Dokumentacja referencyjna API
Przewodniki integracji
Cennik i rozliczenia
Embeddings
POST /v1/embeddings generuje osadzenia tekstu przy użyciu wybranego modelu do semantycznego wyszukiwania, klastrowania i workflow retrieval za pośrednictwem 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
}
}Przegląd
API Embeddings generuje wektorowe reprezentacje tekstu, które odwzorowują znaczenie semantyczne. Te wektory mogą być używane do semantycznego wyszukiwania, klastrowania, klasyfikacji, wykrywania anomalii oraz retrieval-augmented generation (RAG). CometAPI obsługuje modele embeddingów od wielu dostawców. Przekaż jeden lub więcej ciągów tekstowych, a w odpowiedzi otrzymasz wektory liczbowe, które możesz przechowywać w bazie wektorowej lub używać bezpośrednio do obliczeń podobieństwa.Dostępne modele
| Model | Wymiary | Maks. tokenów | Najlepsze zastosowanie |
|---|---|---|---|
text-embedding-3-large | 3,072 (regulowane) | 8,191 | Embeddings najwyższej jakości |
text-embedding-3-small | 1,536 (regulowane) | 8,191 | Ekonomiczne i szybkie |
text-embedding-ada-002 | 1,536 (stałe) | 8,191 | Zgodność ze starszymi wersjami |
Ważne uwagi
text-embedding-3-* obsługują parametr dimensions, który pozwala skrócić wektor embeddingu bez istotnej utraty dokładności. Może to obniżyć koszty przechowywania nawet o 75%, przy zachowaniu większości informacji semantycznych.input. Jest to znacznie bardziej wydajne niż wykonywanie osobnych żądań dla każdego tekstu.Autoryzacje
Bearer token authentication. Use your CometAPI key.
Treść
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.
Odpowiedź
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
}
}