AI Prosumer
TE
ibm/granite-embedding:30m

IBM Granite Embedding 30M మరియు 278M మోడల్స్ టెక్స్ట్-ఒన్లీ డెన్స్ బైఎన్‌కోడర్ ఎంబెడింగ్ మోడల్స్, 30M ఇంగ్లీష్‌లో మాత్రమే అందుబాటులో ఉంది మరియు 278M అనేక భాషల వినియోగాలను అందిస్తుంది.

ఇన్‌పుట్ → అవుట్‌పుట్
టెక్స్ట్ ఎంబెడింగ్స్
యాక్సెస్
టోకెన్ ఎక్స్చేంజ్
కాంటెక్స్ట్ విండో
512 టోకెన్లు
మోడల్ ట్యాగ్‌లు
6 అందుబాటులో ఉన్న వెర్షన్లు
లైసెన్స్: ఓపెన్_సోర్స్

మోడల్ నుండి అప్లికేషన్ వరకు

త్వరిత ప్రారంభం

API రిఫరెన్స్
  1. మీ API కీ పొందండి

    ShareAI కన్సోల్‌లో ఒక కీని సృష్టించి, దాన్ని మీ సర్వర్‌లో ఎన్విరాన్‌మెంట్ వేరియబుల్‌గా సేవ్ చేయండి.

    API కీ సృష్టించండి
    ఎన్విరాన్‌మెంట్ వేరియబుల్
    export SHAREAI_API_KEY="your-api-key"
  2. మీ ఎండ్‌పాయింట్‌ను ఎంచుకోండి

    మీ API కీని Authorization హెడర్‌లో ఉంచి POST అభ్యర్థనను పంపండి.

    POSThttps://api.shareai.now/api/v1/embeddings
  3. మీ మొదటి అభ్యర్థనను చేయండి

    క్రింది అభ్యర్థన మీ ఎంపిక చేసిన ట్యాగ్‌ను ఉపయోగిస్తుంది. మీ API కీని గోప్యంగా ఉంచడానికి దీన్ని మీ సర్వర్‌పై నడపండి.

    cURL
    curl --request POST 'https://api.shareai.now/api/v1/embeddings' \
      --header "Authorization: Bearer ${SHAREAI_API_KEY}" \
      --header 'Content-Type: application/json' \
      --data-raw '{
      "model": "ibm/granite-embedding:30m",
      "input": "Hello!"
    }'
    పైథాన్
    import json
    import os
    import urllib.request
    
    payload = json.loads("{\n  \"model\": \"ibm/granite-embedding:30m\",\n  \"input\": \"Hello!\"\n}")
    request = urllib.request.Request("https://api.shareai.now/api/v1/embeddings",
        data=json.dumps(payload).encode(),
        headers={
            "Authorization": f"Bearer {os.environ['SHAREAI_API_KEY']}",
            "Content-Type": "application/json",
        },
        method="POST",
    )
    with urllib.request.urlopen(request) as response:
        print(json.load(response))
    టైప్‌స్క్రిప్ట్
    const response = await fetch("https://api.shareai.now/api/v1/embeddings", {
      method: 'POST',
      headers: {
        Authorization: `Bearer ${process.env.SHAREAI_API_KEY}`,
        'Content-Type': 'application/json',
      },
      body: JSON.stringify({
        "model": "ibm/granite-embedding:30m",
        "input": "Hello!"
      }),
    });
    if (!response.ok) throw new Error(await response.text());
    console.log(await response.json());

టోకెన్ ఎక్స్చేంజ్

టోకెన్ ఎక్స్చేంజ్ ద్వారా అందుబాటులో ఉంది

మీ టోకెన్ బ్యాలెన్స్‌తో నెట్‌వర్క్‌ను ఉపయోగించండి. మీ ఖాతా వినియోగ సెట్టింగులు అభ్యర్థనల బిల్లింగ్‌ను నిర్ణయిస్తాయి.

మీ వెర్షన్‌ను ఎంచుకోండి

ట్యాగ్‌లు 6

దాని స్పెసిఫికేషన్లు మరియు API ఉదాహరణలను చూడటానికి ఒక ట్యాగ్‌ను తెరవండి.

కొంచెం మరింత వివరాలు

తరచుగా అడిగే ప్రశ్నలు

గ్రానైట్-ఎంబెడింగ్ అంటే ఏమిటి?

IBM Granite Embedding 30M మరియు 278M మోడల్స్ టెక్స్ట్-ఒన్లీ డెన్స్ బైఎన్‌కోడర్ ఎంబెడింగ్ మోడల్స్, 30M ఇంగ్లీష్‌లో మాత్రమే అందుబాటులో ఉంది మరియు 278M అనేక భాషల వినియోగాలను అందిస్తుంది.

గ్రానైట్-ఎంబెడింగ్ ఖర్చు ఎంత?

ఈ ట్యాగ్ టోకెన్ ఎక్స్చేంజ్ ద్వారా అందుబాటులో ఉంది. మీ టోకెన్ బ్యాలెన్స్ మరియు ఖాతా వినియోగ సెట్టింగ్‌లు యాక్సెస్ మరియు బిల్లింగ్‌ను నిర్ణయిస్తాయి. మీ బ్యాలెన్స్ మరియు అర్హతను తనిఖీ చేయడానికి మీ కన్సోల్‌ను చూడండి.

గ్రానైట్-ఎంబెడింగ్ ఏ ఇన్‌పుట్‌లు మరియు అవుట్‌పుట్‌లను మద్దతు ఇస్తుంది?

ఇన్‌పుట్‌లు: టెక్స్ట్. అవుట్‌పుట్‌లు: ఎంబెడింగ్స్. ఈ సామర్థ్యాలు ఎంపిక చేసిన మోడల్ ట్యాగ్‌కు వర్తిస్తాయి. మద్దతు ఇచ్చే అభ్యర్థన ఫార్మాట్‌ల కోసం ఎండ్‌పాయింట్ డాక్యుమెంటేషన్‌ను తనిఖీ చేయండి.

గ్రానైట్-ఎంబెడింగ్ యొక్క కంటెక్స్ట్ పొడవు ఎంత?

ఈ ట్యాగ్‌కు 512 టోకెన్ల కంటెక్స్ట్ విండో ఉంది. కంటెక్స్ట్ పరిమాణం మరియు ధరల పరిమితులు వేర్వేరు. నిర్దిష్ట డిప్లాయ్‌మెంట్ కోసం అభ్యర్థన పరిమితులు తక్కువగా ఉండవచ్చు.

ShareAIతో గ్రానైట్-ఎంబెడింగ్‌ను ఎలా ఉపయోగించాలి?

ShareAI Consoleలో API కీని సృష్టించండి, మోడల్ ట్యాగ్‌ను ఎంచుకోండి, మరియు Quick Startలో ఎండ్‌పాయింట్‌కు ధృవీకరించిన అభ్యర్థనను పంపండి. మీ కీ ఎంచుకున్న మోడల్‌కు యాక్సెస్ కలిగి ఉండాలి. మీ కీని మీ సర్వర్‌లో ఉంచండి.