2024 წლის 25 იანვარს ემბედინგების ორი ახალი მოდელი გამოვუშვით: text-embedding-3-small და text-embedding-3-large. ეს ჩვენი უახლესი და ყველაზე ეფექტიანი ემბედინგების მოდელებია, რომლებიც გამოირჩევა ნაკლები ხარჯით, მრავალ ენაზე მუშაობის უკეთესი ხარისხითა და ემბედინგების შესამოკლებელი ახალი პარამეტრით. გაიგეთ მეტი.
რა განსხვავებაა ჩაშენებების უახლეს მოდელებში?
ჩვენი უახლესი v3 მოდელები გავრცელებულ ბენჩმარკებში უკეთეს წარმადობას უზრუნველყოფს შემცირებულ ფასად. წარმადობის გაუმჯობესებების შესახებ მეტის წაკითხვა შეგიძლიათ განცხადების ბლოგპოსტში და დეველოპერის დოკუმენტაციაში.
როგორ გავიგო, რამდენი token ექნება სტრიქონს, სანამ მის ჩაშენებას ვცდი?
შეგიძლიათ გამოიყენოთ OpenAI-ის Tiktoken პაკეტი, რათა შეამოწმოთ, რამდენი token ექნება სტრიქონს. გაიგეთ მეტი ჩვენს ჩაშენებების დეველოპერის სახელმძღვანელოში.
როგორ მივიღო K უახლოესი ჩაშენების ვექტორი სწრაფად?
ბევრ ვექტორში სწრაფად საძიებლად გირჩევთ გამოიყენოთ ვექტორული მონაცემთა ბაზა.
რომელი მანძილის ფუნქცია გამოვიყენო?
OpenAI API-ის ჩაშენების შედეგები ნაგულისხმევად L2-ნორმალიზებულია სიგრძე 1-მდე, მათ შორის dimensions პარამეტრით შემოკლების შემდეგაც, რაც ნიშნავს, რომ:
OpenAI-ის ჩაშენებები ნორმალიზებულია სიგრძე 1-მდე, რაც ნიშნავს, რომ:
კოსინუსური მსგავსება შეიძლება ოდნავ უფრო სწრაფად გამოითვალოს მხოლოდ სკალარული ნამრავლის გამოყენებით
კოსინუსური მსგავსება და ევკლიდური მანძილი იდენტურ რეიტინგებს მოგვცემს