text-embedding-3-small · İstek gönderme

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.

2026-10-02 tarihinde doğrulandı: aktif rota milyon girdi tokeni başına $0.02 tutarından başlar. Bu APIMaster rota fiyatıdır, evrensel resmi sağlayıcı fiyatı değildir; güncel model kartı esas alınır. Güncel model kartı

İstek gönderme

POST /v1/embeddings · model: text-embedding-3-small

cURL

export APIMASTER_API_KEY="YOUR_APIMASTER_API_KEY"
curl --fail-with-body "https://apimaster.ai/v1/embeddings" \
  -H "Authorization: Bearer $APIMASTER_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model": "text-embedding-3-small", "input": "Semantic search retrieves related documents.", "encoding_format": "float"}'

Python · OpenAI SDK

pip install openai

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["APIMASTER_API_KEY"],
    base_url="https://apimaster.ai/v1",
)
result = client.embeddings.create(
    model="text-embedding-3-small",
    input=["Semantic search retrieves related documents.", "猫在窗边休息。"],
    encoding_format="float",
)
for item in result.data:
    print(item.index, len(item.embedding))  # 1536
print(result.usage.prompt_tokens)

JavaScript · Node.js

const response = await fetch("https://apimaster.ai/v1/embeddings", {
  method: "POST",
  headers: {
    Authorization: `Bearer ${process.env.APIMASTER_API_KEY}`,
    "Content-Type": "application/json",
  },
  body: JSON.stringify({
    model: "text-embedding-3-small",
    input: ["Semantic search retrieves related documents.", "猫在窗边休息。"],
    encoding_format: "float",
  }),
});
if (!response.ok) throw new Error(`HTTP ${response.status}`);
const result = await response.json();
console.log(result.data.map((item) => [item.index, item.embedding.length]));
console.log(result.usage.prompt_tokens);

Parametreler ve sınırlar

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.

dimensions burada yalnızca text-embedding-3-small için açıklanır: varsayılan 1536, test edilen örnek 512. Belgeler ve sorgular aynı boyutu kullanmalıdır.

Boyut azaltma

compact = client.embeddings.create(
    model="text-embedding-3-small",
    input="Semantic search retrieves related documents.",
    encoding_format="float",
    dimensions=512,
)
print(len(compact.data[0].embedding))  # 512

Yanıtı okuma

data[i].embedding değerini okuyup data[i].index ile girdiye eşleyin. usage.prompt_tokens ve usage.total_tokens girdi kullanımını gösterir. Vektörler üretilmiş metin çıktı tokenleri olarak ücretlendirilmez. base64 de test edilmiştir ancak float daha kolay incelenir.

Tek metin, Çince/İngilizce paketler, vektör boyutları ve tekrarlanan girdilerin tutarlılığı canlı testlerden geçti. Bu testler API davranışını doğrular, her veri kümesinin erişim kalitesini değil.

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.

Sorun giderme

401 için API anahtarını kontrol edin. 400 için model ID'sini, boş olmayan input ve parametreleri kontrol edin. 429 veya üst sağlayıcı zaman aşımında eşzamanlılığı azaltıp artan beklemeyle yeniden deneyin. Güncel fiyat ve erişilebilirlik için model pazarına bakın.