Metin
Embedding Oluştur
Girdi metnini temsil eden bir embedding vektörü oluşturur
Mevcut embedding modellerini listelemek için GET /v1/models?recommended_for=embedding kullanın. Detaylarında embedding veya text-embedding işlemini listeleyen bir model kullanın. multimodal-embedding listeleyen bir model burada 400 unsupported_endpoint hatası döndürür; bunu Multimodal Embedding Oluştur uç noktasına gönderin.
İstek Gövdesi
Bu uç nokta, vektörler hazır olduktan sonra yanıt verir. Büyük toplu işlemler için HTTP istemcinizin zaman aşımı süresini en az 120s olarak ayarlayın.
Kullanılacak embedding modelinin kimliği (ID) (örneğin, text-embedding-3-small).
Embedding'e dönüştürülecek metin: bir dize veya bir dize dizisi. Token girdisini destekleyen modeller, tek bir token dizisi için number[] veya birden fazla dizi için number[][] biçimini de kabul eder. Öğe sayısı, öğe başına token sayısı ve istek başına token sayısı modele bağlıdır; bunları GET /v1/models/{model} üzerinden inceleyebilirsiniz.
floatEmbedding'ler için format: float veya base64.
Döndürülen her vektörün boyut sayısı; pozitif bir tam sayı. Yalnızca model ayrıntılarında dimensions listelendiğinde gönderin; maksimum değer modele bağlıdır.
Kötüye kullanım izleme amacıyla son kullanıcınızı temsil eden benzersiz bir tanımlayıcı.
Yanıt
Her zaman list.
Embedding nesnelerinin dizisi.
Her nesne şunları içerir:
object(string):embeddingindex(integer): Girdi dizisindeki dizinembedding(array | string):floatiçin sayısal bir vektör veyabase64için bir Base64 dizesi.
Kullanılan model.
prompt_tokens ve total_tokens içeren token kullanımı.
İstek
curl -X POST "https://api.tokenlab.sh/v1/embeddings" \
-H "Authorization: Bearer sk-your-api-key" \
-H "Content-Type: application/json" \
-d '{
"model": "text-embedding-3-small",
"input": "The quick brown fox jumps over the lazy dog"
}'Örnek vektör, okunabilirlik amacıyla kısaltılmıştır.
Yanıt
{
"object": "list",
"data": [
{
"object": "embedding",
"index": 0,
"embedding": [0.0023, -0.0194, 0.0081]
}
],
"model": "text-embedding-3-small",
"usage": {
"prompt_tokens": 9,
"total_tokens": 9
}
}Toplu Embedding'ler
# Embed multiple texts at once
response = client.embeddings.create(
model="text-embedding-3-small",
input=[
"First document text",
"Second document text",
"Third document text"
]
)
for i, data in enumerate(response.data):
print(f"Document {i}: {len(data.embedding)} dimensions")Hatalar
| Durum | Kod | Neden |
|---|---|---|
400 | invalid_request | Bir alan eksik veya yanlış türe sahip. param bu alanı belirtir |
400 | unsupported_endpoint | Model bu uç nokta için yayınlanmamış |
413 | İstek gövdesi çok büyük |
Diğer durumları API hatalarını işleme bölümündeki gibi ele alın.
İlgili arayüzler
multimodal-embedding listeleyen modeller için Multimodal Embedding Oluştur uç noktasını kullanın.
Yetkilendirme
BearerAuth API Anahtarı kimlik doğrulaması. API anahtarlarını Dashboard > API > API Keys bölümünden oluşturun veya yönetin.
Konum: header
Başlıklar
İstek bazlı Teslimat politikası. API anahtarı ve Çalışma Alanı varsayılanlarını geçersiz kılar. Otomatik olarak önce TokenLab Verified dener ve çıktı, istek kabulü veya kalıcı kaynak oluşturma öncesinde bir kez Official seçeneğine geçiş yapabilir.
Geçerli değerler
- "auto"
- "verified"
- "official"
İstek gövdesi
application/json
Yanıt
application/json
application/json
application/json
application/json
application/json
application/json
application/json
application/json