Hopp til hovedinnhold
POST
/
v1
/
embeddings
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
  }
}

​
Oversikt

Embeddings API genererer vektorrepresentasjoner av tekst som fanger opp semantisk mening. Disse vektorene kan brukes til semantisk søk, klynging, klassifisering, anomalideteksjon og retrieval-augmented generation (RAG). CometAPI støtter embedding-modeller fra flere leverandører. Send inn én eller flere tekststrenger og få tilbake numeriske vektorer som du kan lagre i en vektordatabase eller bruke direkte til likhetsberegninger.

​
Tilgjengelige modeller

ModelDimensionsMax TokensBest For
text-embedding-3-large3,072 (justerbar)8,191Høyeste kvalitet på embeddings
text-embedding-3-small1,536 (justerbar)8,191Kostnadseffektiv, rask
text-embedding-ada-0021,536 (fast)8,191Eldre kompatibilitet
Se modellisten for alle tilgjengelige embedding-modeller og priser.

​
Viktige merknader

Redusere dimensjoner — Modellene text-embedding-3-* støtter parameteren dimensions, som lar deg forkorte embedding-vektoren uten vesentlig tap av nøyaktighet. Dette kan redusere lagringskostnadene med opptil 75 % samtidig som mesteparten av den semantiske informasjonen beholdes.
Batch Input — Du kan lage embeddings for flere tekster i én enkelt forespørsel ved å sende et array av strenger til parameteren input. Dette er betydelig mer effektivt enn å gjøre individuelle forespørsler for hver tekst.

Autorisasjoner

​
Authorization
string
header
påkrevd

Bearer token authentication. Use your CometAPI key.

Kropp

application/json
​
model
string
påkrevd

The embedding model to use. See the Models page for current embedding model IDs.

Eksempel:

"text-embedding-3-small"

​
input
påkrevd

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).

​
encoding_format
enum<string>
standard:float

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.

Tilgjengelige alternativer:
float,
base64
​
dimensions
integer

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.

Nødvendig område: x >= 1
​
user
string

A unique identifier for your end-user, which can help monitor and detect abuse.

Svar

200 - application/json

A list of embedding vectors for the input text(s).

​
object
enum<string>

The object type, always list.

Tilgjengelige alternativer:
list
Eksempel:

"list"

​
data
object[]

An array of embedding objects, one per input text. When multiple inputs are provided, results are returned in the same order as the input.

​
model
string

The model used to generate the embeddings.

Eksempel:

"text-embedding-3-small"

​
usage
object

Token usage statistics for this request.