Text Embedding Ada 002
Red Neuronal
Text Embedding Ada 002: modelo de embeddings de OpenAI para búsqueda semántica, RAG y agrupación de texto.
Características
- Entrada
- texto
- Salida
- vectores (embeddings)
- Tamaño del contexto
- 8 192 tokens
- Dimensiones del vector
- 1 536
Costo del prompt
(por 1M tokens)
Cómo funciona Text Embedding Ada 002?
Text Embedding Ada 002 es la generación anterior de modelos de embeddings de OpenAI: recibe texto y devuelve un vector numérico, cuya proximidad evalúa la similitud semántica de los fragmentos. Se utiliza donde el índice ya está construido y la reindexación no es deseable. En BotHub, se conecta mediante una API compatible con OpenAI: acceso sin VPN ni tarjetas extranjeras, pago en rublos por uso de tokens, y acceso a más de 250 modelos en la misma ventana. Permite crear búsqueda semántica en bases de documentos, pipelines de RAG sobre Qdrant o pgvector, agrupación de tickets de soporte, deduplicación de productos y recomendaciones por similitud semántica.Preguntas frecuentes sobre Text Embedding Ada 002
Puede usar los resultados generados con fines comerciales. Todos los derechos sobre el contenido creado le pertenecen. La única restricción: asegúrese de que la solicitud no incluya material de terceros protegido por derechos de autor. El usuario es responsable de respetar los derechos sobre los datos de entrada.
El modelo convierte texto en vectores numéricos, cuya proximidad permite comparar el significado de los fragmentos. Se utiliza para búsqueda semántica, pipelines de RAG, agrupación y deduplicación de documentos, clasificación de tickets y recomendaciones. El contexto es de 4095 tokens, por lo que los textos largos deben dividirse en fragmentos previamente.
A la salida no obtienes texto ni imagen, sino un array de números: un vector de 1536 dimensiones para cada fragmento. Estos vectores se almacenan en Qdrant, pgvector, Milvus u otro almacenamiento vectorial y se buscan por similitud de coseno. El formato de respuesta es JSON estándar de la API.
Es un modelo de embeddings, no razona ni formula respuestas; su tarea es convertir texto en vectores. La lógica sobre los fragmentos encontrados la construye un modelo generativo. En BotHub, los combinas en una sola ventana y a través de una API unificada.
En nuestros datos, no se indica 'function calling' para este modelo y, por su naturaleza, los embeddings no implican llamadas a herramientas. Sin embargo, la respuesta de la API llega en JSON, conteniendo los vectores y el contador de tokens consumidos, lo cual es fácil de analizar en cualquier backend.
No se admite la entrada de otras modalidades en nuestros datos: la entrada de trabajo son cadenas de texto o un array de ellas. Para imágenes, audio y video, BotHub cuenta con modelos especializados, y puedes cambiar a ellos en la misma interfaz o a través de una API compatible con OpenAI sin reescribir la integración.
El modelo es multilingüe y vectoriza textos en ruso, por lo que las frases con significados similares aparecen cerca en el espacio vectorial. Verifica la calidad de búsqueda en tu colección: mucho depende de la fragmentación y el umbral de proximidad. Acceso a la API desde Rusia sin VPN ni tarjetas extranjeras.