Эмбеддинги

Доступные модели

Полный список моделей можно посмотреть на странице Модели или получить динамически через API эндпоинты: https://openai.bothub.chat/v1/models и https://bothub.chat/api/v2/replicate/v1/models`

Эмбеддинги — это числовые представления текста, которые позволяют моделям понимать смысл и семантическую близость между словами, предложениями или целыми документами.

Когда текст преобразуется в embedding-вектор, модель сохраняет не сами слова, а их смысловое представление. Благодаря этому можно сравнивать тексты между собой, находить похожий контент и выполнять интеллектуальный поиск.

Эмбеддинги активно используются в AI-приложениях, поисковых системах и RAG-сценариях (Retrieval-Augmented Generation), где модель работает с внешней базой знаний.

---

Где используются эмбеддинги

Эмбеддинги особенно полезны в задачах, где важно понимать смысл текста, а не просто совпадение слов. Например, они используются для семантического поиска, поиска похожих документов, рекомендаций контента, интеллектуальных чат-ботов, кластеризации текстов и классификации данных.

Также embeddings являются важной частью RAG-систем, где модель сначала ищет релевантную информацию в базе знаний, а затем использует её при генерации ответа.

---

Доступные модели

У нас доступны следующие embedding-модели:

• text-embedding-3-small (для быстрых и недорогих задач)
• text-embedding-3-large (для более высокого качества и точности поиска)
• text-embedding-ada-002

---

Генерация эмбеддингов

Для создания embedding-вектора отправьте текст через API и укажите embedding-модель. В ответ API вернёт массив чисел, который можно использовать для поиска, сравнения или хранения в векторной базе.

Ниже приведён базовый пример генерации эмбеддингов с использованием модели text-embedding-3-large.

JS

async function main() {
  const response = await openai.embeddings.create({
    model: 'text-embedding-3-large',
    input: 'The food was delicious and the waiter...',
    encoding_format: 'float'
  });

  const embedding = response.data[0].embedding;

  console.log(embedding);
}

main();

Python

def main():
    response = client.embeddings.create(
        model="text-embedding-3-large",
        input="The food was delicious and the waiter...",
        encoding_format="float"
    )

    embedding = response.data[0].embedding

    print(embedding)

main()

Go

package main

import (
	"context"
	"fmt"

	"github.com/openai/openai-go"
	"github.com/openai/openai-go/option"
)

func main() {
	client := openai.NewClient(
		option.WithAPIKey("<ваш токен доступа>"),
		option.WithBaseURL("https://openai.bothub.chat/v1"),
	)

	response, err := client.Embeddings.New(context.Background(), openai.EmbeddingNewParams{
		Model:          openai.EmbeddingModelTextEmbedding3Large,
		Input:          openai.EmbeddingNewParamsInputUnion{OfString: openai.String("The food was delicious and the waiter...")},
		EncodingFormat: openai.EmbeddingNewParamsEncodingFormatFloat,
	})
	if err != nil {
		panic(err)
	}

	fmt.Println(response.Data[0].Embedding)
}

cURL

curl https://openai.bothub.chat/v1/embeddings \
  -X POST \
  -H "Authorization: Bearer <ваш токен доступа>" \
  -H "Content-Type: application/json" \
  -d '{
    "input": "The food was delicious and the waiter...",
    "model": "text-embedding-3-large",
    "encoding_format": "float"
  }'

---

Формат ответа

В ответ API возвращает объект с embedding-вектором. Сам вектор представляет собой массив чисел с плавающей точкой (float), который описывает смысл текста в многомерном пространстве.

Полученные embeddings обычно сохраняются во внешней векторной базе или используются для вычисления семантической близости между текстами.

Пример доступа к embedding-вектору:

const embedding = response.data[0].embedding;

---

Основные параметры

Параметр	Тип	Описание
model	string	Embedding-модель
input	string | array	Текст или массив текстов
encoding_format	string	Формат embedding-вектора (float или base64)

---

Рекомендации

к сведению

Для большинства задач рекомендуется использовать text-embedding-3-large, если вам важна максимальная точность поиска и сравнения текстов.

Если приоритетом являются скорость и стоимость, лучше подойдёт text-embedding-3-small.

Официальную документацию OpenAI по embeddings можно посмотреть здесь