text-embedding-3-small är OpenAIs mindre textinbäddningsmodell från tredje generationen. Den omvandlar skriftligt material till numeriska vektorer med 1 536 komponenter som standard. Vektorerna mäter relationer mellan texter för ett efterföljande sök- eller analyssteg; modellen genererar inget samtalssvar på indata.
Liksom den större modellen från tredje generationen stöder den tillverkarens dimensions-inställning för kortare inbäddningar. Träningen är utformad för att bevara information som representerar begrepp i en förkortad vektor, och valet av storlek påverkar applikationens kvalitet och resursbehov. Håll modellen och de valda dimensionerna konsekventa för poster och frågor som jämförs.
En praktisk tillämpning är kodsökning. Tillverkarens guide beskriver hur källkodsfunktioner representeras som text och bäddas in, hur en fråga på naturligt språk sedan bäddas in med samma modell och hur de resulterande vektorerna jämförs. Ett illustrativt resultat är en rangordnad uppsättning relevanta funktioner kopplade till sina positioner i källkoden. För dokumentsökning är motsvarande produkt en uppsättning textstycken vars text och ursprungliga referenser förblir tillgängliga för läsaren eller nästa modell.
Andra dokumenterade användningsområden är klustring, rekommendationer av relaterat innehåll, klassificering, upptäckt av avvikare och mätning av variation. Ett avgränsat meddelandeflöde kan gruppera liknande förfrågningar eller jämföra dem med kategoribeskrivningar. Applikationen definierar hur ett likhetsresultat blir en kategori, rekommendation eller granskningspost; själva inbäddningen förblir numeriska data.
OpenAI anger en maximal indatalängd på 8 192 token per text. Dess inbäddnings-API accepterar strängar eller tokeniserade indata och flera inmatade objekt i en begäran, avvisar tomma strängar och tillämpar en sammanlagd gräns på 300 000 token. Förbered långt material som meningsfulla textstycken och bevara de titlar eller definitioner som behövs för att tolka dem. Använd en konsekvent uppsättning källfält i stället för att bädda in olika slags poster med orelaterade förberedelseregler.
Tillverkaren returnerar flyttalsvektorer som standard och dokumenterar även base64-kodning. Guiden anger att OpenAIs inbäddningar är normaliserade till enhetslängd och rekommenderar cosinuslikhet; en skalärprodukt kan beräkna den och euklidiskt avstånd ger samma rangordning. Om en inbäddning från tredje generationen förkortas manuellt efter att den har returnerats normaliseras den förkortade vektorn på nytt enligt guiden. Med inställningen dimensions behöver manuell trunkering inte vara det vanliga förberedelsesteget.
Registrera modellidentiteten, dimensionerna och källkopplingen tillsammans med varje vektor. En användbar efterföljande produkt är en rangordnad lista, en grupperad samling eller en uppsättning egenskaper för klassificering kopplade till den text som producerade dem. Kontrollera om det valda materialet faktiskt stöder uppgiften och håll saknade fakta åtskilda från semantiska samband. Nästa steg kan sedan använda representationen för ett specifikt sök- eller beslutsflöde.
", "aboutText": "text-embedding-3-small är OpenAIs mindre textinbäddningsmodell från tredje generationen. Den omvandlar skriftligt material till numeriska vektorer med 1 536 komponenter som standard. Vektorerna mäter relationer mellan texter för ett efterföljande sök- eller analyssteg; modellen genererar inget samtalssvar på indata.\n\nLiksom den större modellen från tredje generationen stöder den tillverkarens dimensions-inställning för kortare inbäddningar. Träningen är utformad för att bevara information som representerar begrepp i en förkortad vektor, och valet av storlek påverkar applikationens kvalitet och resursbehov. Håll modellen och de valda dimensionerna konsekventa för poster och frågor som jämförs.\n\nEn praktisk tillämpning är kodsökning. Tillverkarens guide beskriver hur källkodsfunktioner representeras som text och bäddas in, hur en fråga på naturligt språk sedan bäddas in med samma modell och hur de resulterande vektorerna jämförs. Ett illustrativt resultat är en rangordnad uppsättning relevanta funktioner kopplade till sina positioner i källkoden. För dokumentsökning är motsvarande produkt en uppsättning textstycken vars text och ursprungliga referenser förblir tillgängliga för läsaren eller nästa modell.\n\nAndra dokumenterade användningsområden är klustring, rekommendationer av relaterat innehåll, klassificering, upptäckt av avvikare och mätning av variation. Ett avgränsat meddelandeflöde kan gruppera liknande förfrågningar eller jämföra dem med kategoribeskrivningar. Applikationen definierar hur ett likhetsresultat blir en kategori, rekommendation eller granskningspost; själva inbäddningen förblir numeriska data.\n\nOpenAI anger en maximal indatalängd på 8 192 token per text. Dess inbäddnings-API accepterar strängar eller tokeniserade indata och flera inmatade objekt i en begäran, avvisar tomma strängar och tillämpar en sammanlagd gräns på 300 000 token. Förbered långt material som meningsfulla textstycken och bevara de titlar eller definitioner som behövs för att tolka dem. Använd en konsekvent uppsättning källfält i stället för att bädda in olika slags poster med orelaterade förberedelseregler.\n\nTillverkaren returnerar flyttalsvektorer som standard och dokumenterar även base64-kodning. Guiden anger att OpenAIs inbäddningar är normaliserade till enhetslängd och rekommenderar cosinuslikhet; en skalärprodukt kan beräkna den och euklidiskt avstånd ger samma rangordning. Om en inbäddning från tredje generationen förkortas manuellt efter att den har returnerats normaliseras den förkortade vektorn på nytt enligt guiden. Med inställningen dimensions behöver manuell trunkering inte vara det vanliga förberedelsesteget.\n\nRegistrera modellidentiteten, dimensionerna och källkopplingen tillsammans med varje vektor. En användbar efterföljande produkt är en rangordnad lista, en grupperad samling eller en uppsättning egenskaper för klassificering kopplade till den text som producerade dem. Kontrollera om det valda materialet faktiskt stöder uppgiften och håll saknade fakta åtskilda från semantiska samband. Nästa steg kan sedan använda representationen för ett specifikt sök- eller beslutsflöde.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "978226a4df25a146960ba18bbcd7b8150be4e15afbb1d63ba4cea6b5093374c0", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "sv", "methods": [ { "html": "openai/text-embedding-3-smallOpenAIs lilla textinbäddningsmodell från tredje generationen returnerar vektorer med 1 536 dimensioner som standard och stöder kortare representationer. Använd det numeriska resultatet för semantisk sökning, kodsökning, gruppering, rekommendationer och klassificering.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
text-embedding-3-small är OpenAIs mindre textinbäddningsmodell från tredje generationen. Den omvandlar skriftligt material till numeriska vektorer med 1 536 komponenter som standard. Vektorerna mäter relationer mellan texter för ett efterföljande sök- eller analyssteg; modellen genererar inget samtalssvar på indata.
Liksom den större modellen från tredje generationen stöder den tillverkarens dimensions-inställning för kortare inbäddningar. Träningen är utformad för att bevara information som representerar begrepp i en förkortad vektor, och valet av storlek påverkar applikationens kvalitet och resursbehov. Håll modellen och de valda dimensionerna konsekventa för poster och frågor som jämförs.
En praktisk tillämpning är kodsökning. Tillverkarens guide beskriver hur källkodsfunktioner representeras som text och bäddas in, hur en fråga på naturligt språk sedan bäddas in med samma modell och hur de resulterande vektorerna jämförs. Ett illustrativt resultat är en rangordnad uppsättning relevanta funktioner kopplade till sina positioner i källkoden. För dokumentsökning är motsvarande produkt en uppsättning textstycken vars text och ursprungliga referenser förblir tillgängliga för läsaren eller nästa modell.
Andra dokumenterade användningsområden är klustring, rekommendationer av relaterat innehåll, klassificering, upptäckt av avvikare och mätning av variation. Ett avgränsat meddelandeflöde kan gruppera liknande förfrågningar eller jämföra dem med kategoribeskrivningar. Applikationen definierar hur ett likhetsresultat blir en kategori, rekommendation eller granskningspost; själva inbäddningen förblir numeriska data.
OpenAI anger en maximal indatalängd på 8 192 token per text. Dess inbäddnings-API accepterar strängar eller tokeniserade indata och flera inmatade objekt i en begäran, avvisar tomma strängar och tillämpar en sammanlagd gräns på 300 000 token. Förbered långt material som meningsfulla textstycken och bevara de titlar eller definitioner som behövs för att tolka dem. Använd en konsekvent uppsättning källfält i stället för att bädda in olika slags poster med orelaterade förberedelseregler.
Tillverkaren returnerar flyttalsvektorer som standard och dokumenterar även base64-kodning. Guiden anger att OpenAIs inbäddningar är normaliserade till enhetslängd och rekommenderar cosinuslikhet; en skalärprodukt kan beräkna den och euklidiskt avstånd ger samma rangordning. Om en inbäddning från tredje generationen förkortas manuellt efter att den har returnerats normaliseras den förkortade vektorn på nytt enligt guiden. Med inställningen dimensions behöver manuell trunkering inte vara det vanliga förberedelsesteget.
Registrera modellidentiteten, dimensionerna och källkopplingen tillsammans med varje vektor. En användbar efterföljande produkt är en rangordnad lista, en grupperad samling eller en uppsättning egenskaper för klassificering kopplade till den text som producerade dem. Kontrollera om det valda materialet faktiskt stöder uppgiften och håll saknade fakta åtskilda från semantiska samband. Nästa steg kan sedan använda representationen för ett specifikt sök- eller beslutsflöde.
POST /v1/embeddingstext, token_idsembedding| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser openai/text-embedding-3-small | 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 $0.00004 / 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-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
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-small, text-embedding-3-small
Använd metodsökvägarna som visas ovan.
text-embedding-3-smallOpenAIs lilla textinbäddningsmodell från tredje generationen returnerar vektorer med 1 536 dimensioner som standard och stöder kortare representationer. Använd det numeriska resultatet för semantisk sökning, kodsökning, gruppering, rekommendationer och klassificering.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
text-embedding-3-small är OpenAIs mindre textinbäddningsmodell från tredje generationen. Den omvandlar skriftligt material till numeriska vektorer med 1 536 komponenter som standard. Vektorerna mäter relationer mellan texter för ett efterföljande sök- eller analyssteg; modellen genererar inget samtalssvar på indata.
Liksom den större modellen från tredje generationen stöder den tillverkarens dimensions-inställning för kortare inbäddningar. Träningen är utformad för att bevara information som representerar begrepp i en förkortad vektor, och valet av storlek påverkar applikationens kvalitet och resursbehov. Håll modellen och de valda dimensionerna konsekventa för poster och frågor som jämförs.
En praktisk tillämpning är kodsökning. Tillverkarens guide beskriver hur källkodsfunktioner representeras som text och bäddas in, hur en fråga på naturligt språk sedan bäddas in med samma modell och hur de resulterande vektorerna jämförs. Ett illustrativt resultat är en rangordnad uppsättning relevanta funktioner kopplade till sina positioner i källkoden. För dokumentsökning är motsvarande produkt en uppsättning textstycken vars text och ursprungliga referenser förblir tillgängliga för läsaren eller nästa modell.
Andra dokumenterade användningsområden är klustring, rekommendationer av relaterat innehåll, klassificering, upptäckt av avvikare och mätning av variation. Ett avgränsat meddelandeflöde kan gruppera liknande förfrågningar eller jämföra dem med kategoribeskrivningar. Applikationen definierar hur ett likhetsresultat blir en kategori, rekommendation eller granskningspost; själva inbäddningen förblir numeriska data.
OpenAI anger en maximal indatalängd på 8 192 token per text. Dess inbäddnings-API accepterar strängar eller tokeniserade indata och flera inmatade objekt i en begäran, avvisar tomma strängar och tillämpar en sammanlagd gräns på 300 000 token. Förbered långt material som meningsfulla textstycken och bevara de titlar eller definitioner som behövs för att tolka dem. Använd en konsekvent uppsättning källfält i stället för att bädda in olika slags poster med orelaterade förberedelseregler.
Tillverkaren returnerar flyttalsvektorer som standard och dokumenterar även base64-kodning. Guiden anger att OpenAIs inbäddningar är normaliserade till enhetslängd och rekommenderar cosinuslikhet; en skalärprodukt kan beräkna den och euklidiskt avstånd ger samma rangordning. Om en inbäddning från tredje generationen förkortas manuellt efter att den har returnerats normaliseras den förkortade vektorn på nytt enligt guiden. Med inställningen dimensions behöver manuell trunkering inte vara det vanliga förberedelsesteget.
Registrera modellidentiteten, dimensionerna och källkopplingen tillsammans med varje vektor. En användbar efterföljande produkt är en rangordnad lista, en grupperad samling eller en uppsättning egenskaper för klassificering kopplade till den text som producerade dem. Kontrollera om det valda materialet faktiskt stöder uppgiften och håll saknade fakta åtskilda från semantiska samband. Nästa steg kan sedan använda representationen för ett specifikt sök- eller beslutsflöde.
POST /v1/embeddingstextembedding| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser text-embedding-3-small | 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 $0.00004 / 1K token Utdata · Utdatatoken $0 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "text-embedding-3-small",\n "input": [\n "First document",\n "Second document"\n ],\n "encoding_format": "float"\n}set -eu\n: "${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
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-small, text-embedding-3-small
Använd metodsökvägarna som visas ovan.