Ringkasan embedding
Ubah teks menjadi vektor numerik untuk pencarian semantik, pencarian dokumen, pengelompokan, dan RAG. Kedua model memakai POST /v1/embeddings yang kompatibel dengan OpenAI. Respons berisi vektor, bukan jawaban yang dihasilkan.
Ubah teks menjadi vektor numerik untuk pencarian semantik, pencarian dokumen, pengelompokan, dan RAG. Kedua model memakai POST /v1/embeddings yang kompatibel dengan OpenAI. Respons berisi vektor, bukan jawaban yang dihasilkan.
Pilih model
| Model | Dimensi bawaan | Panduan |
|---|---|---|
text-embedding-3-small |
1536 | text-embedding-3-small |
bge-m3 |
1024 | BGE-M3 |
Model embedding OpenAI dengan 1536 dimensi bawaan untuk pencarian semantik dan indeks basis pengetahuan. Keluaran 512 dimensi melalui dimensions juga telah diuji di APIMaster.
Model BAAI multibahasa dengan 1024 dimensi untuk pencarian dokumen. API ini mengembalikan vektor padat, tanpa bobot jarang atau vektor ColBERT. Kueri tidak memerlukan awalan instruksi khusus.
Parameter dan batas
POST https://apimaster.ai/v1/embeddings
input harus berupa string tidak kosong atau array string tidak kosong. encoding_format: float menghasilkan array angka. Jangan kirim messages, max_tokens, atau stream. Batas referensi model adalah 8192 token per teks; pecah dokumen panjang dan gunakan batch kecil. Batas dan tokenisasi dapat berbeda menurut rute.
Pencarian semantik dan RAG
Pecah dokumen menjadi bagian, buat dan simpan vektornya. Buat vektor kueri dengan model dan dimensi yang sama, urutkan berdasarkan kemiripan kosinus, lalu kirim teks yang ditemukan ke model chat terpisah. Jangan mencampur model atau dimensi dalam satu indeks; bangun ulang indeks saat mengganti model.