Introducción a los embeddings
Convierte texto en vectores numéricos para búsqueda semántica, recuperación de documentos, agrupación y RAG. Ambos modelos usan POST /v1/embeddings, compatible con OpenAI. La respuesta contiene vectores, no una respuesta generada.
Convierte texto en vectores numéricos para búsqueda semántica, recuperación de documentos, agrupación y RAG. Ambos modelos usan POST /v1/embeddings, compatible con OpenAI. La respuesta contiene vectores, no una respuesta generada.
Elegir un modelo
| Modelo | Dimensiones por defecto | Guía |
|---|---|---|
text-embedding-3-small |
1536 | text-embedding-3-small |
bge-m3 |
1024 | BGE-M3 |
Modelo de embeddings de OpenAI con 1536 dimensiones por defecto, útil para búsqueda semántica e índices de conocimiento. APIMaster también ha probado la salida de 512 dimensiones mediante dimensions.
Modelo multilingüe de BAAI con 1024 dimensiones para recuperación de documentos. Esta API devuelve vectores densos, sin pesos dispersos ni vectores ColBERT. No necesita un prefijo de instrucciones especial para la consulta.
Parámetros y límites
POST https://apimaster.ai/v1/embeddings
Envía en input una cadena no vacía o un arreglo de cadenas no vacías. encoding_format: float devuelve un arreglo numérico. No envíes messages, max_tokens ni stream. El límite de referencia es de 8192 tokens por texto; divide documentos largos y usa lotes pequeños. Los límites y la tokenización pueden variar según la ruta.
Búsqueda semántica y RAG
Divide documentos en fragmentos, crea y guarda sus vectores. Vectoriza la consulta con el mismo modelo y dimensión, ordena por similitud coseno y pasa los textos recuperados a otro modelo de chat. No mezcles modelos ni dimensiones en un índice; reconstrúyelo al cambiar de modelo.