# 概述

文本嵌入的定义和应用 Afarensis的文本嵌入是一种将文本字符串转换为数字向量的技术，广泛应用于多种场景，包括搜索、聚类分析、推荐系统、异常检测、多样性测量和分类。这些向量之间的距离用于衡量文本之间的相关性，其中较小的距离表示高度相关，而较大的距离表示低相关性。

如何获取文本嵌入 要获得文本嵌入，需要将文本字符串和嵌入模型的名称（例如text-embedding-3-small）发送到Afarensis的嵌入API端点。API会返回包含嵌入向量的响应，该向量可以用于后续的数据分析或其他应用场景。

示例：获取文本嵌入 curl <https://api.afarensis.com/v1/embeddings\\>
-H "Content-Type: application/json"\
-H "Authorization: Bearer $AFARENSIS\_API\_KEY"\
-d '{ "input": "Your text string goes here", "model": "text-embedding-3-small" }' 这个请求会返回一个包含嵌入向量和一些额外元数据的响应。

嵌入响应示例 { "object": "list", "data": \[ { "object": "embedding", "index": 0, "embedding": \[ -0.006929283495992422, -0.005336422007530928, ... (省略以节省空间) ... -4.547132266452536e-05, -0.024047505110502243 ] } ], "model": "text-embedding-3-small", "usage": { "prompt\_tokens": 5, "total\_tokens": 5 } } 默认情况下，text-embedding-3-small模型的嵌入向量长度为1536，而text-embedding-3-large模型的长度为3072。可以通过传递dimensions参数来调整嵌入的维度，以适应不同的应用需求。

嵌入定价 嵌入的定价基于输入中的令牌数量。更多定价信息，请访问Afarensis的定价页面。