text-embedding-3-large är OpenAIs större textinbäddningsmodell från tredje generationen för uppgifter på engelska och andra språk. Den avbildar skriftligt material som en numerisk vektor och returnerar 3 072 komponenter som standard. Vektorn representerar relationer i det angivna innehållet; en sök- eller klassificeringsprocess använder den för att välja material eller fatta ett annat beslut.
Modellerna från tredje generationen är tränade för att stödja kortare representationer genom tillverkarens dimensions-inställning. Tillverkaren ger 1 024 dimensioner som exempel när ett vektorlager kräver den storleken. En kortare vektor minskar mängden data som behöver lagras och jämföras, medan en ändring av representationen kan påverka sökkvaliteten. Välj storleken efter applikationens krav och använd samma val för korpusen och dess frågor.
Ett illustrativt dokumentsökflöde delar upp källmaterial i meningsfulla textstycken, bevarar deras identifierare och hämtar vektorer för varje textstycke. En fråga bäddas in med samma modell och dimensioner och jämförs sedan med textstyckenas vektorer. Applikationen tillhandahåller filter, väljer de rangordnade resultaten och visar deras källreferenser. En efterföljande textgenereringsmodell kan utveckla ett svar från det hämtade materialet; inbäddningsmodellens resultat förblir numeriska data.
Andra dokumenterade tillämpningar är kod- eller textsökning, gruppering av liknande poster, rekommendationer av relaterat innehåll, klassificering, avvikelsedetektering och mätning av variation i en samling. För en rekommendation beskrivs objekten med termer som är relevanta för relationen. För klassificering jämförs med kategorirepresentationer eller används vektorer som egenskaper i en klassificerare. Definiera regeln som omvandlar likhet till det resultat produkten behöver.
OpenAI anger en maximal indatalängd på 8 192 token per text. Inbäddnings-API:t accepterar strängar eller tokeniserad text, stöder flera inmatade objekt och avvisar tomma strängar. Det tillämpar också en sammanlagd gräns på 300 000 token för en begäran. Ett långt dokument bör delas upp med meningsfulla gränser och bevarad kontext, så att varje vektor förblir kopplad till sitt källtextstycke.
Tillverkaren dokumenterar flyttalsvektorer som standardutdata och base64 som alternativ kodning. Guiden rekommenderar cosinuslikhet och anger att OpenAIs inbäddningar är normaliserade till enhetslängd, vilket möjliggör skalärprodukten för cosinuslikhet och motsvarande rangordningar med euklidiskt avstånd. Om en vektor från tredje generationen förkortas manuellt efter genereringen instruerar tillverkaren applikationen att normalisera den förkortade vektorn på nytt; användning av dimensions-inställningen är den rekommenderade vägen.
Förbered en konsekvent textrepresentation och registrera modell, dimensioner och källidentifierare. En användbar slutprodukt är en rangordnad uppsättning textstycken, relaterade objekt eller grupperade poster med en uttrycklig urvalsregel. Bedöm om resultatet behandlar frågan och bevara källbeläggen för nästa steg i stället för att behandla vektorlikhet som verifiering av en posts faktapåståenden.
", "aboutText": "text-embedding-3-large är OpenAIs större textinbäddningsmodell från tredje generationen för uppgifter på engelska och andra språk. Den avbildar skriftligt material som en numerisk vektor och returnerar 3 072 komponenter som standard. Vektorn representerar relationer i det angivna innehållet; en sök- eller klassificeringsprocess använder den för att välja material eller fatta ett annat beslut.\n\nModellerna från tredje generationen är tränade för att stödja kortare representationer genom tillverkarens dimensions-inställning. Tillverkaren ger 1 024 dimensioner som exempel när ett vektorlager kräver den storleken. En kortare vektor minskar mängden data som behöver lagras och jämföras, medan en ändring av representationen kan påverka sökkvaliteten. Välj storleken efter applikationens krav och använd samma val för korpusen och dess frågor.\n\nEtt illustrativt dokumentsökflöde delar upp källmaterial i meningsfulla textstycken, bevarar deras identifierare och hämtar vektorer för varje textstycke. En fråga bäddas in med samma modell och dimensioner och jämförs sedan med textstyckenas vektorer. Applikationen tillhandahåller filter, väljer de rangordnade resultaten och visar deras källreferenser. En efterföljande textgenereringsmodell kan utveckla ett svar från det hämtade materialet; inbäddningsmodellens resultat förblir numeriska data.\n\nAndra dokumenterade tillämpningar är kod- eller textsökning, gruppering av liknande poster, rekommendationer av relaterat innehåll, klassificering, avvikelsedetektering och mätning av variation i en samling. För en rekommendation beskrivs objekten med termer som är relevanta för relationen. För klassificering jämförs med kategorirepresentationer eller används vektorer som egenskaper i en klassificerare. Definiera regeln som omvandlar likhet till det resultat produkten behöver.\n\nOpenAI anger en maximal indatalängd på 8 192 token per text. Inbäddnings-API:t accepterar strängar eller tokeniserad text, stöder flera inmatade objekt och avvisar tomma strängar. Det tillämpar också en sammanlagd gräns på 300 000 token för en begäran. Ett långt dokument bör delas upp med meningsfulla gränser och bevarad kontext, så att varje vektor förblir kopplad till sitt källtextstycke.\n\nTillverkaren dokumenterar flyttalsvektorer som standardutdata och base64 som alternativ kodning. Guiden rekommenderar cosinuslikhet och anger att OpenAIs inbäddningar är normaliserade till enhetslängd, vilket möjliggör skalärprodukten för cosinuslikhet och motsvarande rangordningar med euklidiskt avstånd. Om en vektor från tredje generationen förkortas manuellt efter genereringen instruerar tillverkaren applikationen att normalisera den förkortade vektorn på nytt; användning av dimensions-inställningen är den rekommenderade vägen.\n\nFörbered en konsekvent textrepresentation och registrera modell, dimensioner och källidentifierare. En användbar slutprodukt är en rangordnad uppsättning textstycken, relaterade objekt eller grupperade poster med en uttrycklig urvalsregel. Bedöm om resultatet behandlar frågan och bevara källbeläggen för nästa steg i stället för att behandla vektorlikhet som verifiering av en posts faktapåståenden.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "4fc398ef9996022a03bed6bff3afab56e6bccf02520e09000930cea99d30579e", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "sv", "methods": [ { "html": "openai/text-embedding-3-largeOpenAIs större textinbäddningsmodell från tredje generationen returnerar vektorer med 3 072 dimensioner som standard, med tillverkarens inställning för kortare representationer. Använd den för semantisk sökning, flerspråkig jämförelse och flöden för relaterat innehåll eller klassificering.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
text-embedding-3-large är OpenAIs större textinbäddningsmodell från tredje generationen för uppgifter på engelska och andra språk. Den avbildar skriftligt material som en numerisk vektor och returnerar 3 072 komponenter som standard. Vektorn representerar relationer i det angivna innehållet; en sök- eller klassificeringsprocess använder den för att välja material eller fatta ett annat beslut.
Modellerna från tredje generationen är tränade för att stödja kortare representationer genom tillverkarens dimensions-inställning. Tillverkaren ger 1 024 dimensioner som exempel när ett vektorlager kräver den storleken. En kortare vektor minskar mängden data som behöver lagras och jämföras, medan en ändring av representationen kan påverka sökkvaliteten. Välj storleken efter applikationens krav och använd samma val för korpusen och dess frågor.
Ett illustrativt dokumentsökflöde delar upp källmaterial i meningsfulla textstycken, bevarar deras identifierare och hämtar vektorer för varje textstycke. En fråga bäddas in med samma modell och dimensioner och jämförs sedan med textstyckenas vektorer. Applikationen tillhandahåller filter, väljer de rangordnade resultaten och visar deras källreferenser. En efterföljande textgenereringsmodell kan utveckla ett svar från det hämtade materialet; inbäddningsmodellens resultat förblir numeriska data.
Andra dokumenterade tillämpningar är kod- eller textsökning, gruppering av liknande poster, rekommendationer av relaterat innehåll, klassificering, avvikelsedetektering och mätning av variation i en samling. För en rekommendation beskrivs objekten med termer som är relevanta för relationen. För klassificering jämförs med kategorirepresentationer eller används vektorer som egenskaper i en klassificerare. Definiera regeln som omvandlar likhet till det resultat produkten behöver.
OpenAI anger en maximal indatalängd på 8 192 token per text. Inbäddnings-API:t accepterar strängar eller tokeniserad text, stöder flera inmatade objekt och avvisar tomma strängar. Det tillämpar också en sammanlagd gräns på 300 000 token för en begäran. Ett långt dokument bör delas upp med meningsfulla gränser och bevarad kontext, så att varje vektor förblir kopplad till sitt källtextstycke.
Tillverkaren dokumenterar flyttalsvektorer som standardutdata och base64 som alternativ kodning. Guiden rekommenderar cosinuslikhet och anger att OpenAIs inbäddningar är normaliserade till enhetslängd, vilket möjliggör skalärprodukten för cosinuslikhet och motsvarande rangordningar med euklidiskt avstånd. Om en vektor från tredje generationen förkortas manuellt efter genereringen instruerar tillverkaren applikationen att normalisera den förkortade vektorn på nytt; användning av dimensions-inställningen är den rekommenderade vägen.
Förbered en konsekvent textrepresentation och registrera modell, dimensioner och källidentifierare. En användbar slutprodukt är en rangordnad uppsättning textstycken, relaterade objekt eller grupperade poster med en uttrycklig urvalsregel. Bedöm om resultatet behandlar frågan och bevara källbeläggen för nästa steg i stället för att behandla vektorlikhet som verifiering av en posts faktapåståenden.
POST /v1/embeddingstext, token_idsembedding| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser openai/text-embedding-3-large | Standard— |
Fältinput | Typstring|string[]|integer[]|integer[][] | KravObligatoriskt | Värden & gränser Minsta antal objekt: 1 Villkor: En homogen batch som inte är tom. Token-ID:n är heltal som är större än eller lika med noll. Indatabudget: Maximum: 8 192 · Textenhet: UTF8-byte · Tokenenhet: element i en tokenarray | Standard— |
Fältencoding_format | Typstring | KravValfritt | Värden & gränser float | Standardfloat |
Fältdimensions | Typinteger | KravStöds inte | Värden & gränser Minimum: 1 | Standard— |
Fältuser | Typjson_value | KravValfritt | Värden & gränser Villkor: Källan tillåter detta JSON-metadatafält; den exakta innebörden hos leverantören beror på modellen. | Standard— |
Fältsession_id | Typjson_value | KravValfritt | Värden & gränser Villkor: Källan tillåter detta JSON-metadatafält; den exakta innebörden hos leverantören beror på modellen. | Standard— |
Fälttrace | Typjson_value | KravValfritt | Värden & gränser Villkor: Källan tillåter detta JSON-metadatafält; den exakta innebörden hos leverantören beror på modellen. | Standard— |
Fältprovider | Typobject | KravValfritt | Värden & gränser Villkor: provider.options avvisades | Standard— |
text_to_embedding
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, input |
Parameterinput_shapes | Avtalstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parameterencoding_format | Avtalfloat |
Parameterdimensions_override | Avtalfalse |
Parametermax_input_budget_units | Avtal8192 |
Parametermultimodal_objects | Avtalfalse |
Parametermaterial_types | Avtaltext, token_ids |
Livscykel: synchronous_json
Behåll varje vektorindex och dimension.
Att modellen har ett multimodalt namn innebär inte att bildobjekt tillåts på just denna anropsväg.
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
| Konfiguration | Prislista | Avgift |
|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Avgift Indata · Indatatoken $0.00026 / 1K token Utdata · Utdatatoken $0 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${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
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll varje vektor tillsammans med dess index. Antalet vektorer måste vara lika med antalet indataobjekt; dimensionerna måste vara konsekventa.
Ingen endpoint för inbäddningsjobb införs.
| Fält | Typ |
|---|---|
Fältobject | Typstring |
Fältmodel | Typstring |
Fältdata[].index | Typinteger |
Fältdata[].embedding | Typfinite float[] |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra openai/text-embedding-3-large, text-embedding-3-large
Använd metodsökvägarna som visas ovan.
text-embedding-3-largeOpenAIs större textinbäddningsmodell från tredje generationen returnerar vektorer med 3 072 dimensioner som standard, med tillverkarens inställning för kortare representationer. Använd den för semantisk sökning, flerspråkig jämförelse och flöden för relaterat innehåll eller klassificering.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
text-embedding-3-large är OpenAIs större textinbäddningsmodell från tredje generationen för uppgifter på engelska och andra språk. Den avbildar skriftligt material som en numerisk vektor och returnerar 3 072 komponenter som standard. Vektorn representerar relationer i det angivna innehållet; en sök- eller klassificeringsprocess använder den för att välja material eller fatta ett annat beslut.
Modellerna från tredje generationen är tränade för att stödja kortare representationer genom tillverkarens dimensions-inställning. Tillverkaren ger 1 024 dimensioner som exempel när ett vektorlager kräver den storleken. En kortare vektor minskar mängden data som behöver lagras och jämföras, medan en ändring av representationen kan påverka sökkvaliteten. Välj storleken efter applikationens krav och använd samma val för korpusen och dess frågor.
Ett illustrativt dokumentsökflöde delar upp källmaterial i meningsfulla textstycken, bevarar deras identifierare och hämtar vektorer för varje textstycke. En fråga bäddas in med samma modell och dimensioner och jämförs sedan med textstyckenas vektorer. Applikationen tillhandahåller filter, väljer de rangordnade resultaten och visar deras källreferenser. En efterföljande textgenereringsmodell kan utveckla ett svar från det hämtade materialet; inbäddningsmodellens resultat förblir numeriska data.
Andra dokumenterade tillämpningar är kod- eller textsökning, gruppering av liknande poster, rekommendationer av relaterat innehåll, klassificering, avvikelsedetektering och mätning av variation i en samling. För en rekommendation beskrivs objekten med termer som är relevanta för relationen. För klassificering jämförs med kategorirepresentationer eller används vektorer som egenskaper i en klassificerare. Definiera regeln som omvandlar likhet till det resultat produkten behöver.
OpenAI anger en maximal indatalängd på 8 192 token per text. Inbäddnings-API:t accepterar strängar eller tokeniserad text, stöder flera inmatade objekt och avvisar tomma strängar. Det tillämpar också en sammanlagd gräns på 300 000 token för en begäran. Ett långt dokument bör delas upp med meningsfulla gränser och bevarad kontext, så att varje vektor förblir kopplad till sitt källtextstycke.
Tillverkaren dokumenterar flyttalsvektorer som standardutdata och base64 som alternativ kodning. Guiden rekommenderar cosinuslikhet och anger att OpenAIs inbäddningar är normaliserade till enhetslängd, vilket möjliggör skalärprodukten för cosinuslikhet och motsvarande rangordningar med euklidiskt avstånd. Om en vektor från tredje generationen förkortas manuellt efter genereringen instruerar tillverkaren applikationen att normalisera den förkortade vektorn på nytt; användning av dimensions-inställningen är den rekommenderade vägen.
Förbered en konsekvent textrepresentation och registrera modell, dimensioner och källidentifierare. En användbar slutprodukt är en rangordnad uppsättning textstycken, relaterade objekt eller grupperade poster med en uttrycklig urvalsregel. Bedöm om resultatet behandlar frågan och bevara källbeläggen för nästa steg i stället för att behandla vektorlikhet som verifiering av en posts faktapåståenden.
POST /v1/embeddingstextembedding| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser text-embedding-3-large | Standard— |
Fältinput | Typstring|string[]|integer[]|integer[][] | KravObligatoriskt | Värden & gränser Minsta antal objekt: 1 Villkor: En homogen batch som inte är tom. Token-ID:n är heltal som är större än eller lika med noll. Indatabudget: Maximum: 8 192 · Textenhet: UTF8-byte · Tokenenhet: element i en tokenarray | Standard— |
Fältencoding_format | Typstring | KravValfritt | Värden & gränser float | Standardfloat |
Fältdimensions | Typinteger | KravStöds inte | Värden & gränser Minimum: 1 | Standard— |
Fältuser | Typjson_value | KravValfritt | Värden & gränser Villkor: Valfria JSON-metadata; exakt innebörd hos leverantören beror på den valda modellen. | Standard— |
Fältsession_id | Typjson_value | KravValfritt | Värden & gränser Villkor: Valfria JSON-metadata; exakt innebörd hos leverantören beror på den valda modellen. | Standard— |
Fälttrace | Typjson_value | KravValfritt | Värden & gränser Villkor: Valfria JSON-metadata; exakt innebörd hos leverantören beror på den valda modellen. | Standard— |
Fältprovider | Typobject | KravValfritt | Värden & gränser Villkor: provider.options avvisades | Standard— |
text_to_embedding
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, input |
Parameterinput_shapes | Avtalstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parameterencoding_format | Avtalfloat |
Parameterdimensions_override | Avtalfalse |
Parametermax_input_budget_units | Avtal8192 |
Parametermultimodal_objects | Avtalfalse |
Parametermaterial_types | Avtaltext |
Parametertext_file_material | AvtalLäs det faktiska UTF-8-dokumentet och placera texten i det angivna input-fältet eller i strängen för meddelandets innehåll. |
Livscykel: synchronous_json
Skicka det exakta modell-ID:t och de obligatoriska fälten.
Behåll varje returnerad post och dess ursprungliga identifierare.
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
| Konfiguration | Prislista | Avgift |
|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Avgift Indata · Indatatoken $0.00026 / 1K token Utdata · Utdatatoken $0 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "text-embedding-3-large",\n "input": [\n "First document",\n "Second document"\n ],\n "encoding_format": "float"\n}set -eu\n: "${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
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll varje ändlig vektor med dess ursprungliga index. Bevara alla dimensioner och hela förbrukningsobjektet.
Ingen endpoint för inbäddningsjobb införs.
| Fält | Typ |
|---|---|
Fältobject | Typstring |
Fältmodel | Typstring |
Fältdata[].index | Typinteger |
Fältdata[].embedding | Typfinite float[] |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra openai/text-embedding-3-large, text-embedding-3-large
Använd metodsökvägarna som visas ovan.