టెక్స్ట్ ఎంబెడింగ్స్ సృష్టించండి
సెమాంటిక్ సెర్చ్, రిట్రీవల్ మరియు సిమిలారిటీ కోసం ShareAIతో టెక్స్ట్ ఎంబెడింగ్స్ను రూపొందించండి, మద్దతు ఉన్న ఇన్పుట్ ఫార్మాట్లు మరియు మోడల్ అవసరాలతో.
ఈ పేజీలో
https://api.shareai.now/api/v1/embeddingsఒకటి లేదా అంతకంటే ఎక్కువ టెక్స్ట్లను ఎంబెడింగ్ వెక్టర్లుగా మార్చండి.
- బేస్ URL
https://api.shareai.now- authentication
- Bearer API కీ లేదా ఆమోదించిన OAuth యాక్సెస్ టోకెన్
ShareAIలో ప్రారంభించబడిన మరియు మీ క్రెడెన్షియల్ ద్వారా అనుమతించబడిన ఎంబెడింగ్ మోడల్ను ఎంచుకోండి. చాట్ మోడల్లను ఎంబెడింగ్ మోడల్లకు ప్రత్యామ్నాయంగా ఉపయోగించలేరు. మోడల్ లభ్యత మరియు మద్దతు ఉన్న ఎంపికలు కాన్ఫిగర్ చేసిన ప్రొవైడర్పై ఆధారపడి ఉంటాయి.
అభ్యర్థనను పంపండి#
cURL
curl --fail-with-body --request POST \
"https://api.shareai.now/api/v1/embeddings" \
-H "Authorization: Bearer $SHAREAI_API_KEY" \
-H "Content-Type: application/json" \
--data '{
"model": "YOUR_EMBEDDING_MODEL",
"input": [
"How do I connect a device?",
"Where can I read my usage?"
],
"encoding_format": "float"
}'
Python
import json
import os
import urllib.request
headers = {"Authorization": "Bearer " + os.environ["SHAREAI_API_KEY"]}
headers["Content-Type"] = "application/json"
payload = {'model': 'YOUR_EMBEDDING_MODEL', 'input': ['How do I connect a device?', 'Where can I read my usage?'], 'encoding_format': 'float'}
data = json.dumps(payload).encode()
request = urllib.request.Request('https://api.shareai.now/api/v1/embeddings', data=data, headers=headers, method='POST')
with urllib.request.urlopen(request, timeout=60) as response:
print(json.load(response))
TypeScript
const url = "https://api.shareai.now/api/v1/embeddings";
const headers: Record = {
Authorization: `Bearer ${process.env.SHAREAI_API_KEY}`,
};
headers["Content-Type"] = "application/json";
const payload = {
"model": "YOUR_EMBEDDING_MODEL",
"input": [
"How do I connect a device?",
"Where can I read my usage?"
],
"encoding_format": "float"
};
const response = await fetch(url, { method: "POST", headers, body: JSON.stringify(payload) });
if (!response.ok) throw new Error(`${response.status}: ${await response.text()}`);
console.log(await response.json());
అభ్యర్థన ఫీల్డ్స్#
| ఫీల్డ్ | విలువ |
|---|---|
model | ప్రారంభించబడిన ఎంబెడింగ్ మోడల్ ID. |
input | ఖాళీ కాని స్ట్రింగ్ లేదా 128 ఖాళీ కాని స్ట్రింగ్ల వరకు ఉన్న అర్రే. |
encoding_format | float లేదా base64. |
dimensions | 1 నుండి 65536 వరకు ఐచ్ఛిక పూర్తి సంఖ్య; ఎంపిక చేసిన మోడల్ దీనిని మద్దతు ఇవ్వాలి. |
వెక్టర్లను చదవండి#
చదవండి data అర్రే మరియు ప్రతి ఫలితాన్ని ఉపయోగించండి index దాని ఎంబెడింగ్ను ఇన్పుట్తో సరిపోల్చడానికి. మీ డాక్యుమెంట్లు మరియు శోధన ప్రశ్నలను ఎంబెడ్ చేయేటప్పుడు అదే మోడల్ మరియు డైమెన్షన్లను ఉంచండి. ఫలితంలో ప్రొవైడర్-రిపోర్ట్ చేసిన usage.
పరిమితులలో బ్యాచ్#
కలిపిన ఇన్పుట్ టెక్స్ట్ 256 KiB వరకు పరిమితం చేయబడింది. ప్రతిస్పందనలు సమకాలీనంగా ఉంటాయి మరియు 2 MiB వరకు పరిమితం చేయబడతాయి, కాబట్టి పెద్ద వెక్టర్లు లేదా బ్యాచ్లు ప్రతిస్పందన పరిమితిని మించవచ్చు. బ్యాచ్ పరిమాణాన్ని తగ్గించండి లేదా మద్దతు ఉన్న చిన్న డైమెన్షన్లను ఉపయోగించండి. టోకెన్-ID అర్రేలను అంగీకరించరు.
ధృవీకరణ మరియు లభ్యత#
API కీకి బదులుగా ఆమోదించబడిన OAuth యాక్సెస్ టోకెన్ను ఉపయోగించవచ్చు. ఖాతా-ఫండెడ్ అభ్యర్థనలు అవసరం surcharge మరియు ఆమోదించబడిన ప్లాన్. మోడల్ మరియు ప్రొవైడర్ పరిమితులు ఇంకా వర్తిస్తాయి. మోడల్ ఎంబెడింగ్లకు ప్రారంభించబడనిట్లయితే, అందుబాటులో ఉన్న ఎంబెడింగ్ మోడల్ను ఎంచుకోండి; క్రెడెన్షియల్ను మార్చడం మోడల్ను ప్రారంభించలేరు.
వినియోగం#
ఎంబెడింగ్లు ఇన్పుట్ టోకెన్లను వినియోగిస్తాయి. పెద్ద బ్యాచ్ను అమలు చేయడానికి ముందు మోడల్ ధరలను తనిఖీ చేయండి మరియు కన్సోల్ వినియోగం కార్యకలాపాన్ని సమీక్షించడానికి. తిరిగి ప్రయత్నించే ముందు ధృవీకరణ, అనుమతి మరియు లభ్యత లోపాలను నిర్వహించండి.
చివరిసారిగా నవీకరించబడింది సెప్టెంబర్ 15, 2026