Технические характеристики text-embedding-3-small
| Параметр | Описание |
|---|---|
| Идентификатор модели | text-embedding-3-small |
| Тип модели | Модель текстовых эмбеддингов |
| Описание | Небольшая модель текстовых эмбеддингов для эффективной обработки. |
| Основное назначение | Преобразование текста в плотные векторные эмбеддинги для задач семантического поиска, извлечения, кластеризации, классификации и оценки сходства |
| Входная модальность | Текст |
| Выходная модальность | Векторы эмбеддингов |
| Контекстная применимость | Оптимизирована для эффективных рабочих нагрузок по созданию текстовых эмбеддингов |
| Типовой паттерн интеграции | Генерация эмбеддингов через API для последующих NLP- и систем извлечения |
Что такое text-embedding-3-small?
text-embedding-3-small — это модель текстовых эмбеддингов, предназначенная для преобразования текста в числовые векторные представления, отражающие семантическое значение. Такие эмбеддинги упрощают приложениям сравнение фрагментов текста по схожести, а не по точному совпадению ключевых слов.
Поскольку это небольшая модель эмбеддингов, text-embedding-3-small хорошо подходит для эффективной обработки в продуктивных системах, которым нужны быстрый отклик и масштабируемая генерация эмбеддингов. Ее можно использовать в рабочих процессах, таких как семантический поиск, рекомендательные конвейеры, извлечение документов, дедупликация, сопоставление намерений и индексация базы знаний.
Основные возможности text-embedding-3-small
- Эффективная генерация эмбеддингов: Разработана для быстрого и легковесного преобразования текста в векторы в приложениях, требующих высокой отзывчивости.
- Семантическое понимание: Кодирует текст в эмбеддинги, которые помогают фиксировать значение и контекстное сходство, выходя за рамки простого лексического совпадения.
- Масштабируемое развёртывание: Подходит для высоконагруженных конвейеров, таких как индексация документов, корпусов поиска, FAQ, каталогов товаров или справочного контента.
- Универсальное применение на последующих этапах: Поддерживает сценарии, включая извлечение, подготовку к повторному ранжированию, кластеризацию, классификацию, рекомендации и выявление дублей.
- Интеграция через API: Хорошо вписывается в современные стеки приложений, полагающиеся на программную генерацию эмбеддингов через размещённые API.
Как получить доступ и интегрировать text-embedding-3-small
Шаг 1: Зарегистрируйтесь и получите ключ API
Чтобы начать, зарегистрируйтесь на платформе CometAPI и сгенерируйте ключ API в панели управления. После получения ключа храните его в безопасности и используйте для аутентификации всех запросов к API text-embedding-3-small.
Шаг 2: Отправьте запросы к API text-embedding-3-small
Получив ключ API, отправляйте HTTPS-запросы на конечную точку CometAPI и указывайте text-embedding-3-small как модель. Включите входной текст в тело запроса и убедитесь, что заголовок авторизации настроен корректно.
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"
}'
Шаг 3: Получите и проверьте результаты
После обработки запроса API возвращает данные эмбеддингов для переданного ввода. Убедитесь, что ответ содержит ожидаемый векторный вывод, подтвердите успешное выполнение запроса, затем сохраните эмбеддинги или передайте их в ваш поисковый, извлекательный, ранжировочный или аналитический конвейер.