Введение
text-embedding-ada-002 возвращает векторы с фиксированной размерностью 1536 для существующих поисковых коллекций на основе этой модели. Постоянная длина важна прежде всего тогда, когда документы и запросы уже используют представление ada-002. Для новой коллекции проведите прямое сравнение, прежде чем считать существующий индекс подходящим для своих задач поиска.
Ключевые возможности и особенности
ada-002 не позволяет выбирать длину результата. Одинаковое число измерений также не означает общее смысловое пространство: вектор на 1536 измерений от другой модели не служит прямой заменой. Сохраняйте согласованность версии модели и подготовки текста между сохранёнными документами и запросами.
Каждый элемент пакета ada-002 получает собственное представление. Этот эндпоинт обрабатывает до 128 текстов или поддерживаемых массивов идентификаторов токенов. Связывайте результаты с вводом по возвращённому индексу, а идентификаторы документов и права доступа храните вне вектора. Расход определяется фактически измеренными входными токенами.
Параметры запроса
| Параметр | Обязательно | Описание |
|---|---|---|
embedding_input | Да | Для ada-002 сохраняйте исходное разбиение документов и используйте одну модель для запросов и фрагментов. |
Стоимость
$0.00002 / 1 000 токенов
Сценарии использования
Действующий поиск по базе знаний с ada-002 может добавлять новые фрагменты в том же представлении. Сведения о редакциях и правах храните отдельно, чтобы в выдаче не появлялись устаревшие или закрытые документы.
При переходе с ada-002 создайте отдельный индекс модели-кандидата из исходных текстов и сравните оба варианта на характерных вопросах. Сопоставляйте документы по идентификаторам источников, не сравнивая координаты разных моделей. Проверьте найденные фрагменты до переключения рабочего поиска на новый индекс.
Руководство по промптам и практические советы
Для ada-002 сохраняйте нормализацию и границы фрагментов, принятые в текущем индексе. Передавайте сам текст для представления, а не просьбу написать краткое изложение: результатом всё равно будет вектор, без пояснения. Один элемент ограничен 8192 токенами, весь запрос — 300000 токенами, а массив идентификаторов токенов — 2048 элементами.
Не передавайте dimensions в ada-002: результат остаётся фиксированным, на 1536 измерений. Записывайте измеренный расход и соответствие индекса результата исходному вводу. Смена модели требует заново создать затронутые векторы документов и использовать новую модель также для запросов к новому индексу.
{
"model": "openai/text-embedding-ada-002/embedding",
"input": [
"A notebook about coastal birds.",
"An index of harbor observations."
]
}
Быстрый старт API
# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${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"
Аутентификация, полная схема, опрос статуса и обработка ошибок описаны в справочнике API.


