Embeddings

POST /v1/embeddings genera text embeddings con un modello scelto per flussi di lavoro di ricerca semantica, clustering e retrieval tramite CometAPI.

POST /v1/embeddings

Python

Single Text

from openai import OpenAI

client = OpenAI(
    base_url="https://api.cometapi.com/v1",
    api_key="<COMETAPI_KEY>",
)

response = client.embeddings.create(
    model="text-embedding-3-small",
    input="The food was delicious and the waiter was friendly.",
)

print(response.data[0].embedding[:5])  # First 5 dimensions
print(f"Dimensions: {len(response.data[0].embedding)}")

200

{
  "object": "list",
  "data": [
    {
      "object": "embedding",
      "index": 0,
      "embedding": [
        -0.0021,
        -0.0491,
        0.0209,
        0.0314,
        -0.0453
      ]
    }
  ],
  "model": "text-embedding-3-small",
  "usage": {
    "prompt_tokens": 2,
    "total_tokens": 2
  }
}

​

Panoramica

L’API Embeddings genera rappresentazioni vettoriali del testo che catturano il significato semantico. Questi vettori possono essere usati per ricerca semantica, clustering, classificazione, rilevamento di anomalie e retrieval-augmented generation (RAG).

CometAPI supporta modelli di embedding di più provider. Passa una o più stringhe di testo e ricevi in risposta vettori numerici che puoi archiviare in un database vettoriale o usare direttamente per i calcoli di similarità.

​

Modelli disponibili

Model	Dimensions	Max Tokens	Best For
text-embedding-3-large	3,072 (regolabili)	8,191	Embeddings della massima qualità
text-embedding-3-small	1,536 (regolabili)	8,191	Conveniente e veloce
text-embedding-ada-002	1,536 (fisse)	8,191	Compatibilità legacy

Consulta l’elenco dei modelli per tutti i modelli di embedding disponibili e i prezzi.

​

Note importanti

Riduzione delle dimensioni — I modelli text-embedding-3-* supportano il parametro dimensions, consentendoti di ridurre il vettore di embedding senza una perdita significativa di accuratezza. Questo può ridurre i costi di archiviazione fino al 75% mantenendo la maggior parte delle informazioni semantiche.

Input batch — Puoi creare embedding per più testi in una singola richiesta passando un array di stringhe al parametro input. Questo è significativamente più efficiente che effettuare richieste individuali per ogni testo.

---

Autorizzazioni

Authorization · string · header · obbligatorio

Bearer token authentication. Use your CometAPI key.

Corpo

application/json

model · string · obbligatorio

The embedding model to use. See the Models page for current embedding model IDs.

Esempio:

"text-embedding-3-small"

input · string string[] integer[][] · obbligatorio

The text to embed. Can be a single string, an array of strings, or an array of token arrays. Each input must not exceed the model's maximum token limit (8,191 tokens for text-embedding-3-* models).

encoding_format · enum<string> · predefinito: float

The format of the returned embedding vectors. float returns an array of floating-point numbers. base64 returns a base64-encoded string representation, which can reduce response size for large batches.

Opzioni disponibili: float, base64

dimensions · integer

The number of dimensions for the output embedding vector. Only supported by text-embedding-3-* models. Reducing dimensions can lower storage costs while maintaining most of the embedding's utility.

Intervallo richiesto: x >= 1

user · string

A unique identifier for your end-user, which can help monitor and detect abuse.

Risposta

200 - application/json

A list of embedding vectors for the input text(s).

object · enum<string>

The object type, always list.

Opzioni disponibili: list

Esempio:

"list"

data · object[]

An array of embedding objects, one per input text. When multiple inputs are provided, results are returned in the same order as the input.

Show child attributes

model · string

The model used to generate the embeddings.

Esempio:

"text-embedding-3-small"

usage · object

Token usage statistics for this request.

Show child attributes