Embeddings(向量生成)
POST
/embeddingsOpenAI的文本embeddings用于衡量文本字符串之间的相关性。embeddings通常用于:
搜索(其中结果按照与查询字符串的相关性进行排名)
聚类(其中文本字符串按相似性分组)
推荐(推荐与相关文本字符串相关的项目)
异常检测(识别与众不同、相关性较小的异常值)
多样性测量(分析相似性分布)
分类(按最相似的标签对文本字符串进行分类)
embedding是一个浮点数列表(向量)。两个向量之间的距离衡量它们的相关性。小距离表明高度相关,大距离表明相关性低。
请求参数
Header 参数
Authorization
string
可选
示例值:
Bearer {{YOUR_API_KEY}}
Body 参数application/json
model
string
必需
要使用的模型的 ID。您可以使用List models API 来查看所有可用模型,或查看我们的模型概述以了解它们的描述。
input
string
必需
输入文本以获取嵌入,编码为字符串或标记数组。要在单个请求中获取多个输入的嵌入,请传递一个字符串数组或令牌数组数组。每个输入的长度不得超过 8192 个标记。
示例
{
"model": "text-embedding-ada-002",
"input": "The food was delicious and the waiter..."
}
示例代码
返回响应
Create embeddings(200)
HTTP 状态码: 200
内容格式: JSONapplication/json
数据结构
object
string
必需
data
array [object {3}]
必需
object
string
可选
embedding
array[number]
可选
index
integer
可选
model
string
必需
usage
object
必需
prompt_tokens
integer
必需
total_tokens
integer
必需
示例Create embeddings
{
"object": "list",
"data": [
{
"object": "embedding",
"embedding": [
0.0023064255,
-0.009327292,
.... (1536 floats total for ada-002)
-0.0028842222
],
"index": 0
}
],
"model": "text-embedding-ada-002",
"usage": {
"prompt_tokens": 8,
"total_tokens": 8
}
}
修改于 5 个月前