Présentation des embeddings
Transformez le texte en vecteurs numériques pour la recherche sémantique, la recherche documentaire, le regroupement et le RAG. Les deux modèles utilisent POST /v1/embeddings, compatible avec OpenAI. La réponse contient des vecteurs plutôt qu'une réponse générée.
Transformez le texte en vecteurs numériques pour la recherche sémantique, la recherche documentaire, le regroupement et le RAG. Les deux modèles utilisent POST /v1/embeddings, compatible avec OpenAI. La réponse contient des vecteurs plutôt qu'une réponse générée.
Choisir un modèle
| Modèle | Dimensions par défaut | Guide |
|---|---|---|
text-embedding-3-small |
1536 | text-embedding-3-small |
bge-m3 |
1024 | BGE-M3 |
Modèle d'embeddings OpenAI à 1536 dimensions par défaut, adapté à la recherche sémantique et aux bases de connaissances. APIMaster a également testé une sortie à 512 dimensions via dimensions.
Modèle multilingue BAAI à 1024 dimensions pour la recherche documentaire. Cette API renvoie des vecteurs denses, sans poids creux ni vecteurs ColBERT. Aucun préfixe d'instruction spécial n'est nécessaire pour les requêtes.
Paramètres et limites
POST https://apimaster.ai/v1/embeddings
input doit être une chaîne non vide ou un tableau de chaînes non vides. encoding_format: float fournit un tableau numérique. N'envoyez pas messages, max_tokens ou stream. La limite de référence est de 8192 tokens par texte ; découpez les longs documents et limitez la taille des lots. Les limites et la tokenisation peuvent varier selon la route.
Recherche sémantique et RAG
Découpez les documents, créez et stockez leurs vecteurs. Vectorisez la requête avec le même modèle et la même dimension, classez les passages par similarité cosinus puis transmettez les textes à un modèle de conversation distinct. Ne mélangez pas modèles ou dimensions dans un index ; reconstruisez-le lorsque vous changez de modèle.