Embedding genel bakış
Metni anlamsal arama, belge erişimi, kümeleme ve RAG için sayısal vektörlere dönüştürün. İki model de OpenAI uyumlu POST /v1/embeddings kullanır. Yanıt, üretilmiş cevap yerine vektör içerir.
Metni anlamsal arama, belge erişimi, kümeleme ve RAG için sayısal vektörlere dönüştürün. İki model de OpenAI uyumlu POST /v1/embeddings kullanır. Yanıt, üretilmiş cevap yerine vektör içerir.
Model seçimi
| Model | Varsayılan boyut | Kılavuz |
|---|---|---|
text-embedding-3-small |
1536 | text-embedding-3-small |
bge-m3 |
1024 | BGE-M3 |
Varsayılan olarak 1536 boyut sunan OpenAI embedding modeli; anlamsal arama ve bilgi tabanı indekslemesi için uygundur. APIMaster'da dimensions ile 512 boyutlu çıktı da test edilmiştir.
Çok dilli belge erişimi için 1024 boyutlu BAAI modeli. Bu API yoğun vektörler döndürür; seyrek ağırlıklar veya ColBERT vektörleri sunmaz. Sorguya özel talimat öneki gerekmez.
Parametreler ve sınırlar
POST https://apimaster.ai/v1/embeddings
input alanına boş olmayan metin veya metin dizisi gönderin. encoding_format: float sayısal dizi döndürür. messages, max_tokens veya stream göndermeyin. Modelin referans sınırı metin başına 8192 tokendir; uzun belgeleri bölün ve küçük paketler kullanın. Sınırlar ve tokenizasyon rotaya göre değişebilir.
Anlamsal arama ve RAG
Belgeleri parçalara ayırıp vektörlerini üretin ve saklayın. Sorguyu aynı model ve boyutla vektörleştirin, kosinüs benzerliğiyle sıralayın ve bulunan metni ayrı bir sohbet modeline iletin. Aynı indekste farklı model veya boyutları karıştırmayın; model değişiminde indeksi yeniden oluşturun.