日本熟妇hd丰满老熟妇,中文字幕一区二区三区在线不卡 ,亚洲成片在线观看,免费女同在线一区二区

同步接口API詳情

前言

通用文本向量,是通義實驗室基于LLM底座的多語言文本統一向量模型,面向全球多個主流語種,提供高水準的向量服務,幫助開發者將文本數據快速轉換為高質量的向量數據。

模型概覽

模型中文名

模型英文名

數據類型

向量維度

最大輸入字符長度

支持語種

通用文本向量

text-embedding-v1

float(32)

1536

2048

中文、英語、西班牙語、法語、葡萄牙語、印尼語。

text-embedding-v2

中文、英語、西班牙語、法語、葡萄牙語、印尼語、日語、韓語、德語、俄羅斯語。

SDK使用

前提條件

調用示例

說明

SDK支持三種輸入,分別是字符串、字符串列表和文件

說明

需要使用您的API-KEY替換示例中的 YOUR_DASHSCOPE_API_KEY,代碼才能正常運行。

設置API-KEY

 export DASHSCOPE_API_KEY=YOUR_DASHSCOPE_API_KEY

輸入字符串

    import dashscope
    from http import HTTPStatus
    
    
    def embed_with_str():
        resp = dashscope.TextEmbedding.call(
            model=dashscope.TextEmbedding.Models.text_embedding_v1,
            input='衣服的質量杠杠的,很漂亮,不枉我等了這么久啊,喜歡,以后還來這里買')
        if resp.status_code == HTTPStatus.OK:
            print(resp)
        else:
            print(resp)
    
    
    if __name__ == '__main__':
        embed_with_str()
    
    import java.util.Arrays;
    import java.util.concurrent.Semaphore;
    import com.alibaba.dashscope.common.ResultCallback;
    import com.alibaba.dashscope.embeddings.TextEmbedding;
    import com.alibaba.dashscope.embeddings.TextEmbeddingParam;
    import com.alibaba.dashscope.embeddings.TextEmbeddingResult;
    import com.alibaba.dashscope.exception.ApiException;
    import com.alibaba.dashscope.exception.NoApiKeyException;
    
    public final class Main {
        public static void basicCall() throws ApiException, NoApiKeyException{
            TextEmbeddingParam param = TextEmbeddingParam
            .builder()
            .model(TextEmbedding.Models.TEXT_EMBEDDING_V1)
            .texts(Arrays.asList("風急天高猿嘯哀", "渚清沙白鳥飛回", "無邊落木蕭蕭下", "不盡長江滾滾來")).build();
            TextEmbedding textEmbedding = new TextEmbedding();
            TextEmbeddingResult result = textEmbedding.call(param);
            System.out.println(result);
        }
      
        public static void callWithCallback() throws ApiException, NoApiKeyException, InterruptedException{
            TextEmbeddingParam param = TextEmbeddingParam
            .builder()
            .model(TextEmbedding.Models.TEXT_EMBEDDING_V1)
            .texts(Arrays.asList("風急天高猿嘯哀", "渚清沙白鳥飛回", "無邊落木蕭蕭下", "不盡長江滾滾來")).build();
            TextEmbedding textEmbedding = new TextEmbedding();
            Semaphore sem = new Semaphore(0);
            textEmbedding.call(param, new ResultCallback<TextEmbeddingResult>() {
    
              @Override
              public void onEvent(TextEmbeddingResult message) {
                System.out.println(message);
              }
              @Override
              public void onComplete(){
                sem.release();
              }
    
              @Override
              public void onError(Exception err){
                System.out.println(err.getMessage());
                err.printStackTrace();
                sem.release();
              }
              
            });
            sem.acquire();
        }
    
      public static void main(String[] args){
        try{
          callWithCallback();
        }catch(ApiException|NoApiKeyException|InterruptedException e){
          e.printStackTrace();
          System.out.println(e);
    
        }
          try {
            basicCall();
        } catch (ApiException | NoApiKeyException e) {
            System.out.println(e.getMessage());
        }
        System.exit(0);
      }
    }
    

輸入字符串列表

    import dashscope
    from http import HTTPStatus
    
    
    def embed_with_list_of_str():
        resp = dashscope.TextEmbedding.call(
            model=dashscope.TextEmbedding.Models.text_embedding_v1,
            # 最多支持25條,每條最長支持2048tokens
            input=['風急天高猿嘯哀', '渚清沙白鳥飛回', '無邊落木蕭蕭下', '不盡長江滾滾來'])
        if resp.status_code == HTTPStatus.OK:
            print(resp)
        else:
            print(resp)
    
    
    if __name__ == '__main__':
        embed_with_list_of_str()
    
    

輸入文件

  1. 示例文件如下(文件名稱:texts_to_embedding.txt,其中每一行對應一個embedding)

  2. 很不錯的一款產品,送人的額,非常喜歡,很不錯,好評哦,以后還會多多支持的
    已經吃了,感覺不錯。第二次購買,這個價格很實惠,賣家還贈送了美容器和尺子,很愉悅的一次購物。
    衣服的質量杠杠的,很漂亮,不枉我等了這么久啊,喜歡,以后還來這里買,我一次買了四件不到200塊錢,真好
    用了一段時間了,感覺比傳統的風扇好用,廣度大,檔數多,靜音效果也不錯,關鍵是還很漂亮!
    這個熱量低,比意面還低,關鍵是口感還好,挺好吃,多煮一會一級棒,我的減脂早餐就靠它了
    整體評價:好 使用效果:好 包裝與外觀:好 三好商品
    電視機很好,我給老爸買的,老人很喜歡,圖像清晰,音質很好,老人喜歡我滿意。
    寶貝很輕巧,打的時候網彈力很足,兒子非常喜歡,五分好評,還送了羽毛球噢!
    終于裝上,風很大,熱的還可以,排風聲音不小,安裝的師傅說不能直吹,安裝的時候非常滿意,最后還幫忙把棚頂給擦干凈了,非常感謝。
    顏色很美。就是別人的盒子都是平整的,唯獨我的盒子有很嚴重的壓痕。本來想直接用這個盒子裝膠帶的..現在這個樣子強迫癥看著實在很糟心。壓成這樣要么包裝有問題,要么本來產品就有問題。而賣家一直在甩鍋快遞。由于包裹是被家里人拆開的,所以我也不知道是什么樣子的,不好跟賣家掰扯。但我看別的人都是紙盒裝的,想來我這個也是紙盒裝的。那么排除包裝的原因的話,很可能就是寄過來的就是個瑕疵品。比起同樣今天到貨的另一家,有個小瑕疵立馬給我補寄了一個,這家的處理方式真的..換貨..或者直接道歉說疏忽我都接受的。甩鍋真的不能忍。本來還給好幾個人推了這家店...就挺失望的 以后應該不會來了。這堅定的甩鍋態度我也不點退換了..請不要給我打電話改評,謝謝。
  3. 代碼如下:

  4. from http import HTTPStatus
    from dashscope import TextEmbedding
    
    
    def embed_with_file_content():
        # 文件中最多支持25條,每條最長支持2048tokens
        with open('tests_to_embedding.txt', 'r', encoding='utf-8') as f:
            resp = TextEmbedding.call(
                model=TextEmbedding.Models.text_embedding_v1,
                input=f)
            if resp.status_code == HTTPStatus.OK:
                print(resp)
            else:
                print(resp)
    
    
    if __name__ == '__main__':
        embed_with_file_content()
    

輸出示例

{
    "status_code": 200, // 200 indicate success otherwise failed.
    "request_id": "fd564688-43f7-9595-b986-737c38874a40", // The request id.
    "code": "", // If failed, the error code.
    "message": "", // If failed, the error message.
    "output": {
        "embeddings": [ // embeddings
            {
                "embedding": [ // one embedding output
                    -3.8450357913970947, ...,
                    3.2640624046325684
                ],
                "text_index": 0 // the input index.
            }
        ]
    },
    "usage": {
        "total_tokens": 3 // the request tokens.
    }
}

參數詳解

  1. 請求參數

    參數名稱

    必選

    示例值

    描述

    model

    text-embedding-v2

    • 取值:調用的模型名稱,可以選擇text-embedding-v1或者text-embedding-v2

    • 說明:代表模型的英文名稱

    input

    衣服的質量杠杠的,很漂亮,不枉我等了這么久啊,喜歡,以后還來這里買

    • 取值:input可以是字符串,字符串列表, 或者打開的文件(需要embedding的內容,1行一條)

    • 說明:

      • input是字符串時最長支持2048tokens

      • input是字符串列表時最多支持25條,每條最長支持2048tokens

      • input是文件時最多支持25條,每條最長支持2048tokens

    text_type

    query

    • 取值:query 或者 document,默認值為 document

    • 說明:文本轉換為向量后可以應用于檢索、聚類、分類等下游任務,對檢索這類非對稱任務為了達到更好的檢索效果建議區分查詢文本(query)和底庫文本(document)類型, 聚類、分類等對稱任務可以不用特殊指定,采用系統默認值"document"即可

  2. 響應參數

    字段

    類型

    描述

    示例值

    output.embeddings

    Array

    本次請求的算法輸出內容,是一個由結構組成的數組,每一個數組中包含一個對應的輸入 text 的算法輸出內容。

    {
      "embeddings": [
        {
          "text_index": 0,
          "embedding": [
            -0.006929283495992422,
            -0.005336422007530928,
            ... 省略
          ]
        },
        {
          "text_index": 1,
          "embedding": [
            -0.006929283495992422,
            -0.005336422007530928,
            ... 省略
          ]
        },
        {
          "text_index": 2,
          "embedding": [
            -0.006929283495992422,
            -0.005336422007530928,
            ... 省略
          ]
        },
        {
          "text_index": 3,
          "embedding": [
            -0.006929283495992422,
            -0.005336422007530928,
            ... 省略
          ]
        }
      ]
    }

    output.embeddings.text_index

    Integer

    本結構中的算法結果對應的輸入文字在輸入數組中的索引值。

    0,1,2,3...

    output.embeddings.embedding

    Array

    對應字符串的算法輸出 embedding,java sdk統一轉換為Double,參考模型輸出類型,進行比較的數據轉換。

    [
      -0.006929283495992422,
      -0.005336422007530928,
      ... 省略
    ]

    usage.input_tokens

    Integer

    本次請求輸入內容的 token 數目,算法的計量是根據用戶輸入字符串被模型tokenizer解析之后對應的token 數目來進行。

    12

    request_id

    String

    本次請求的系統唯一碼

    7574ee8f-38a3-4b1e-9280-11c33ab46e51

java sdk輸出字段考慮兼容性為double類型,可以按照模型輸出類型轉換為對應精度數據。

HTTP調用

說明

本模型還可通過HTTP的方式進行調用,以適用更靈活的業務開發,下方示例提供了CURL命令,其中用POST方式請求了接口:https://dashscope.aliyuncs.com/api/v1/services/embeddings/text-embedding/text-embedding

參數詳解

  1. 請求參數

    字段

    類型

    傳參方式

    必選

    示例值

    描述

    Content-Type

    String

    Header

    application/json

    • 取值:固定值,無需更改

    • 說明:請求類型

    Authorization

    String

    Header

    Bearer d1**2a

    • 取值:需要填入您的API-KEY

    • 說明:API-KEY的獲取方式參考上方文檔中的調用前準備

    model

    String

    Body

    text-embedding-v2

    • 取值:調用模型名稱,text-embedding-v1 或者 text-embedding-v2

    • 說明:指明需要調用的模型。

    input.texts

    Array

    Body

    ["風急天高猿嘯哀",

    "渚清沙白鳥飛回",

    "無邊落木蕭蕭下",

    "不盡長江滾滾來"]

    • 取值:文本內容,需要計算的輸入字符串,支持中英文。

    • 說明:支持多條文本輸入,每次請求最多 25 條;每一條最長支持 2048 tokens。

    parameters.text_type

    String

    Body

    "text_type": "query"

    • 取值:query 或者 document,默認值為 document

    • 說明:文本轉換為向量后可以應用于檢索、聚類、分類等下游任務,對檢索這類非對稱任務為了達到更好的檢索效果建議區分查詢文本(query)和底庫文本(document)類型, 聚類、分類等對稱任務可以不用特殊指定,采用系統默認值"document"即可

  2. 響應參數

    字段

    類型

    描述

    示例值

    output.embeddings

    Array

    本次請求的算法輸出內容,是一個由結構組成的數組,每一個數組中包含一個對應的輸入 text 的算法輸出內容。

    {
      "embeddings": [
        {
          "text_index": 0,
          "embedding": [
            -0.006929283495992422,
            -0.005336422007530928,
            ...省略
          ]
        },
        {
          "text_index": 1,
          "embedding": [
            -0.006929283495992422,
            -0.005336422007530928,
            ...省略
          ]
        },
        {
          "text_index": 2,
          "embedding": [
            -0.006929283495992422,
            -0.005336422007530928,
            ...省略
          ]
        },
        {
          "text_index": 3,
          "embedding": [
            -0.006929283495992422,
            -0.005336422007530928,
            ...省略
          ]
        }
      ]
    }

    output.embeddings.text_index

    Integer

    本結構中的算法結果對應的輸入文字在輸入數組中的索引值。

    0,1,2,3...

    output.embeddings.embedding

    Array

    對應字符串的算法輸出 embedding。

    [
      -0.006929283495992422,
      -0.005336422007530928,
      ... 省略
    ]

    usage.total_tokens

    Integer

    本次請求輸入內容的 token 數目,算法的計量是根據用戶輸入字符串被模型tokenizer解析之后對應的token 數目來進行。

    12

    request_id

    String

    本次請求的系統唯一碼

    7574ee8f-38a3-4b1e-9280-11c33ab46e51

Curl示例

curl --location 'https://dashscope.aliyuncs.com/api/v1/services/embeddings/text-embedding/text-embedding' \
--header 'Authorization: Bearer <your-dashscope-api-key>' \
--header 'Content-Type: application/json' \
--data '{
    "model": "text-embedding-v1",
    "input": {
        "texts": [
        "風急天高猿嘯哀",
        "渚清沙白鳥飛回", 
        "無邊落木蕭蕭下", 
        "不盡長江滾滾來"
        ]
    },
    "parameters": {
    		"text_type": "query"
    }
}'

響應示例

  1. 調用成功示例

    {
        "output":{
            "embeddings": [
              {
                 "text_index": 0,
                 "embedding": [-0.006929283495992422,-0.005336422007530928, ...]
              }, 
              {
                 "text_index": 1,
                 "embedding": [-0.006929283495992422,-0.005336422007530928, ...]
              },
              {
                 "text_index": 2,
                 "embedding": [-0.006929283495992422,-0.005336422007530928, ...]
              },
              {
                 "text_index": 3,
                 "embedding": [-0.006929283495992422,-0.005336422007530928, ...]
              }
            ]
        },
        "usage":{
            "total_tokens":12
        },
        "request_id":"d89c06fb-46a1-47b6-acb9-bfb17f814969"
    }
  2. 調用異常示例

    {
        "code":"InvalidApiKey",
        "message":"Invalid API-key provided.",
        "request_id":"fb53c4ec-1c12-4fc4-a580-cdb7c3261fc1"
    }

    注:在訪問請求出錯的情況下,輸出的結果中會通過 code 和 message 指明出錯原因。

狀態碼說明

DashScope通用狀態碼請查閱:返回狀態碼說明