text-embedding-3-small — меньшая текстовая модель эмбеддингов третьего поколения OpenAI. Она преобразует письменные материалы в числовые векторы с 1536 компонентами по умолчанию. Эти векторы измеряют связи между текстами для последующего этапа поиска или анализа; модель не генерирует разговорный ответ на вход.
Как и большая модель третьего поколения, она поддерживает параметр производителя dimensions для более коротких эмбеддингов. Обучение рассчитано на сохранение информации, представляющей понятия, в укороченном векторе; выбор размера влияет на качество и ресурсные требования приложения. Сохраняйте одинаковые модель и выбранную размерность для сравниваемых записей и запросов.
Практическое применение — поиск кода. Руководство производителя описывает представление исходных функций текстом и создание их эмбеддингов, затем создание эмбеддинга запроса на естественном языке той же моделью и сравнение полученных векторов. Пример результата — ранжированный набор подходящих функций, связанных с их расположением в исходниках. Для поиска документов аналогичный результат — набор фрагментов, чей текст и исходные ссылки остаются доступны читателю или следующей модели.
Другие документированные применения включают кластеризацию, рекомендации связанного контента, классификацию, обнаружение выбросов и измерение разнообразия. Целевой процесс работы с сообщениями может группировать сходные запросы или сравнивать их с описаниями категорий. Приложение определяет, как результат сходства превращается в категорию, рекомендацию или запись для проверки; сам эмбеддинг остаётся числовыми данными.
OpenAI задаёт максимальный вход 8192 токена на текст. API эмбеддингов принимает строки или токенизированный вход и несколько входов в одном запросе, отклоняет пустые строки и применяет совокупный лимит 300 000 токенов. Подготавливайте длинные материалы как осмысленные фрагменты и сохраняйте названия или определения, необходимые для их понимания. Используйте единый набор полей источника вместо создания эмбеддингов разных видов записей по несвязанным правилам подготовки.
Производитель по умолчанию возвращает векторы с плавающей точкой и также документирует кодировку base64. Руководство указывает, что эмбеддинги OpenAI нормализованы до единичной длины, и рекомендует косинусное сходство; скалярное произведение позволяет вычислить его, а евклидово расстояние даёт то же ранжирование. Если эмбеддинг третьего поколения вручную сокращается после получения, снова нормализуйте укороченный вектор, как описывает руководство. Параметр dimensions позволяет не превращать ручное усечение в обычный этап подготовки.
Записывайте идентичность модели, размерность и ссылку на источник вместе с каждым вектором. Полезный последующий результат — ранжированный список, сгруппированная коллекция или набор классификационных признаков, связанных с породившим их текстом. Проверяйте, действительно ли выбранный материал поддерживает задачу, и отделяйте отсутствие фактов от семантической связанности. Следующий этап сможет использовать представление для конкретного процесса поиска или принятия решений.
", "aboutText": "text-embedding-3-small — меньшая текстовая модель эмбеддингов третьего поколения OpenAI. Она преобразует письменные материалы в числовые векторы с 1536 компонентами по умолчанию. Эти векторы измеряют связи между текстами для последующего этапа поиска или анализа; модель не генерирует разговорный ответ на вход.\n\nКак и большая модель третьего поколения, она поддерживает параметр производителя dimensions для более коротких эмбеддингов. Обучение рассчитано на сохранение информации, представляющей понятия, в укороченном векторе; выбор размера влияет на качество и ресурсные требования приложения. Сохраняйте одинаковые модель и выбранную размерность для сравниваемых записей и запросов.\n\nПрактическое применение — поиск кода. Руководство производителя описывает представление исходных функций текстом и создание их эмбеддингов, затем создание эмбеддинга запроса на естественном языке той же моделью и сравнение полученных векторов. Пример результата — ранжированный набор подходящих функций, связанных с их расположением в исходниках. Для поиска документов аналогичный результат — набор фрагментов, чей текст и исходные ссылки остаются доступны читателю или следующей модели.\n\nДругие документированные применения включают кластеризацию, рекомендации связанного контента, классификацию, обнаружение выбросов и измерение разнообразия. Целевой процесс работы с сообщениями может группировать сходные запросы или сравнивать их с описаниями категорий. Приложение определяет, как результат сходства превращается в категорию, рекомендацию или запись для проверки; сам эмбеддинг остаётся числовыми данными.\n\nOpenAI задаёт максимальный вход 8192 токена на текст. API эмбеддингов принимает строки или токенизированный вход и несколько входов в одном запросе, отклоняет пустые строки и применяет совокупный лимит 300 000 токенов. Подготавливайте длинные материалы как осмысленные фрагменты и сохраняйте названия или определения, необходимые для их понимания. Используйте единый набор полей источника вместо создания эмбеддингов разных видов записей по несвязанным правилам подготовки.\n\nПроизводитель по умолчанию возвращает векторы с плавающей точкой и также документирует кодировку base64. Руководство указывает, что эмбеддинги OpenAI нормализованы до единичной длины, и рекомендует косинусное сходство; скалярное произведение позволяет вычислить его, а евклидово расстояние даёт то же ранжирование. Если эмбеддинг третьего поколения вручную сокращается после получения, снова нормализуйте укороченный вектор, как описывает руководство. Параметр dimensions позволяет не превращать ручное усечение в обычный этап подготовки.\n\nЗаписывайте идентичность модели, размерность и ссылку на источник вместе с каждым вектором. Полезный последующий результат — ранжированный список, сгруппированная коллекция или набор классификационных признаков, связанных с породившим их текстом. Проверяйте, действительно ли выбранный материал поддерживает задачу, и отделяйте отсутствие фактов от семантической связанности. Следующий этап сможет использовать представление для конкретного процесса поиска или принятия решений.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "6f9d41e533c926ba5389fb8f67979d89296564616c44260bf4d24343c55920f5", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "ru", "methods": [ { "html": "openai/text-embedding-3-smallМалая текстовая модель эмбеддингов третьего поколения OpenAI по умолчанию возвращает векторы размерности 1536 и поддерживает более короткие представления. Используйте числовой выход для семантического поиска, поиска кода, группировки, рекомендаций и классификации.
Описание раскрывает возможности модели. Доступные в Ailoot входные данные, результаты и параметры выбранного метода перечислены ниже.
text-embedding-3-small — меньшая текстовая модель эмбеддингов третьего поколения OpenAI. Она преобразует письменные материалы в числовые векторы с 1536 компонентами по умолчанию. Эти векторы измеряют связи между текстами для последующего этапа поиска или анализа; модель не генерирует разговорный ответ на вход.
Как и большая модель третьего поколения, она поддерживает параметр производителя dimensions для более коротких эмбеддингов. Обучение рассчитано на сохранение информации, представляющей понятия, в укороченном векторе; выбор размера влияет на качество и ресурсные требования приложения. Сохраняйте одинаковые модель и выбранную размерность для сравниваемых записей и запросов.
Практическое применение — поиск кода. Руководство производителя описывает представление исходных функций текстом и создание их эмбеддингов, затем создание эмбеддинга запроса на естественном языке той же моделью и сравнение полученных векторов. Пример результата — ранжированный набор подходящих функций, связанных с их расположением в исходниках. Для поиска документов аналогичный результат — набор фрагментов, чей текст и исходные ссылки остаются доступны читателю или следующей модели.
Другие документированные применения включают кластеризацию, рекомендации связанного контента, классификацию, обнаружение выбросов и измерение разнообразия. Целевой процесс работы с сообщениями может группировать сходные запросы или сравнивать их с описаниями категорий. Приложение определяет, как результат сходства превращается в категорию, рекомендацию или запись для проверки; сам эмбеддинг остаётся числовыми данными.
OpenAI задаёт максимальный вход 8192 токена на текст. API эмбеддингов принимает строки или токенизированный вход и несколько входов в одном запросе, отклоняет пустые строки и применяет совокупный лимит 300 000 токенов. Подготавливайте длинные материалы как осмысленные фрагменты и сохраняйте названия или определения, необходимые для их понимания. Используйте единый набор полей источника вместо создания эмбеддингов разных видов записей по несвязанным правилам подготовки.
Производитель по умолчанию возвращает векторы с плавающей точкой и также документирует кодировку base64. Руководство указывает, что эмбеддинги OpenAI нормализованы до единичной длины, и рекомендует косинусное сходство; скалярное произведение позволяет вычислить его, а евклидово расстояние даёт то же ранжирование. Если эмбеддинг третьего поколения вручную сокращается после получения, снова нормализуйте укороченный вектор, как описывает руководство. Параметр dimensions позволяет не превращать ручное усечение в обычный этап подготовки.
Записывайте идентичность модели, размерность и ссылку на источник вместе с каждым вектором. Полезный последующий результат — ранжированный список, сгруппированная коллекция или набор классификационных признаков, связанных с породившим их текстом. Проверяйте, действительно ли выбранный материал поддерживает задачу, и отделяйте отсутствие фактов от семантической связанности. Следующий этап сможет использовать представление для конкретного процесса поиска или принятия решений.
POST /v1/embeddingstext, token_idsembedding| Поле | Тип | Требование | Значения и ограничения | По умолчанию |
|---|---|---|---|---|
Полеmodel | Типstring | ТребованиеОбязательно | Значения и ограничения openai/text-embedding-3-small | 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 $0.00004 / 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-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
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-small, text-embedding-3-small
Используйте пути методов, указанные выше.
text-embedding-3-smallМалая текстовая модель эмбеддингов третьего поколения OpenAI по умолчанию возвращает векторы размерности 1536 и поддерживает более короткие представления. Используйте числовой выход для семантического поиска, поиска кода, группировки, рекомендаций и классификации.
Описание раскрывает возможности модели. Доступные в Ailoot входные данные, результаты и параметры выбранного метода перечислены ниже.
text-embedding-3-small — меньшая текстовая модель эмбеддингов третьего поколения OpenAI. Она преобразует письменные материалы в числовые векторы с 1536 компонентами по умолчанию. Эти векторы измеряют связи между текстами для последующего этапа поиска или анализа; модель не генерирует разговорный ответ на вход.
Как и большая модель третьего поколения, она поддерживает параметр производителя dimensions для более коротких эмбеддингов. Обучение рассчитано на сохранение информации, представляющей понятия, в укороченном векторе; выбор размера влияет на качество и ресурсные требования приложения. Сохраняйте одинаковые модель и выбранную размерность для сравниваемых записей и запросов.
Практическое применение — поиск кода. Руководство производителя описывает представление исходных функций текстом и создание их эмбеддингов, затем создание эмбеддинга запроса на естественном языке той же моделью и сравнение полученных векторов. Пример результата — ранжированный набор подходящих функций, связанных с их расположением в исходниках. Для поиска документов аналогичный результат — набор фрагментов, чей текст и исходные ссылки остаются доступны читателю или следующей модели.
Другие документированные применения включают кластеризацию, рекомендации связанного контента, классификацию, обнаружение выбросов и измерение разнообразия. Целевой процесс работы с сообщениями может группировать сходные запросы или сравнивать их с описаниями категорий. Приложение определяет, как результат сходства превращается в категорию, рекомендацию или запись для проверки; сам эмбеддинг остаётся числовыми данными.
OpenAI задаёт максимальный вход 8192 токена на текст. API эмбеддингов принимает строки или токенизированный вход и несколько входов в одном запросе, отклоняет пустые строки и применяет совокупный лимит 300 000 токенов. Подготавливайте длинные материалы как осмысленные фрагменты и сохраняйте названия или определения, необходимые для их понимания. Используйте единый набор полей источника вместо создания эмбеддингов разных видов записей по несвязанным правилам подготовки.
Производитель по умолчанию возвращает векторы с плавающей точкой и также документирует кодировку base64. Руководство указывает, что эмбеддинги OpenAI нормализованы до единичной длины, и рекомендует косинусное сходство; скалярное произведение позволяет вычислить его, а евклидово расстояние даёт то же ранжирование. Если эмбеддинг третьего поколения вручную сокращается после получения, снова нормализуйте укороченный вектор, как описывает руководство. Параметр dimensions позволяет не превращать ручное усечение в обычный этап подготовки.
Записывайте идентичность модели, размерность и ссылку на источник вместе с каждым вектором. Полезный последующий результат — ранжированный список, сгруппированная коллекция или набор классификационных признаков, связанных с породившим их текстом. Проверяйте, действительно ли выбранный материал поддерживает задачу, и отделяйте отсутствие фактов от семантической связанности. Следующий этап сможет использовать представление для конкретного процесса поиска или принятия решений.
POST /v1/embeddingstextembedding| Поле | Тип | Требование | Значения и ограничения | По умолчанию |
|---|---|---|---|---|
Полеmodel | Типstring | ТребованиеОбязательно | Значения и ограничения text-embedding-3-small | 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 $0.00004 / 1K токенов Выход · Выходные токены $0 / 1K токенов Вход · Чтение кэша — / 1K токенов Вход · Запись в кэш — / 1K токенов Вход · Запись в кэш, 1 час — / 1K токенов |
Ailoot резервирует расчётную сумму перед запросом. После получения результата списывает итоговую плату по измеренному расходу. Для окончательного списания за потоковый ответ используется итоговая запись расхода. Как работают резервирование и расчёт →
{\n "model": "text-embedding-3-small",\n "input": [\n "First document",\n "Second document"\n ],\n "encoding_format": "float"\n}set -eu\n: "${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
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-small, text-embedding-3-small
Используйте пути методов, указанные выше.