text-embedding-3-small (OpenAI)
нейрожелі
text-embedding-3-small — OpenAI эмбеддингтерінің (ada моделі) жақсартылған, өнімділігі жоғары нұсқасы. Ол семантикалық іздеу, кластерлеу, ұсыныстар және ұқсастықты өлшеу үшін ыңғайлы мәтіннің ықшам векторлық көріністерін жасайды. BotHub арқылы бірыңғай жеке кабинетте қолдануға болады.
Сипаттамалары
- Кіріс деректер
- мәтін
- Нәтиже
- векторлар (эмбеддингтер)
- Контекст өлшемі
- 8 192 токен
- Вектор өлшемділігі
- 1 536
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-small',
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-small (OpenAI)?
BotHub-та text-embedding-3-small моделін қолданып көріңіз — жеке кабинетте қосу және тестілеу.text-embedding-3-small (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 Small мәтінді семантикалық іздеу, retrieval-augmented generation, кластерлеу, ұсыныстар және ұқсастық бойынша іздеу тапсырмалары үшін тығыз сандық векторларға түрлендіреді. Сіз векторлық деректер базасында индекстеуге және салыстыруға жарамды векторлық көріністерді аласыз.
Модель ұқсастықты есептеуге және Qdrant, pgvector және басқа векторлық қоймаларда индекстеуге жарамды тығыз сандық векторларды (жылжымалы нүктелі сандар массивтері) шығарады. Максималды кіріс ұзындығы 4095 токен деп көрсетілген, нәтижелері эмбеддингтер түрінде қайтарылады.
Біздің деректерде жауап алдында пайымдаулар белгіленбеген. Эмбеддинг-модельдер әдетте сатылы пайымдауларға емес, мәтін үзіндісінің мағынасын көрсетуге бағытталады; егер сізге ойлау тізбегі мен түсіндірме қажет болса, эмбеддингтерді емес, мәтіндік LLM қолданған жөн.
Функцияларды шақыру және құрылымдалған JSON біздің деректерде белгіленбеген. Эмбеддингтер функцияларды орындауды немесе басқарылатын құрылымдарды генерациялауды емес, сандық векторларды қайтарады; JSON және function calling үшін осы мүмкіндіктерді қолдайтын арнайы мәтіндік API немесе LLM пайдаланыңыз.
Суреттерді, аудио немесе видеоны қабылдау біздің деректерде белгіленбеген. Модель EMBEDDING ретінде жіктелген және мәтіндік сипаттамаларды векторлауға арналған; мультимодальды кірістермен жұмыс істеу үшін медиа жүктеуді және олардан эмбеддингтер генерациялауды қолдайтын модельдерді таңдаңыз.
Бұл модель үшін орыс тілін түсіну сапасы туралы біздің ақпаратта деректер көрсетілмеген. Эмбеддингтер мәтіндердің семантикалық жақындығын көрсетеді, бірақ орыс тіліндегі түпкілікті тиімділік құжаттарды индекстейтін және салыстыратын корпусқа байланысты болады.