text-embedding-3-large (OpenAI)
нейрожелі
text-embedding-3-large — ағылшын тіліндегі және көптілді тапсырмаларға арналған OpenAI-дің ең қуатты эмбеддинг моделі. Мәтінді семантикалық жақындықты өлшеу үшін сандық векторларға түрлендіреді және семантикалық іздеуде, кластерлеуде, ұсыныс жүйелерінде және дедупликацияда қолданылады. Модель BotHub арқылы қолжетімді — жеке кабинеттен VPN-сіз қосылыңыз және рубльмен төлей отырып, жобаларыңызға біріктіріңіз.
Сипаттамалары
- Кіріс деректер
- мәтін
- Нәтиже
- векторлар (эмбеддингтер)
- Контекст өлшемі
- 8 192 токен
- Вектор өлшемділігі
- 3 072
Промптың құны
(1М токенге қарай)
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-3-large',
input: 'The food was delicious and the waiter...',
encoding_format: 'float'
});
const embedding = response.data[0].embedding;
console.log(embedding);
}main();
Қалай жұмыс істейді text-embedding-3-large (OpenAI)?
BotHub-та text-embedding-3-large қолданып көріңіз — семантикалық іздеуді жылдам іске қосу.text-embedding-3-large (OpenAI) туралы жиі қойылатын сұрақтар
Генерация нәтижелерін коммерциялық мақсатта пайдалана аласыз. Жасалған контентке барлық құқық сізге тиесілі. Жалғыз шектеу: сұрауда үшінші тараптардың авторлық құқықпен қорғалған материалдары пайдаланылмағанына көз жеткізіңіз. Кіріс деректерінің құқықтарын сақтау жауапкершілігі пайдаланушыға жүктеледі.
Text Embedding 3 Large мәтінді семантикалық іздеу, индекстеу, RAG, кластерлеу, ұқсас құжаттарды табу және дубликаттарды анықтау тапсырмалары үшін сандық векторларға түрлендіреді. Векторлық дерекқорлармен біріктіруге және OpenAI-үйлесімді API арқылы пайдалануға жарамды.
Модель сандық вектор-эмбеддингтерді — Qdrant, pgvector және басқа векторлық дерекқорларда индекстеуге жарамды нақты сандар массивтерін қайтарады. OpenAI-үйлесімді API арқылы эмбеддингтер әдетте сандар тізімі ретінде келеді, олар сақтауға және ұқсастық бойынша іздеуге дайын болады.
Біздің деректерде модель жауап берер алдында пайымдау жасайтыны көрсетілмеген. Оның негізгі функциясы — мәтіннің векторлық көрсетілімін беру; кезең-кезеңімен түсіндіру немесе chain-of-thought генеративті мәтіндік модельдерге тән, эмбеддингтерге емес.
Біздің деректерде function calling немесе құрылымды JSON-шығарудың бар екендігі көрсетілмеген. Эмбеддингтер сандық массивтерді қайтарады; егер құрылымды JSON қажет болса, оны әдетте клиент жағында қалыптастырады немесе құрылымды жауаптарды генерациялау үшін мәтіндік модельдерді қолданады.
Біздің деректерде модель құжаттарды кіріс ретінде қабылдайтыны көрсетілген; кескіндерді, аудио немесе бейнелерді қабылдау туралы тікелей белгі жоқ. Мультимодальды тапсырмалар үшін әдетте арнайы модельдер қолданылады, ал мәтіндік құжаттар осы қызмет арқылы эмбеддингтер алуға жарамды.
Біздің деректерде орыс тіліндегі сапа бойынша нақты ақпарат жоқ. Жалпы алғанда, эмбеддингтер мәтіндердің семантикасын көрсетеді, сондықтан орыстілді тапсырмалар үшін сапа оқу кезіндегі тілдік деректердің қамтылуына, сондай-ақ сіздің тесттеріңізге, алдын ала өңдеуіңізге және индекстеуіңізге байланысты.