text-embedding-ada-002 (эмбеддингтер)

нейрожелі

text-embedding-ada-002 — OpenAI-дің мәтінді векторлық көріністерге түрлендіруге арналған legacy-моделі. Семантикалық іздеуге, кластерлеуге, ұсынымдарға және дубликаттарды табуға жарамды тығыз эмбеддингтер жасайды. BotHub арқылы рубльмен төлеп, VPN-сіз қолжетімді.

Басты бет

/

Модельдер

/

Embedding моделдері

/

text-embedding-ada-002 (эмбеддингтер)

Сипаттамалары

Кіріс деректер
мәтін
Нәтиже
векторлар (эмбеддингтер)
Контекст өлшемі
8 192 токен
Вектор өлшемділігі
1 536
10,86 ₽

Промптың құны

(1М токенге қарай)

*Бағалар API-ді ECO-провайдерлер арқылы қолданғанда көрсетілген.
text-embedding-ada-002 (эмбеддингтер) үшін API және код үлгісіБіз OpenAI API-іне толық қолжетімділікті ұсынамыз. Біздің барлық соңғы нүктелер OpenAI-мен толық сәйкес келеді, оларды плагиндермен де, SDK арқылы өз бағдарламаңызды әзірлегенде де қолдануға болады.API кілтін жасау
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

Қалай жұмыс істейді text-embedding-ada-002 (эмбеддингтер)?

text-embedding-ada-002 моделін BotHub-та қолданып көріңіз — эмбеддингтерді өз тапсырмаларыңызға қосыңыз.

text-embedding-ada-002 (эмбеддингтер) 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 Ada 002 мәтінді семантикалық іздеу, RAG, кластерлеу, дедупликация және жіктеу үшін сандық векторларға түрлендіреді. Векторлық дерекқорларда индекстер жасағанда, ұқсас құжаттарды іздегенде немесе ұсыным жүйелерін жылдамдатқанда жарамды.

Модель эмбеддингтерді Qdrant немесе pgvector сияқты векторлық дерекқорларда сақтауға дайын нақты мәндері бар сандық массивтер түрінде қайтарады. Шығыс пішімі — float массиві; вектордың сапасы мен өлшемділігі сіздің тапсырмаларыңыз үшін семантикалық түйіршіктілікті анықтайды.

Эмбеддингтер кезең-кезеңімен ойлауға арналмаған: модель түсініктемелер немесе ой тізбектерін емес, мәтіннің семантикалық белгілерін векторға кодтайды. Егер сізге қадамдық ойлау қажет болса, генеративті модельді, ал іздеу және сәйкестендіру үшін эмбеддингтерді пайдаланыңыз.

Біздің деректерде function calling немесе құрылымдық JSON-шығыс қолдауы көрсетілмеген. Эмбеддингтер API-і әдетте сандар массивтерін қайтарады, сондықтан егер сіз JSON құрылымдарын немесе функция шақыруларын күтсеңіз, тиісті чат немесе генеративті модельдерді қолданған жөн.

Біздің деректерде мәтіннен басқа енгізу жолдары көрсетілмеген; модель мәтіндік эмбеддингтерді жасауға маманданған. Егер мультимодальды енгізуді жоспарласаңыз, API-дегі қолдауды нақтылаңыз немесе оны қолдайтын мультимодальды эмбеддингтер мен модельдерді пайдаланыңыз.

Орыс тіліндегі мәтіндерге арналған эмбеддингтердің сапасы корпус пен оқытуға байланысты; біздің деректерде тілдік кепілдік көрсетілмеген. Модельді өз мәтіндеріңізде сынап көріп, семантикалық іздеу, кластерлеу және дубликаттарды іздеу нәтижелерін бағалауды ұсынамыз.

Қолдау қызметі10:00-ден 18:00-ге дейін МСК жұмыс істейміз