Specyfikacje techniczne text-embedding-3-small
| Pozycja | Szczegóły |
|---|---|
| Model ID | text-embedding-3-small |
| Typ modelu | Model osadzania tekstu |
| Opis | Niewielki model osadzania tekstu przeznaczony do wydajnego przetwarzania. |
| Główne zastosowanie | Konwersja tekstu na gęste wektory osadzeń do zadań wyszukiwania semantycznego, wyszukiwania informacji, klastrowania, klasyfikacji i zadań podobieństwa |
| Modalność wejścia | Tekst |
| Modalność wyjścia | Wektory osadzeń |
| Przydatność kontekstowa | Zoptymalizowany pod kątem wydajnych zadań osadzania tekstu |
| Typowy wzorzec integracji | Generowanie osadzeń przez API dla dalszych systemów NLP i wyszukiwania informacji |
Czym jest text-embedding-3-small?
text-embedding-3-small to model osadzania tekstu zaprojektowany do przekształcania tekstu w numeryczne reprezentacje wektorowe odzwierciedlające znaczenie semantyczne. Te osadzenia ułatwiają aplikacjom porównywanie fragmentów tekstu pod kątem podobieństwa, a nie wyłącznie dopasowania słów kluczowych.
Ponieważ jest to mały model osadzania, text-embedding-3-small doskonale nadaje się do wydajnego przetwarzania w systemach produkcyjnych, które wymagają krótkiego czasu odpowiedzi i skalowalnego generowania osadzeń. Można go używać w przepływach pracy, takich jak wyszukiwanie semantyczne, potoki rekomendacyjne, pobieranie dokumentów, deduplikacja, dopasowywanie intencji oraz indeksowanie baz wiedzy.
Główne funkcje text-embedding-3-small
- Wydajne generowanie osadzeń: Zaprojektowany do szybkiej i lekkiej konwersji tekstu na wektory w aplikacjach wymagających responsywności.
- Rozumienie semantyczne: Koduje tekst w osadzeniach, które pomagają uchwycić znaczenie i podobieństwo kontekstowe wykraczające poza proste pokrywanie się leksykalne.
- Skalowalne wdrożenie: Odpowiedni do potoków o dużej przepustowości, takich jak indeksowanie dokumentów, korpusów wyszukiwania, FAQ, katalogów produktów lub treści wsparcia.
- Wszechstronne wykorzystanie w dalszych etapach: Obsługuje przypadki użycia, w tym wyszukiwanie informacji, przygotowanie do rerankingu, klastrowanie, klasyfikację, rekomendacje i wykrywanie duplikatów.
- Integracja przyjazna API: Dobrze współpracuje ze współczesnymi stosami aplikacyjnymi, które polegają na programowym generowaniu osadzeń poprzez hostowane interfejsy API.
Jak uzyskać dostęp i zintegrować text-embedding-3-small
Krok 1: Zarejestruj się, aby uzyskać klucz API
Aby rozpocząć, zarejestruj się na platformie CometAPI i wygeneruj klucz API w panelu. Po uzyskaniu klucza przechowuj go bezpiecznie i używaj go do uwierzytelniania wszystkich żądań do interfejsu API text-embedding-3-small.
Krok 2: Wyślij żądania do interfejsu API text-embedding-3-small
Gdy masz już klucz API, wysyłaj żądania HTTPS do punktu końcowego CometAPI i określ text-embedding-3-small jako model. Dołącz tekst wejściowy w treści żądania i upewnij się, że nagłówek autoryzacji jest poprawnie skonfigurowany.
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"
}'
Krok 3: Odbierz i zweryfikuj wyniki
Po przetworzeniu żądania interfejs API zwraca dane osadzeń dla dostarczonego wejścia. Sprawdź, czy odpowiedź zawiera oczekiwany wektor wyjściowy, potwierdź, że żądanie zakończyło się powodzeniem, a następnie zapisz osadzenia lub przekaż je do potoku wyszukiwania, pobierania, rankingowania lub analityki.