OpenAI: Text Embedding 3 Large

OpenAI: Text Embedding 3 Large to model embeddingowy od OpenAI, wymieniony na api14 pod identyfikatorem modelu openai/text-embedding-3-large. Znajduje się w kategorii embeddings, a nie w kategorii chat, co oznacza, że służy do zamiany tekstu na wektory, a nie do generowania odpowiedzi konwersacyjnych. OpenAI opisuje text-embedding-3-large jako swój najbardziej zaawansowany model embeddingowy zarówno dla zadań w języku angielskim, jak i w językach innych niż angielski.

Model przyjmuje tekst jako jedyne dane wejściowe i zwraca embeddingi jako dane wyjściowe: numeryczne reprezentacje tekstu, których można użyć do pomiaru powiązania między dwoma fragmentami tekstu. Obsługuje długość kontekstu wynoszącą 8192 tokeny, a jego maksymalne wyjście to 7372. Dla tego modelu nie są obsługiwane żadne dodatkowe parametry żądania, więc nie ma żadnych opcji dostrajania poza tym, co przyjmuje sam endpoint embeddingów.

Ponieważ dane wyjściowe to wektor, a nie tekst ciągły, praktyczne zastosowania wynikają z porównywania tych wektorów. Typowe zastosowania obejmują wyszukiwanie semantyczne, gdzie tworzy się embedding zapytania i korpusu, a dokumenty są szeregowane według podobieństwa; wyszukiwanie dla potoku RAG, gdzie embeddingi decydują, które fragmenty przekazać modelowi czatu; grupowanie lub deduplikację dużych zbiorów tekstów; klasyfikację i kierowanie na podstawie najbliższego przykładu; oraz ocenę rekomendacji lub powiązania między dwoma fragmentami. Uwaga dostawcy, że model obsługuje zarówno zadania w języku angielskim, jak i w językach innych niż angielski, czyni go rozsądnym wyborem dla korpusów wielojęzycznych, w których potrzebna jest jedna przestrzeń embeddingów dla wielu języków.

Aby wywołać go przez api14, użyj API zgodnego z OpenAI z identyfikatorem modelu openai/text-embedding-3-large. Wyślij tekst do endpointu embeddingów w taki sam sposób, jakbyś robił to bezpośrednio wobec OpenAI, i odczytaj wektory z odpowiedzi. Ponieważ supported_parameters jest puste, nie należy oczekiwać możliwości przekazania dodatkowych opcji, takich jak dimensions czy encoding format, przez tę bramę; ogranicz żądania do tekstu, który chcesz poddać embeddingowi.

Główne ograniczenia, o których należy pamiętać, to modalność danych wejściowych i długość kontekstu. Na wejściu przyjmowany jest tylko tekst, więc obrazy, dźwięk i inne formaty są poza zakresem tego modelu. Każde pojedyncze dane wejściowe muszą zmieścić się w 8192 tokenach, co oznacza, że długie dokumenty trzeba podzielić przed utworzeniem embeddingu. A ponieważ model tworzy embeddingi, a nie tekst, nie może samodzielnie odpowiadać na pytania ani pisać treści; połącz go z modelem czatu, gdy potrzebujesz generowania na podstawie wyszukiwania.