Visão geral dos embeddings
Transforme texto em vetores numéricos para busca semântica, recuperação de documentos, agrupamento e RAG. Ambos os modelos usam POST /v1/embeddings, compatível com OpenAI. A resposta contém vetores, não uma resposta gerada.
Transforme texto em vetores numéricos para busca semântica, recuperação de documentos, agrupamento e RAG. Ambos os modelos usam POST /v1/embeddings, compatível com OpenAI. A resposta contém vetores, não uma resposta gerada.
Escolher um modelo
| Modelo | Dimensões padrão | Guia |
|---|---|---|
text-embedding-3-small |
1536 | text-embedding-3-small |
bge-m3 |
1024 | BGE-M3 |
Modelo de embeddings da OpenAI com 1536 dimensões por padrão, indicado para busca semântica e índices de bases de conhecimento. A saída com 512 dimensões via dimensions também foi testada no APIMaster.
Modelo multilíngue da BAAI com 1024 dimensões para recuperação de documentos. Esta API retorna vetores densos, sem pesos esparsos ou vetores ColBERT. Não exige um prefixo especial de instruções na consulta.
Parâmetros e limites
POST https://apimaster.ai/v1/embeddings
Envie em input uma string não vazia ou um array de strings não vazias. encoding_format: float retorna um array numérico. Não envie messages, max_tokens ou stream. O limite de referência é de 8192 tokens por texto; divida documentos longos e use lotes pequenos. Limites e tokenização podem variar por rota.
Busca semântica e RAG
Divida os documentos em trechos, gere e armazene seus vetores. Vetorize a consulta com o mesmo modelo e dimensão, classifique por similaridade de cosseno e envie os textos recuperados a um modelo de chat separado. Não misture modelos nem dimensões no mesmo índice; reconstrua-o ao trocar de modelo.