Introducción
text-embedding-ada-002 entrega vectores fijos de 1,536 dimensiones para colecciones de búsqueda existentes basadas en ese modelo. Su salida constante es relevante cuando los documentos y las consultas ya usan ada-002. Para una colección nueva, realiza una evaluación directa antes de asumir que el índice existente cumple tus necesidades de recuperación.
Funciones y aspectos destacados
ada-002 no permite ajustar la longitud de salida. Compartir cantidad de dimensiones tampoco implica compartir espacio semántico: un vector de 1,536 dimensiones generado por otro modelo no sustituye directamente al suyo. Mantén la misma versión del modelo y preparación de texto entre los documentos almacenados y las consultas.
Cada entrada de un lote ada-002 produce su propia representación. Este endpoint procesa hasta 128 textos o arreglos de IDs de token compatibles. Usa el índice devuelto para asociar resultados y entradas, y administra los identificadores y permisos de los documentos fuera del vector. La facturación utiliza los tokens de entrada realmente medidos.
Parámetros de la solicitud
| Parámetro | Obligatorio | Descripción |
|---|---|---|
embedding_input | Sí | Con ada-002, mantén los límites de los fragmentos y procesa las consultas con el mismo modelo que los documentos. |
Precios
$0.00002 / 1.000 tokens
Casos de uso
Una búsqueda de conocimiento que ya utiliza ada-002 puede incorporar fragmentos nuevos con la misma representación. Guarda las revisiones y los derechos de acceso por separado para evitar que aparezcan documentos desactualizados o bloqueados.
Para migrar desde ada-002, crea un índice separado para el modelo candidato a partir del texto original y compara ambos con preguntas representativas. Relaciona los documentos por su ID de origen, sin comparar coordenadas de modelos distintos. Revisa los fragmentos recuperados antes de cambiar el índice al que apunta la búsqueda.
Guía de prompts y consejos prácticos
Al enviar contenido a ada-002, conserva la normalización y los límites de fragmento de tu índice actual. Incluye el pasaje que quieres representar en lugar de una instrucción para resumirlo: el resultado será un vector, no una explicación. Cada entrada admite 8,192 tokens, la solicitud completa 300,000 y un arreglo de IDs de token 2,048 elementos.
No envíes dimensions a ada-002; su salida sigue fija en 1,536 dimensiones. Registra el consumo medido y la correspondencia del índice de resultado con su entrada. Un cambio de modelo requiere regenerar los vectores documentales afectados y usar ese nuevo modelo también para las consultas del índice nuevo.
{
"model": "openai/text-embedding-ada-002/embedding",
"input": [
"A notebook about coastal birds.",
"An index of harbor observations."
]
}
Inicio rápido de la API
# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${SPICY_IDEMPOTENCY_KEY:-$(uuidgen)}"
curl -X POST https://api.spicyapi.ai/api/v1/jobs/createTask \
-H "Authorization: Bearer $SPICY_API_KEY" \
-H "Content-Type: application/json" \
-H "Idempotency-Key: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "openai/text-embedding-ada-002/embedding",
"input": {
"embedding_input": "The customer asks for a refund after being billed twice."
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Consulta la referencia de la API para autenticación, el esquema completo, sondeo y gestión de errores.


