Embeddings

POST /v1/embeddings genererer tekst-embeddings med en valgt modell for semantisk søk, klynging og gjenfinningsarbeidsflyter via 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
  }
}

​

Oversikt

Embeddings API genererer vektorrepresentasjoner av tekst som fanger opp semantisk mening. Disse vektorene kan brukes til semantisk søk, klynging, klassifisering, anomalideteksjon og retrieval-augmented generation (RAG).

CometAPI støtter embedding-modeller fra flere leverandører. Send inn én eller flere tekststrenger og få tilbake numeriske vektorer som du kan lagre i en vektordatabase eller bruke direkte til likhetsberegninger.

​

Tilgjengelige modeller

Model	Dimensions	Max Tokens	Best For
text-embedding-3-large	3,072 (justerbar)	8,191	Høyeste kvalitet på embeddings
text-embedding-3-small	1,536 (justerbar)	8,191	Kostnadseffektiv, rask
text-embedding-ada-002	1,536 (fast)	8,191	Eldre kompatibilitet

Se modellisten for alle tilgjengelige embedding-modeller og priser.

​

Viktige merknader

Redusere dimensjoner — Modellene text-embedding-3-* støtter parameteren dimensions, som lar deg forkorte embedding-vektoren uten vesentlig tap av nøyaktighet. Dette kan redusere lagringskostnadene med opptil 75 % samtidig som mesteparten av den semantiske informasjonen beholdes.

Batch Input — Du kan lage embeddings for flere tekster i én enkelt forespørsel ved å sende et array av strenger til parameteren input. Dette er betydelig mer effektivt enn å gjøre individuelle forespørsler for hver tekst.

---

Autorisasjoner

Authorization · string · header · påkrevd

Bearer token authentication. Use your CometAPI key.

Kropp

application/json

model · string · påkrevd

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

Eksempel:

"text-embedding-3-small"

input · string string[] integer[][] · påkrevd

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> · standard: 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.

Tilgjengelige alternativer: 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.

Nødvendig område: x >= 1

user · string

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

Svar

200 - application/json

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

object · enum<string>

The object type, always list.

Tilgjengelige alternativer: list

Eksempel:

"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.

Eksempel:

"text-embedding-3-small"

usage · object

Token usage statistics for this request.

Show child attributes