Nous utilisons des cookies. Les cookies et le stockage du navigateur vous gardent connecté et mémorisent vos préférences. Avec votre accord, nous mesurons aussi l’utilisation du site. Vous pouvez à tout moment. Consultez notre politique relative aux cookies.
API d’embeddings
Convertissez du texte en vecteurs pour la recherche sémantique, la génération augmentée par récupération (RAG), les recommandations et le clustering. Traitez de nombreuses entrées en une seule requête.
- Recherche sémantique
- Pipelines RAG
- Déduplication et clustering
- Recommandations
Les résultats apparaîtront ici.
Paramètres
API d’embeddings · 39 modèles
Comment appeler l’API API d’embeddings
- Créez une clé API dans votre tableau de bord.
- Installez le SDK officiel openai pour votre langage.
- Définissez baseURL sur https://api14.com/api/v1 et model sur "openai/text-embedding-3-small:batch".
Combien coûtent les embeddings ?
Généralement quelques centimes par million de tokens ; consultez le tableau pour les prix exacts.
Puis-je mélanger des modèles d’embeddings ?
Non : les vecteurs de modèles différents ne sont pas comparables. Recalculez les embeddings de tout votre corpus quand vous changez de modèle.
Combien d’entrées par requête ?
Envoyez un tableau de chaînes dans une seule requête pour vectoriser de nombreux textes à la fois ; c’est plus rapide et moins cher par texte qu’une requête par texte.
Comment mesurer la similarité ?
Utilisez la similarité cosinus entre les vecteurs. Avec des vecteurs normalisés, elle se réduit à un simple produit scalaire.
import OpenAI from "openai";
const client = new OpenAI({
baseURL: "https://api14.com/api/v1",
apiKey: process.env.API14_API_KEY,
});
const result = await client.embeddings.create({
"model": "openai/text-embedding-3-small:batch",
"input": [
"The quick brown fox",
"Lorem ipsum"
]
});
console.log(result.data.map((d) => d.embedding.length));