Panoramica degli embedding
Trasforma il testo in vettori numerici per ricerca semantica, recupero di documenti, clustering e RAG. Entrambi i modelli usano POST /v1/embeddings, compatibile con OpenAI. La risposta contiene vettori anziché testo generato.
Trasforma il testo in vettori numerici per ricerca semantica, recupero di documenti, clustering e RAG. Entrambi i modelli usano POST /v1/embeddings, compatibile con OpenAI. La risposta contiene vettori anziché testo generato.
Scegliere un modello
| Modello | Dimensioni predefinite | Guida |
|---|---|---|
text-embedding-3-small |
1536 | text-embedding-3-small |
bge-m3 |
1024 | BGE-M3 |
Modello di embedding OpenAI con 1536 dimensioni predefinite, adatto alla ricerca semantica e agli indici delle basi di conoscenza. APIMaster ha verificato anche l'uscita a 512 dimensioni tramite dimensions.
Modello multilingue BAAI con 1024 dimensioni per il recupero di documenti. Questa API restituisce vettori densi, senza pesi sparsi o vettori ColBERT. Non richiede un prefisso speciale di istruzioni per le query.
Parametri e limiti
POST https://apimaster.ai/v1/embeddings
input deve essere una stringa non vuota o un array di stringhe non vuote. encoding_format: float restituisce un array numerico. Non inviare messages, max_tokens o stream. Il limite di riferimento è 8192 token per testo; suddividi i documenti lunghi e usa piccoli batch. Limiti e tokenizzazione possono variare in base alla rotta.
Ricerca semantica e RAG
Dividi i documenti in passaggi, genera e salva i vettori. Genera il vettore della query con lo stesso modello e dimensione, ordina per similarità coseno e passa i testi recuperati a un modello di chat separato. Non mescolare modelli o dimensioni nello stesso indice; ricostruiscilo quando cambi modello.