Caractéristiques techniques de text-embedding-3-small
| Élément | Détails |
|---|---|
| ID du modèle | text-embedding-3-small |
| Type de modèle | Modèle d'embeddings de texte |
| Description | Un petit modèle d'embeddings de texte pour un traitement efficace. |
| Usage principal | Conversion de texte en vecteurs denses (embeddings) pour la recherche sémantique, la récupération, le regroupement, la classification et les tâches de similarité |
| Modalité d’entrée | Texte |
| Modalité de sortie | Vecteurs d’embeddings |
| Adéquation au contexte | Optimisé pour des charges de travail d’embeddings de texte efficaces |
| Schéma d’intégration typique | Génération d’embeddings via API pour les systèmes NLP et de récupération en aval |
Qu'est-ce que text-embedding-3-small ?
text-embedding-3-small est un modèle d’embeddings de texte conçu pour transformer le texte en représentations vectorielles numériques capturant la signification sémantique. Ces embeddings facilitent la comparaison de passages de texte par similarité plutôt que par correspondance exacte de mots-clés.
Parce qu’il s’agit d’un petit modèle d’embeddings, text-embedding-3-small se prête bien à un traitement efficace dans des systèmes de production nécessitant un délai d’exécution rapide et une génération d’embeddings évolutive. Il peut être utilisé dans des flux de travail tels que la recherche sémantique, des pipelines de recommandation, la récupération de documents, la déduplication, la correspondance d’intentions et l’indexation de bases de connaissances.
Principales fonctionnalités de text-embedding-3-small
- Génération d’embeddings efficace : Conçu pour une conversion texte-vers-vecteur rapide et légère dans des applications nécessitant des performances réactives.
- Compréhension sémantique : Encode le texte en embeddings qui capturent le sens et la similarité contextuelle au-delà du simple chevauchement lexical.
- Déploiement évolutif : Convient aux pipelines à grand volume tels que l’indexation de documents, des corpus de recherche, des FAQ, des catalogues produits ou des contenus d’assistance.
- Utilisation en aval polyvalente : Prend en charge des cas d’usage tels que la récupération, la préparation au reranking, le regroupement, la classification, la recommandation et la détection de doublons.
- Intégration adaptée aux API : Fonctionne bien dans des piles applicatives modernes qui reposent sur une génération d’embeddings programmatique via des API hébergées.
Comment accéder à text-embedding-3-small et l’intégrer
Étape 1 : S’inscrire pour obtenir une clé API
Pour commencer, inscrivez-vous sur la plateforme CometAPI et générez votre clé API depuis le tableau de bord. Après avoir obtenu la clé, stockez-la en toute sécurité et utilisez-la pour authentifier toutes les requêtes vers l’API text-embedding-3-small.
Étape 2 : Envoyer des requêtes à l’API text-embedding-3-small
Une fois votre clé API obtenue, envoyez des requêtes HTTPS vers l’endpoint CometAPI et indiquez text-embedding-3-small comme modèle. Incluez votre texte d’entrée dans le corps de la requête et assurez-vous que votre en-tête d’autorisation est correctement configuré.
curl https://api.cometapi.com/v1/embeddings \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $COMETAPI_API_KEY" \
-d '{
"model": "text-embedding-3-small",
"input": "Your text goes here"
}'
Étape 3 : Récupérer et vérifier les résultats
Une fois la requête traitée, l’API renvoie les données d’embeddings pour l’entrée fournie. Vérifiez que la réponse contient le vecteur attendu, confirmez que la requête s’est terminée avec succès, puis stockez ou transmettez les embeddings à votre pipeline de recherche, de récupération, de classement ou d’analytique.