Text Embedding Ada 002
Rede Neural
Text Embedding Ada 002 — modelo de embeddings da OpenAI para busca semântica, RAG e agrupamento de texto.
Especificações
- Entrada
- texto
- Saída
- vetores (embeddings)
- Tamanho do contexto
- 8 192 tokens
- Dimensões do vetor
- 1 536
Custo do prompt
(por 1M tokens)
Como funciona Text Embedding Ada 002?
Text Embedding Ada 002 — a geração anterior de modelos de embedding da OpenAI: recebe texto como entrada e gera um vetor numérico, cuja proximidade avalia a semelhança semântica entre fragmentos. O modelo é usado onde o índice já foi construído com ele e a reindexação não é desejada. No BotHub, ele é conectado via uma API única compatível com OpenAI: acesso sem VPN ou cartão estrangeiro, pagamento em rublos por uso de tokens, e você encontrará mais de 250 outros modelos na mesma janela. Com ele, é possível criar busca semântica em bases de documentos, pipelines de RAG sobre Qdrant ou pgvector, agrupamento de tickets de suporte, desduplicação de produtos e recomendações baseadas em proximidade semântica.Perguntas frequentes sobre Text Embedding Ada 002
Você pode usar os resultados da geração para fins comerciais. Todos os direitos sobre o conteúdo criado pertencem a você. A única restrição: certifique-se de que a solicitação não inclua materiais de terceiros protegidos por direitos autorais. A responsabilidade pelo cumprimento dos direitos sobre os dados de entrada é do usuário.
O modelo converte texto em vetores numéricos, cuja proximidade permite comparar o significado de fragmentos. É usado para busca semântica, pipelines de RAG, agrupamento e desduplicação de documentos, classificação de tickets e recomendações. O contexto é de 4095 tokens, portanto, textos longos devem ser divididos em partes (chunks) previamente.
Na saída, você não recebe texto nem imagem, mas um array de números — um vetor de dimensão 1536 para cada fragmento. Esses vetores são armazenados em Qdrant, pgvector, Milvus ou outro armazenamento vetorial e pesquisados por similaridade de cosseno. O formato de resposta é um JSON padrão da API.
Este é um modelo de embedding; ele não raciocina nem formula respostas — sua tarefa é transformar texto em vetor. A lógica sobre os fragmentos encontrados é construída por um modelo generativo. No BotHub, você os combina em uma única janela e através de uma API unificada.
Em nossos dados, o 'function calling' não está marcado para este modelo e, por natureza, embeddings não pressupõem a chamada de ferramentas. No entanto, a resposta da API vem em JSON — contendo os próprios vetores e um contador de tokens consumidos, o que é fácil de analisar em qualquer backend.
A aceitação de outras modalidades não está marcada em nossos dados: a entrada funcional são strings de texto ou um array delas. Para imagens, áudio e vídeo, o BotHub possui modelos especializados, e você pode alternar para eles na mesma interface ou via API compatível com OpenAI sem reescrever a integração.
O modelo é multilíngue e vetoriza textos em português, portanto, frases com significados próximos ficam próximas no espaço vetorial. Verifique a qualidade da busca em sua própria coleção: muito depende da divisão em partes (chunks) e do limite de proximidade. Acesso à API a partir da Rússia — sem VPN ou cartão estrangeiro.