text-embedding-ada-002 (эмбеддинги)

нейросеть

text-embedding-ada-002 — legacy-модель OpenAI для преобразования текста в векторные представления. Генерирует плотные эмбеддинги, применимые для семантического поиска, кластеризации, рекомендаций и обнаружения дубликатов. Доступна через BotHub с оплатой в рублях и без необходимости VPN.

Главная

/

Модели

/

Модели эмбеддингов

/

text-embedding-ada-002 (эмбеддинги)

Характеристики

Входные данные
текст
Результат
векторы (эмбеддинги)
Размер контекста
8 192 токена
Размерность вектора
1 536
10,86 ₽

Стоимость промпта

(за 1M токенов)

*Указаны цены при использовании API через ECO-провайдеров.
Пример кода и API для text-embedding-ada-002 (эмбеддинги)Мы предлагаем полный доступ к API OpenAI через наш сервис. Все наши конечные точки полностью соответствуют конечным точкам OpenAI, их можно использовать как с плагинами, так и при разработке собственного программного обеспечения через SDK.Создать API ключ
import OpenAI from 'openai';
const openai = new OpenAI({
  apiKey: '<your bothub access token>',
  baseURL: 'https://openai.bothub.chat/v1'
});

async function main() {
  const response = await openai.embeddings.create({
    model: 'text-embedding-ada-002',
    input: 'The food was delicious and the waiter...',
    encoding_format: 'float'
  });

  const embedding = response.data[0].embedding;

  console.log(embedding);
}
main();
illustaration

Как работает text-embedding-ada-002 (эмбеддинги)?

Попробуйте text-embedding-ada-002 на BotHub — подключите эмбеддинги к своим задачам.

Частые вопросы о text-embedding-ada-002 (эмбеддинги)

Вы можете использовать результаты генерации в коммерческих целях. Все права на созданный контент принадлежат вам. Единственное ограничение: убедитесь, что в запросе не использовались защищённые авторским правом материалы третьих сторон. Ответственность за соблюдение прав на входные данные лежит на пользователе.

Text Embedding Ada 002 преобразует текст в числовые векторы для семантического поиска, RAG, кластеризации, дедупликации и классификации. Подходит, когда вы создаёте индексы в векторных БД, ищете похожие документы или ускоряете рекомендательные системы.

Модель возвращает эмбеддинги в виде числовых массивов вещественных значений, готовых для хранения в векторных БД вроде Qdrant или pgvector. Формат вывода — массив float; качество и размерность вектора определяют семантическую гранулярность для ваших задач.

Эмбеддинги не предназначены для поэтапных рассуждений: модель кодирует семантические признаки текста в вектор, а не генерирует объяснения или цепочки мыслей. Если вы хотите пошаговые рассуждения, используйте генеративную модель, а эмбеддинги — для поиска и сопоставления.

В наших данных не отмечено наличие поддержки function calling или структурированного JSON-вывода. API эмбеддингов обычно возвращает массивы чисел, поэтому если вы ожидаете JSON-структуры или вызовы функций, лучше применять соответствующие чат- или генеративные модели.

В наших данных не отмечено приёма помимо текста; модель специализируется на генерации текстовых эмбеддингов. Если вы планируете мультимодальный ввод, уточните поддержку в API или используйте мультимодальные эмбеддинги и модели, которые это поддерживают.

Качество эмбеддингов для русскоязычных текстов зависит от корпуса и обучения; в наших данных языковая гарантия не указана. Рекомендуем вам протестировать модель на ваших текстах и оценить результаты семантического поиска, кластеризации и поиска дублей.

Служба поддержкиРаботаем с 10:00 до 18:00 по МСК