Перейти до основного вмісту
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
  }
}

​
Огляд

API Embeddings генерує векторні представлення тексту, які відображають семантичне значення. Ці вектори можна використовувати для семантичного пошуку, кластеризації, класифікації, виявлення аномалій і retrieval-augmented generation (RAG). CometAPI підтримує embedding-моделі від кількох провайдерів. Передайте один або кілька текстових рядків і отримайте назад числові вектори, які можна зберігати у векторній базі даних або безпосередньо використовувати для обчислення подібності.

​
Доступні моделі

ModelDimensionsMax TokensBest For
text-embedding-3-large3,072 (змінюється)8,191Найвища якість embeddings
text-embedding-3-small1,536 (змінюється)8,191Економно, швидко
text-embedding-ada-0021,536 (фіксовано)8,191Сумісність зі спадщиною
Перегляньте список моделей, щоб побачити всі доступні embedding-моделі та ціни.

​
Важливі примітки

Зменшення розмірності — Моделі text-embedding-3-* підтримують параметр dimensions, що дає змогу скорочувати embedding-вектор без значної втрати точності. Це може зменшити витрати на зберігання до 75%, зберігаючи більшість семантичної інформації.
Пакетний input — Ви можете створювати embeddings для кількох текстів в одному запиті, передаючи масив рядків у параметр input. Це значно ефективніше, ніж робити окремі запити для кожного тексту.

Авторизації

​
Authorization
string
header
обов'язково

Bearer token authentication. Use your CometAPI key.

Тіло

application/json
​
model
string
обов'язково

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

Приклад:

"text-embedding-3-small"

​
input
обов'язково

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>
за замовчуванням: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.

Доступні опції:
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.

Необхідний діапазон: x >= 1
​
user
string

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

Відповідь

200 - application/json

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

​
object
enum<string>

The object type, always list.

Доступні опції:
list
Приклад:

"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.

Приклад:

"text-embedding-3-small"

​
usage
object

Token usage statistics for this request.