Text Embedding Ada 002
Réseau Neuronal
Text Embedding Ada 002 est un modèle d'embeddings OpenAI pour la recherche sémantique, le RAG et le clustering de texte.
Caractéristiques
- Entrée
- texte
- Sortie
- vecteurs (embeddings)
- Taille du contexte
- 8 192 tokens
- Dimensions du vecteur
- 1 536
Coût du prompt
(par 1M tokens)
Comment ça marche Text Embedding Ada 002?
Text Embedding Ada 002 est la génération précédente de modèles d'embeddings d'OpenAI : le texte est fourni en entrée, et un vecteur numérique est généré en sortie, permettant d'évaluer la similarité sémantique des fragments. Ce modèle est utilisé là où l'index est déjà construit et où une réindexation n'est pas souhaitable. Dans BotHub, il est accessible via une API unique compatible OpenAI : accès depuis la Russie sans VPN ni carte étrangère, paiement en roubles à l'usage, avec plus de 250 autres modèles disponibles dans la même interface. Il permet de créer une recherche sémantique sur une base documentaire, des pipelines RAG sur Qdrant ou pgvector, le clustering de tickets de support, la déduplication de fiches produits et des recommandations basées sur la proximité sémantique.Questions fréquentes sur Text Embedding Ada 002
Vous pouvez utiliser les résultats générés à des fins commerciales. Tous les droits sur le contenu créé vous appartiennent. Seule restriction : vérifiez que la requête ne contient pas de contenus protégés par le droit d'auteur appartenant à des tiers. Le respect des droits sur les données d'entrée relève de votre responsabilité.
Le modèle convertit le texte en vecteurs numériques, dont la proximité permet de comparer le sens des fragments. Il est utilisé pour la recherche sémantique, les pipelines RAG, le clustering et la déduplication de documents, la classification de requêtes et les recommandations. Le contexte est de 4095 jetons, ce qui signifie que vous devez découper les longs textes en segments au préalable.
En sortie, vous n'obtenez ni texte ni image, mais un tableau de nombres — un vecteur de dimension 1536 pour chaque fragment. Ces vecteurs sont stockés dans Qdrant, pgvector, Milvus ou un autre stockage vectoriel et recherchés par similarité cosinus. Le format de réponse est un JSON standard via l'API.
C'est un modèle d'embeddings, il ne raisonne pas et ne formule pas de réponses — sa tâche est de transformer le texte en vecteur. La logique sur les fragments trouvés est construite par un modèle génératif. Dans BotHub, vous les combinez dans une seule fenêtre et via une API unique.
Dans nos données, le 'function calling' n'est pas indiqué pour ce modèle, et par nature, les embeddings ne supposent pas l'appel d'outils. Cependant, la réponse de l'API arrive en JSON — elle contient les vecteurs eux-mêmes et un compteur de jetons consommés, ce qui est facile à analyser dans n'importe quel backend.
La réception d'autres modalités n'est pas indiquée dans nos données : l'entrée fonctionnelle est constituée de chaînes de texte ou d'un tableau de celles-ci. Pour les images, le son et la vidéo, BotHub propose des modèles spécialisés, et vous pouvez basculer vers eux dans la même interface ou via une API compatible OpenAI sans réécrire l'intégration.
Le modèle est multilingue et vectorise les textes russes, de sorte que les phrases proches en termes de sens se retrouvent côte à côte dans l'espace vectoriel. Vérifiez la qualité de la recherche sur votre propre collection : beaucoup dépend du découpage en segments et du seuil de proximité. Accès à l'API depuis la Russie — sans VPN ni carte étrangère.