Saltar para o conteúdo principal
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
  }
}

​
Visão geral

A API de Embeddings gera representações vetoriais de texto que capturam significado semântico. Esses vetores podem ser usados para busca semântica, clustering, classificação, detecção de anomalias e geração aumentada por recuperação (RAG). A CometAPI oferece suporte a modelos de embedding de vários provedores. Envie uma ou mais strings de texto e receba de volta vetores numéricos que você pode armazenar em um banco de dados vetorial ou usar diretamente em cálculos de similaridade.

​
Modelos disponíveis

ModelDimensionsMax TokensBest For
text-embedding-3-large3,072 (ajustável)8,191Embeddings de maior qualidade
text-embedding-3-small1,536 (ajustável)8,191Econômico e rápido
text-embedding-ada-0021,536 (fixo)8,191Compatibilidade legada
Consulte a lista de modelos para ver todos os modelos de embedding disponíveis e seus preços.

​
Observações importantes

Redução de dimensões — Os modelos text-embedding-3-* oferecem suporte ao parâmetro dimensions, permitindo encurtar o vetor de embedding sem perda significativa de precisão. Isso pode reduzir os custos de armazenamento em até 75%, mantendo a maior parte das informações semânticas.
Entrada em lote — Você pode gerar embeddings para vários textos em uma única solicitação passando um array de strings para o parâmetro input. Isso é significativamente mais eficiente do que fazer solicitações individuais para cada texto.

Autorizações

​
Authorization
string
header
obrigatório

Bearer token authentication. Use your CometAPI key.

Corpo

application/json
​
model
string
obrigatório

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

Exemplo:

"text-embedding-3-small"

​
input
obrigatório

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>
padrão: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.

Opções disponíveis:
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.

Intervalo necessário: x >= 1
​
user
string

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

Resposta

200 - application/json

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

​
object
enum<string>

The object type, always list.

Opções disponíveis:
list
Exemplo:

"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.

Exemplo:

"text-embedding-3-small"

​
usage
object

Token usage statistics for this request.