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.
Характеристики
- Входные данные
- текст
- Результат
- векторы (эмбеддинги)
- Размер контекста
- 8 192 токена
- Размерность вектора
- 1 536
Стоимость промпта
(за 1M токенов)
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();
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.