text-embedding-ada-002 är OpenAIs textinbäddningsmodell för att representera skriftligt material som en numerisk vektor. Utdata innehåller 1 536 komponenter. Tillverkaren kombinerar likhet mellan texter, dokument-/frågesökning och kodsökning i en representation. Resultatet är data för jämförelse eller en annan algoritm, snarare än ett genererat svar på texten som bäddas in.
För semantisk sökning förbereds meningsfulla dokumenttextstycken och deras källidentifierare bevaras. Ett illustrativt arbetsflöde bäddar in varje textstycke och användarens fråga med samma modell, jämför vektorerna och returnerar relevanta källtextstycken. Applikationen bestämmer sökregeln, filtren och presentationen. Ett efterföljande textgenereringssteg kan använda det hämtade materialet för att utveckla ett svar, medan inbäddningsmodellen ger den numeriska representationen.
Andra dokumenterade användningsområden är gruppering av liknande poster, rekommendationer av relaterat innehåll, klassificering av text och identifiering av avvikare. För en rekommendation jämförs beskrivningar av objekten vars relation är relevant. För klassificering beskriver guiden jämförelse med kategorirepresentationer eller användning av vektorer som egenskaper i en klassificerare. För avvikelsedetektering är det relevanta resultatet en post som skiljer sig från den omgivande samlingen, tolkad enligt produktens uppgift.
OpenAI anger en maximal indatalängd på 8 192 token för denna modell. Tillverkarens inbäddnings-API accepterar textsträngar eller tokeniserade indata, tillåter flera inmatade objekt i en begäran och avvisar tomma strängar. Dess sammanlagda gräns är 300 000 token i en begäran, utöver gränsen per inmatat objekt. Dela upp längre dokument i användbara textstycken och bevara titlar, definitioner och referensen tillbaka till originalmaterialet.
Utdata är en vektor av flyttalsvärden; tillverkaren dokumenterar även base64 som alternativ transportkodning. OpenAIs parameter för att minska antalet dimensioner gäller inbäddningsmodeller från tredje generationen och senare, så Ada-modellens dokumenterade resultat med 1 536 dimensioner hålls åtskilt från den inställningen. Lagra modellidentiteten och vektorn tillsammans med källposten så att senare jämförelser använder en konsekvent representation.
Inbäddningsguiden rekommenderar cosinuslikhet och anger att OpenAIs inbäddningar är normaliserade till enhetslängd. För dessa vektorer kan en skalärprodukt beräkna cosinuslikhet och euklidiskt avstånd ger samma rangordning. En likhetspoäng är en del av applikationens sök- eller klassificeringslogik, inte ett beslut om kategori som modellen automatiskt ger.
Definiera vilka källfält som blir indatatexten och hur textstycken ska delas upp. Ett illustrativt resultat är en rangordnad uppsättning dokumenttextstycken eller relaterade poster, var och en kopplad till sin ursprungliga källa och regeln som användes för urvalet. Håll förberedelsen konsekvent och utvärdera om det returnerade materialet behandlar den faktiska frågan. Detta gör det numeriska resultatet användbart för nästa sök-, rekommendations- eller analyssteg.
", "aboutText": "text-embedding-ada-002 är OpenAIs textinbäddningsmodell för att representera skriftligt material som en numerisk vektor. Utdata innehåller 1 536 komponenter. Tillverkaren kombinerar likhet mellan texter, dokument-/frågesökning och kodsökning i en representation. Resultatet är data för jämförelse eller en annan algoritm, snarare än ett genererat svar på texten som bäddas in.\n\nFör semantisk sökning förbereds meningsfulla dokumenttextstycken och deras källidentifierare bevaras. Ett illustrativt arbetsflöde bäddar in varje textstycke och användarens fråga med samma modell, jämför vektorerna och returnerar relevanta källtextstycken. Applikationen bestämmer sökregeln, filtren och presentationen. Ett efterföljande textgenereringssteg kan använda det hämtade materialet för att utveckla ett svar, medan inbäddningsmodellen ger den numeriska representationen.\n\nAndra dokumenterade användningsområden är gruppering av liknande poster, rekommendationer av relaterat innehåll, klassificering av text och identifiering av avvikare. För en rekommendation jämförs beskrivningar av objekten vars relation är relevant. För klassificering beskriver guiden jämförelse med kategorirepresentationer eller användning av vektorer som egenskaper i en klassificerare. För avvikelsedetektering är det relevanta resultatet en post som skiljer sig från den omgivande samlingen, tolkad enligt produktens uppgift.\n\nOpenAI anger en maximal indatalängd på 8 192 token för denna modell. Tillverkarens inbäddnings-API accepterar textsträngar eller tokeniserade indata, tillåter flera inmatade objekt i en begäran och avvisar tomma strängar. Dess sammanlagda gräns är 300 000 token i en begäran, utöver gränsen per inmatat objekt. Dela upp längre dokument i användbara textstycken och bevara titlar, definitioner och referensen tillbaka till originalmaterialet.\n\nUtdata är en vektor av flyttalsvärden; tillverkaren dokumenterar även base64 som alternativ transportkodning. OpenAIs parameter för att minska antalet dimensioner gäller inbäddningsmodeller från tredje generationen och senare, så Ada-modellens dokumenterade resultat med 1 536 dimensioner hålls åtskilt från den inställningen. Lagra modellidentiteten och vektorn tillsammans med källposten så att senare jämförelser använder en konsekvent representation.\n\nInbäddningsguiden rekommenderar cosinuslikhet och anger att OpenAIs inbäddningar är normaliserade till enhetslängd. För dessa vektorer kan en skalärprodukt beräkna cosinuslikhet och euklidiskt avstånd ger samma rangordning. En likhetspoäng är en del av applikationens sök- eller klassificeringslogik, inte ett beslut om kategori som modellen automatiskt ger.\n\nDefiniera vilka källfält som blir indatatexten och hur textstycken ska delas upp. Ett illustrativt resultat är en rangordnad uppsättning dokumenttextstycken eller relaterade poster, var och en kopplad till sin ursprungliga källa och regeln som användes för urvalet. Håll förberedelsen konsekvent och utvärdera om det returnerade materialet behandlar den faktiska frågan. Detta gör det numeriska resultatet användbart för nästa sök-, rekommendations- eller analyssteg.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "5d086dda8ff4b26004f57d2ae22136d115637d441113f61a76ee0e385909f453", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "sv", "methods": [ { "html": "openai/text-embedding-ada-002En textinbäddningsmodell från OpenAI som returnerar en numerisk vektor med 1 536 dimensioner. Använd representationerna för semantisk sökning, rekommendationer av relaterat innehåll, klustring, klassificering eller upptäckt av ovanliga textposter.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
text-embedding-ada-002 är OpenAIs textinbäddningsmodell för att representera skriftligt material som en numerisk vektor. Utdata innehåller 1 536 komponenter. Tillverkaren kombinerar likhet mellan texter, dokument-/frågesökning och kodsökning i en representation. Resultatet är data för jämförelse eller en annan algoritm, snarare än ett genererat svar på texten som bäddas in.
För semantisk sökning förbereds meningsfulla dokumenttextstycken och deras källidentifierare bevaras. Ett illustrativt arbetsflöde bäddar in varje textstycke och användarens fråga med samma modell, jämför vektorerna och returnerar relevanta källtextstycken. Applikationen bestämmer sökregeln, filtren och presentationen. Ett efterföljande textgenereringssteg kan använda det hämtade materialet för att utveckla ett svar, medan inbäddningsmodellen ger den numeriska representationen.
Andra dokumenterade användningsområden är gruppering av liknande poster, rekommendationer av relaterat innehåll, klassificering av text och identifiering av avvikare. För en rekommendation jämförs beskrivningar av objekten vars relation är relevant. För klassificering beskriver guiden jämförelse med kategorirepresentationer eller användning av vektorer som egenskaper i en klassificerare. För avvikelsedetektering är det relevanta resultatet en post som skiljer sig från den omgivande samlingen, tolkad enligt produktens uppgift.
OpenAI anger en maximal indatalängd på 8 192 token för denna modell. Tillverkarens inbäddnings-API accepterar textsträngar eller tokeniserade indata, tillåter flera inmatade objekt i en begäran och avvisar tomma strängar. Dess sammanlagda gräns är 300 000 token i en begäran, utöver gränsen per inmatat objekt. Dela upp längre dokument i användbara textstycken och bevara titlar, definitioner och referensen tillbaka till originalmaterialet.
Utdata är en vektor av flyttalsvärden; tillverkaren dokumenterar även base64 som alternativ transportkodning. OpenAIs parameter för att minska antalet dimensioner gäller inbäddningsmodeller från tredje generationen och senare, så Ada-modellens dokumenterade resultat med 1 536 dimensioner hålls åtskilt från den inställningen. Lagra modellidentiteten och vektorn tillsammans med källposten så att senare jämförelser använder en konsekvent representation.
Inbäddningsguiden rekommenderar cosinuslikhet och anger att OpenAIs inbäddningar är normaliserade till enhetslängd. För dessa vektorer kan en skalärprodukt beräkna cosinuslikhet och euklidiskt avstånd ger samma rangordning. En likhetspoäng är en del av applikationens sök- eller klassificeringslogik, inte ett beslut om kategori som modellen automatiskt ger.
Definiera vilka källfält som blir indatatexten och hur textstycken ska delas upp. Ett illustrativt resultat är en rangordnad uppsättning dokumenttextstycken eller relaterade poster, var och en kopplad till sin ursprungliga källa och regeln som användes för urvalet. Håll förberedelsen konsekvent och utvärdera om det returnerade materialet behandlar den faktiska frågan. Detta gör det numeriska resultatet användbart för nästa sök-, rekommendations- eller analyssteg.
POST /v1/embeddingstext, token_idsembedding| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser openai/text-embedding-ada-002 | 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 $0.0002 / 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-ada-002", "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-ada-002',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-ada-002, text-embedding-ada-002
Använd metodsökvägarna som visas ovan.
text-embedding-ada-002En textinbäddningsmodell från OpenAI som returnerar en numerisk vektor med 1 536 dimensioner. Använd representationerna för semantisk sökning, rekommendationer av relaterat innehåll, klustring, klassificering eller upptäckt av ovanliga textposter.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
text-embedding-ada-002 är OpenAIs textinbäddningsmodell för att representera skriftligt material som en numerisk vektor. Utdata innehåller 1 536 komponenter. Tillverkaren kombinerar likhet mellan texter, dokument-/frågesökning och kodsökning i en representation. Resultatet är data för jämförelse eller en annan algoritm, snarare än ett genererat svar på texten som bäddas in.
För semantisk sökning förbereds meningsfulla dokumenttextstycken och deras källidentifierare bevaras. Ett illustrativt arbetsflöde bäddar in varje textstycke och användarens fråga med samma modell, jämför vektorerna och returnerar relevanta källtextstycken. Applikationen bestämmer sökregeln, filtren och presentationen. Ett efterföljande textgenereringssteg kan använda det hämtade materialet för att utveckla ett svar, medan inbäddningsmodellen ger den numeriska representationen.
Andra dokumenterade användningsområden är gruppering av liknande poster, rekommendationer av relaterat innehåll, klassificering av text och identifiering av avvikare. För en rekommendation jämförs beskrivningar av objekten vars relation är relevant. För klassificering beskriver guiden jämförelse med kategorirepresentationer eller användning av vektorer som egenskaper i en klassificerare. För avvikelsedetektering är det relevanta resultatet en post som skiljer sig från den omgivande samlingen, tolkad enligt produktens uppgift.
OpenAI anger en maximal indatalängd på 8 192 token för denna modell. Tillverkarens inbäddnings-API accepterar textsträngar eller tokeniserade indata, tillåter flera inmatade objekt i en begäran och avvisar tomma strängar. Dess sammanlagda gräns är 300 000 token i en begäran, utöver gränsen per inmatat objekt. Dela upp längre dokument i användbara textstycken och bevara titlar, definitioner och referensen tillbaka till originalmaterialet.
Utdata är en vektor av flyttalsvärden; tillverkaren dokumenterar även base64 som alternativ transportkodning. OpenAIs parameter för att minska antalet dimensioner gäller inbäddningsmodeller från tredje generationen och senare, så Ada-modellens dokumenterade resultat med 1 536 dimensioner hålls åtskilt från den inställningen. Lagra modellidentiteten och vektorn tillsammans med källposten så att senare jämförelser använder en konsekvent representation.
Inbäddningsguiden rekommenderar cosinuslikhet och anger att OpenAIs inbäddningar är normaliserade till enhetslängd. För dessa vektorer kan en skalärprodukt beräkna cosinuslikhet och euklidiskt avstånd ger samma rangordning. En likhetspoäng är en del av applikationens sök- eller klassificeringslogik, inte ett beslut om kategori som modellen automatiskt ger.
Definiera vilka källfält som blir indatatexten och hur textstycken ska delas upp. Ett illustrativt resultat är en rangordnad uppsättning dokumenttextstycken eller relaterade poster, var och en kopplad till sin ursprungliga källa och regeln som användes för urvalet. Håll förberedelsen konsekvent och utvärdera om det returnerade materialet behandlar den faktiska frågan. Detta gör det numeriska resultatet användbart för nästa sök-, rekommendations- eller analyssteg.
POST /v1/embeddingstextembedding| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser text-embedding-ada-002 | 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 $0.0002 / 1K token Utdata · Utdatatoken $0 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "text-embedding-ada-002",\n "input": [\n "First document",\n "Second document"\n ],\n "encoding_format": "float"\n}set -eu\n: "${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-ada-002', '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-ada-002', '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-ada-002, text-embedding-ada-002
Använd metodsökvägarna som visas ovan.