Riferimento API
Guide all'integrazione
Prezzi e fatturazione
Embeddings
POST /v1/embeddings genera text embeddings con un modello scelto per flussi di lavoro di ricerca semantica, clustering e retrieval tramite CometAPI.
from openai import OpenAI
client = OpenAI(
base_url="https://api.cometapi.com/v1",
api_key="<COMETAPI_KEY>",
)
response = client.embeddings.create(
model="text-embedding-3-small",
input="The food was delicious and the waiter was friendly.",
)
print(response.data[0].embedding[:5]) # First 5 dimensions
print(f"Dimensions: {len(response.data[0].embedding)}"){
"object": "list",
"data": [
{
"object": "embedding",
"index": 0,
"embedding": [
-0.0021,
-0.0491,
0.0209,
0.0314,
-0.0453
]
}
],
"model": "text-embedding-3-small",
"usage": {
"prompt_tokens": 2,
"total_tokens": 2
}
}Panoramica
L’API Embeddings genera rappresentazioni vettoriali del testo che catturano il significato semantico. Questi vettori possono essere usati per ricerca semantica, clustering, classificazione, rilevamento di anomalie e retrieval-augmented generation (RAG). CometAPI supporta modelli di embedding di più provider. Passa una o più stringhe di testo e ricevi in risposta vettori numerici che puoi archiviare in un database vettoriale o usare direttamente per i calcoli di similarità.Modelli disponibili
| Model | Dimensions | Max Tokens | Best For |
|---|---|---|---|
text-embedding-3-large | 3,072 (regolabili) | 8,191 | Embeddings della massima qualità |
text-embedding-3-small | 1,536 (regolabili) | 8,191 | Conveniente e veloce |
text-embedding-ada-002 | 1,536 (fisse) | 8,191 | Compatibilità legacy |
Note importanti
text-embedding-3-* supportano il parametro dimensions, consentendoti di ridurre il vettore di embedding senza una perdita significativa di accuratezza. Questo può ridurre i costi di archiviazione fino al 75% mantenendo la maggior parte delle informazioni semantiche.input. Questo è significativamente più efficiente che effettuare richieste individuali per ogni testo.Autorizzazioni
Bearer token authentication. Use your CometAPI key.
Corpo
The embedding model to use. See the Models page for current embedding model IDs.
"text-embedding-3-small"
The text to embed. Can be a single string, an array of strings, or an array of token arrays. Each input must not exceed the model's maximum token limit (8,191 tokens for text-embedding-3-* models).
The format of the returned embedding vectors. float returns an array of floating-point numbers. base64 returns a base64-encoded string representation, which can reduce response size for large batches.
float, base64 The number of dimensions for the output embedding vector. Only supported by text-embedding-3-* models. Reducing dimensions can lower storage costs while maintaining most of the embedding's utility.
x >= 1A unique identifier for your end-user, which can help monitor and detect abuse.
Risposta
A list of embedding vectors for the input text(s).
The object type, always list.
list "list"
An array of embedding objects, one per input text. When multiple inputs are provided, results are returned in the same order as the input.
Show child attributes
Show child attributes
The model used to generate the embeddings.
"text-embedding-3-small"
Token usage statistics for this request.
Show child attributes
Show child attributes
from openai import OpenAI
client = OpenAI(
base_url="https://api.cometapi.com/v1",
api_key="<COMETAPI_KEY>",
)
response = client.embeddings.create(
model="text-embedding-3-small",
input="The food was delicious and the waiter was friendly.",
)
print(response.data[0].embedding[:5]) # First 5 dimensions
print(f"Dimensions: {len(response.data[0].embedding)}"){
"object": "list",
"data": [
{
"object": "embedding",
"index": 0,
"embedding": [
-0.0021,
-0.0491,
0.0209,
0.0314,
-0.0453
]
}
],
"model": "text-embedding-3-small",
"usage": {
"prompt_tokens": 2,
"total_tokens": 2
}
}