Kvantora.ai
ВойтиНачать работу
К результатам поиска

zhipu

Embedding 2

Преобразует текст в векторы для работы с векторной базой данных. Позволяет подключать внешнюю базу знаний к языковой модели.

  • 8 000 токенов8 000 токеновКонтекстное окно по данным каталога. Лимит ответа и допустимый объём запроса проверяйте отдельно.
Вход
8,68 ₽
за 1 млн токенов
Подключить API
API ID
zhipu/embedding-2

Данные каталога получены .

Цена

Векторизация · вход
8,68 ₽ / 1 млн токенов

Цена указана в рублях для выбранной операции и её параметров.

Перед оплачиваемым запросом создаётся резерв. Итоговый расход привязан к сохранённым параметрам и тарифу запроса. При неизвестном результате резерв удерживается до проверки; такой запрос не следует повторять с новым идентификатором.

О модели

Преобразует текст в векторы для работы с векторной базой данных. Позволяет подключать внешнюю базу знаний к языковой модели. Разработчик: zhipu. Вход: текст. Выход: эмбеддинги. Контекст: 8000 токенов.

Характеристики

Тип модели
Векторизация
Вход модели
Текст

Данные, которые модель принимает вместе с запросом.

Выход модели
Векторизация

Форматы результата, которые создаёт модель.

Контекстное окно
8 000 токенов

Контекстное окно по данным каталога. Лимит ответа и допустимый объём запроса проверяйте отдельно.

Операции
Векторизация

Контрольные показатели

Для этой версии модели оценок пока нет.

Оценки относятся к этой версии модели и методике источника. Качество и скорость конкретного запроса они не гарантируют.

API-запрос

Операция доступна через API. Ключ храните в переменной окружения на своём сервере. REQUEST_ID: уникальный идентификатор запроса. При повторе сохраняйте его и тело запроса.

import json
import os
from urllib.request import Request, HTTPRedirectHandler, build_opener

class NoRedirect(HTTPRedirectHandler):
    def redirect_request(self, req, fp, code, msg, headers, newurl):
        return None

opener = build_opener(NoRedirect)

def post(url, payload):
    request = Request(url, data=json.dumps(payload).encode("utf-8"), headers={
        "Authorization": "Bearer " + os.environ["KVANTORA_API_KEY"],
        "Content-Type": "application/json",
        "Idempotency-Key": os.environ["REQUEST_ID"],
    }, method="POST")
    with opener.open(request, timeout=120) as response:
        return json.load(response)

payload = {
  "model": "zhipu/embedding-2",
  "input": [
    "Текст для поиска"
  ],
  "encoding_format": "float"
}
print(post("https://api.kvantora.ai/v1/embeddings", payload))
Документация APIСоздать API-ключ