Tekniske spesifikasjoner for text-embedding-3-small
| Element | Detaljer |
|---|---|
| Model ID | text-embedding-3-small |
| Modelltype | Tekst-embedding-modell |
| Beskrivelse | En liten tekst-embedding-modell for effektiv prosessering. |
| Primær bruk | Konvertere tekst til tette embedding-vektorer for semantisk søk, gjenfinning, klynging, klassifisering og likhetsoppgaver |
| Inndatamodalitet | Tekst |
| Utdatamodalitet | Embedding-vektorer |
| Kontekstegnethet | Optimalisert for effektive tekst-embedding-arbeidslaster |
| Typisk integrasjonsmønster | API-basert generering av embeddings for nedstrøms NLP- og gjenfinningssystemer |
Hva er text-embedding-3-small?
text-embedding-3-small er en tekst-embedding-modell utviklet for å transformere tekst til numeriske vektorrepresentasjoner som fanger semantisk mening. Disse embeddingene gjør det enklere for applikasjoner å sammenligne tekst etter likhet i stedet for eksakt nøkkelordmatching.
Siden dette er en liten embedding-modell, passer text-embedding-3-small godt for effektiv prosessering i produksjonssystemer som trenger rask behandlingstid og skalerbar generering av embeddings. Den kan brukes i arbeidsflyter som semantisk søk, anbefalingspipeliner, dokumentgjenfinning, deduplisering, intensjonsmatching og indeksering av kunnskapsbaser.
Hovedfunksjoner for text-embedding-3-small
- Effektiv generering av embeddings: Utformet for rask og lettvekts konvertering fra tekst til vektor i applikasjoner som trenger responsiv ytelse.
- Semantisk forståelse: Koder tekst i embeddings som hjelper til å fange mening og kontekstuell likhet utover enkel leksikalsk overlapp.
- Skalerbar utrulling: Egnet for høyt volum, som indeksering av dokumenter, søkekorpora, FAQ-er, produktkataloger eller støtteinnhold.
- Allsidig bruk nedstrøms: Støtter brukstilfeller som gjenfinning, forberedelse til reranking, klynging, klassifisering, anbefaling og duplikatdeteksjon.
- API-vennlig integrasjon: Fungerer godt i moderne applikasjonsstakker som baserer seg på programmatisk embedding-generering via hostede API-er.
Slik får du tilgang til og integrerer text-embedding-3-small
Trinn 1: Registrer deg for en API-nøkkel
For å komme i gang, registrer deg på CometAPI-plattformen og generer API-nøkkelen fra dashbordet. Etter å ha mottatt nøkkelen, oppbevar den sikkert og bruk den til å autentisere alle forespørsler til text-embedding-3-small-API-et.
Trinn 2: Send forespørsler til text-embedding-3-small-API-et
Når du har API-nøkkelen din, send HTTPS-forespørsler til CometAPI-endepunktet og spesifiser text-embedding-3-small som modell. Inkluder inndatateksten i forespørselens kropp og sørg for at autorisasjonsheaderen er riktig konfigurert.
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"
}'
Trinn 3: Hent og verifiser resultater
Når forespørselen er behandlet, returnerer API-et embedding-data for den oppgitte inndataen. Kontroller at svaret inkluderer forventet vektorutdata, bekreft at forespørselen ble fullført vellykket, og lagre eller send deretter embeddingene videre til søke-, gjenfinnings-, rangerings- eller analysepipelinene dine.