使用text-embedding-ada-002模型创建文本向量
输入文本并点击"生成向量"按钮获取结果
输入:
"The quick brown fox jumps over the lazy dog"
输出:
向量表示: [0.012345678, -0.009876543, 0.005678901, ...]
使用tokens: 13, 成本: 0.00117
输入:
"人工智能技术正在重塑各行各业的发展模式"
输出:
向量表示: [-0.008912345, 0.015678901, -0.003456789, ...]
使用tokens: 12, 成本: 0.00108
输入:
"How to effectively optimize machine learning model performance"
输出:
向量表示: [0.00654321, -0.013245678, 0.007890123, ...]
使用tokens: 11, 成本: 0.00099
输入:
"夏日傍晚，湖边的微风带走了一整天的燥热"
输出:
向量表示: [-0.005123456, 0.011987654, -0.002345678, ...]
使用tokens: 10, 成本: 0.0009
将用户查询和文档转换为向量，实现基于语义而非关键词的精准搜索。
将文本转换为向量表示后，用于训练分类模型，实现自动标签和情感分析。
计算文本向量间的相似度，用于查重、推荐系统和自动问答匹配。
为机器学习模型提供高质量的文本向量表示，提升模型训练效果。
理解用户输入语义，提供更准确的回答，提升对话系统的交互体验。
识别不良信息和敏感内容，通过向量比对实现内容安全监控。
文本嵌入是将文本转换为数值向量的过程，这些向量捕捉了文本的语义含义。相似的文本会有相似的向量表示，这使得计算机能够理解和比较文本内容。
API密钥需要在GPTunnel官网注册账号后获取。注册成功后，您可以在账号设置或API管理页面找到您的API密钥。
text-embedding-ada-002是OpenAI提供的高效文本嵌入模型，它在保持高性能的同时价格实惠，适用于大多数文本嵌入需求，生成的向量维度为1536维。
成本根据输入文本的tokens数量计算。响应中会返回本次调用使用的tokens数量和具体成本，您可以根据此估算您的使用成本。
API返回的向量可以存储在您的数据库中，用于后续的相似度计算、聚类分析或作为机器学习模型的输入。您可以使用余弦相似度等方法比较向量间的相似性。
