Embedding-Übersicht
Wandeln Sie Text in Zahlenvektoren für semantische Suche, Dokumentensuche, Clustering und RAG um. Beide Modelle verwenden den OpenAI-kompatiblen Endpunkt POST /v1/embeddings. Die Antwort enthält Vektoren statt generierter Antworten.
Wandeln Sie Text in Zahlenvektoren für semantische Suche, Dokumentensuche, Clustering und RAG um. Beide Modelle verwenden den OpenAI-kompatiblen Endpunkt POST /v1/embeddings. Die Antwort enthält Vektoren statt generierter Antworten.
Modell auswählen
| Modell | Standarddimensionen | Anleitung |
|---|---|---|
text-embedding-3-small |
1536 | text-embedding-3-small |
bge-m3 |
1024 | BGE-M3 |
Ein Embedding-Modell von OpenAI mit standardmäßig 1536 Dimensionen für semantische Suche und Wissensdatenbanken. Die Ausgabe mit 512 Dimensionen über dimensions wurde in APIMaster ebenfalls getestet.
Ein mehrsprachiges Embedding-Modell von BAAI mit 1024 Dimensionen für die Dokumentensuche. Diese API liefert dichte Vektoren, keine dünnbesetzten Gewichte oder ColBERT-Vektoren. Ein spezielles Anweisungspräfix für Suchanfragen ist nicht erforderlich.
Parameter und Grenzen
POST https://apimaster.ai/v1/embeddings
Übergeben Sie in input eine nicht leere Zeichenfolge oder ein Array nicht leerer Zeichenfolgen. encoding_format: float liefert Zahlenarrays. Verwenden Sie keine messages, max_tokens oder stream. Die Modellreferenz nennt 8192 Tokens pro Text; teilen Sie lange Dokumente auf und halten Sie Batches klein. Grenzen und Tokenisierung können je nach Route variieren.
Semantische Suche und RAG
Teilen Sie Dokumente in Abschnitte, erzeugen und speichern Sie deren Vektoren. Erzeugen Sie Suchvektoren mit demselben Modell und derselben Dimension, sortieren Sie nach Kosinusähnlichkeit und geben Sie die gefundenen Texte an ein separates Chatmodell weiter. Mischen Sie keine unterschiedlichen Modelle oder Dimensionen in einem Index; bauen Sie ihn bei Modellwechsel neu auf.