты, сохраняет их идентификаторы и получает векторы каждого фрагмента. Эмбеддинг вопроса создаётся той же моделью и с той же размерностью, затем сравнивается с векторами фрагментов. Приложение задаёт фильтры, выбирает ранжированные результаты и показывает ссылки на источники. Последующая модель генерации текста может подготовить ответ из найденного материала; результат модели эмбеддингов остаётся числовыми данными.
Другие документированные применения включают поиск кода или текста, группировку сходных записей, рекомендации связанного контента, классификацию, обнаружение аномалий и измерение разнообразия коллекции. Для рекомендации описывайте объекты в терминах, относящихся к их связи. Для классификации сравнивайте с представлениями категорий или используйте векторы как признаки классификатора. Определите правило, превращающее сходство в нужный продукту результат.
OpenAI указывает максимальный вход 8192 токена на текст. API эмбеддингов принимает строки или токенизированный текст, поддерживает несколько входов и отклоняет пустые строки. Оно также применяет совокупный лимит 300 000 токенов на один запрос. Длинный документ следует разделять с сохранением осмысленных границ и контекста, связывая каждый вектор с исходным фрагментом.
Производитель документирует векторы с плавающей точкой как выход по умолчанию, а base64 — как альтернативную кодировку. Руководство рекомендует косинусное сходство и указывает, что эмбеддинги OpenAI нормализованы до единичной длины; это позволяет использовать скалярное произведение для косинусного сходства и даёт эквивалентное ранжирование по евклидову расстоянию. Если вектор третьего поколения вручную сокращён после генерации, производитель предписывает приложению снова нормализовать укороченный вектор; рекомендуемый путь — использование параметра dimensions.
Подготовьте единообразное текстовое представление и записывайте модель, размерность и идентификатор источника. Полезный итоговый материал — ранжированный набор фрагментов, связанных объектов или сгруппированных записей с явно указанным правилом выбора. Оцените, отвечает ли результат на запрос, и сохраняйте исходные доказательные материалы для следующего этапа, вместо того чтобы считать векторное сходство проверкой фактических утверждений записи.
POST /v1/embeddingstextembedding| Поле | Тип | Требование | Значения и ограничения | По умолчанию |
|---|---|---|---|---|
Полеmodel | Типstring | ТребованиеОбязательно | Значения и ограничения text-embedding-3-large | По умолчанию— |
Полеinput | Типstring|string[]|integer[]|integer[][] | ТребованиеОбязательно | Значения и ограничения Минимум элементов: 1 Условия: Непустой однородный пакет. ID токенов — неотрицательные целые числа. Входной бюджет: Максимум: 8 192 · Текстовая единица: байты UTF8 · Единица токенов: элементы массива токенов | По умолчанию— |
Полеencoding_format | Типstring | ТребованиеНеобязательно | Значения и ограничения float | По умолчаниюfloat |
Полеdimensions | Типinteger | ТребованиеНе поддерживается | Значения и ограничения Минимум: 1 | По умолчанию— |
Полеuser | Типjson_value | ТребованиеНеобязательно | Значения и ограничения Условия: Необязательные метаданные JSON; точная семантика поставщика зависит от выбранной модели. | По умолчанию— |
Полеsession_id | Типjson_value | ТребованиеНеобязательно | Значения и ограничения Условия: Необязательные метаданные JSON; точная семантика поставщика зависит от выбранной модели. | По умолчанию— |
Полеtrace | Типjson_value | ТребованиеНеобязательно | Значения и ограничения Условия: Необязательные метаданные JSON; точная семантика поставщика зависит от выбранной модели. | По умолчанию— |
Полеprovider | Типobject | ТребованиеНеобязательно | Значения и ограничения Условия: provider.options отклоняется | По умолчанию— |
text_to_embedding
| Параметр | Контракт |
|---|---|
Параметрcontent_type | Контрактapplication/json |
Параметрrequired | Контрактmodel, input |
Параметрinput_shapes | Контрактstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Параметрencoding_format | Контрактfloat |
Параметрdimensions_override | Контрактfalse |
Параметрmax_input_budget_units | Контракт8192 |
Параметрmultimodal_objects | Контрактfalse |
Параметрmaterial_types | Контрактtext |
Параметрtext_file_material | КонтрактПрочитайте фактический документ UTF-8 и поместите его текст в указанную строку входа или содержимого сообщения. |
Жизненный цикл: synchronous_json
Передайте точный ID модели и обязательные поля.
Сохраняйте каждый возвращённый элемент и его исходные идентификаторы.
Тарифная справка не добавляет режимы запроса. Поддерживаемые параметры указаны для выбранного метода.
| Конфигурация | Шкала ставок | Плата |
|---|---|---|
| КонфигурацияБазовые ставки за токены | Шкала ставокБазовая ставка | Плата Вход · Входные токены $0.00026 / 1K токенов Выход · Выходные токены $0 / 1K токенов Вход · Чтение кэша — / 1K токенов Вход · Запись в кэш — / 1K токенов Вход · Запись в кэш, 1 час — / 1K токенов |
Ailoot резервирует расчётную сумму перед запросом. После получения результата списывает итоговую плату по измеренному расходу. Для окончательного списания за потоковый ответ используется итоговая запись расхода. Как работают резервирование и расчёт →
{\n "model": "text-embedding-3-large",\n "input": [\n "First document",\n "Second document"\n ],\n "encoding_format": "float"\n}set -eu\n: "${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-large', '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-large', '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
Сохраняйте каждый полностью полученный ответ, файл и элемент содержимого.
Сохраняйте каждый вектор с конечными значениями и его исходным индексом. Сохраняйте все измерения и весь объект usage.
Отдельный эндпоинт заданий эмбеддингов не вводится.
| Поле | Тип |
|---|---|
Полеobject | Типstring |
Полеmodel | Типstring |
Полеdata[].index | Типinteger |
Полеdata[].embedding | Типfinite float[] |
Полеusage | Типobject |
| Ответ | Условие | Следующий шаг |
|---|---|---|
Ответ400 · invalid_request_error | УсловиеНеверные обязательные поля, представление материалов или значение параметра | Следующий шагИсправьте указанные поля перед новым запросом на создание. |
Ailoot Ultra openai/text-embedding-3-large, text-embedding-3-large
Используйте пути методов, указанные выше.