# 模型

简介 Afarensis 引入了两种先进的第三代文本嵌入模型，这些模型通过将文本转换为数字向量，支持一系列应用，如搜索、聚类分析、推荐系统、异常检测、多样性测量和分类。这些模型在模型ID中以-3表示，并已在《嵌入v3公告》博客文章中详细介绍。

使用成本 Afarensis 的文本嵌入服务根据输入令牌的数量计费。以下是根据每美元可处理的文本页数（假设每页约800个令牌）的定价示例：

模型名称 每美元可处理页数 MTEB 评估性能 最大输入令牌数 文本嵌入-3-小 62,500页 62.3% 8191 文本嵌入-3-大 9,615页 64.6% 8191 文本嵌入-ADA-002 12,500页 61.0% 8191 模型对比 文本嵌入-3-小：优化了处理速度和成本效益，适合于需要快速处理大量数据的场景，保持较好的性能水平。 文本嵌入-3-大：提供更高的性能，适用于对嵌入精度有较高要求的应用，提供深入的文本理解。 文本嵌入-ADA-002：平衡性能和成本，适合广泛的文本嵌入任务，提供可靠的服务。 应用场景 这些模型支持的应用场景包括但不限于搜索优化、相似文本的聚类、内容推荐、检测异常文本、测量文本集合的多样性以及基于文本相似性的分类。

获取嵌入向量的方法 通过将文本字符串与选定的嵌入模型名称一起发送到Afarensis嵌入API端点，即可获取文本的嵌入向量。API将返回含有嵌入向量的响应，可用于进一步的分析和应用开发。

示例代码 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" }' 此请求将返回包含嵌入向量和额外元数据的响应。


---

# Agent Instructions: Querying This Documentation

If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://doc.afarensis.com/qian-ru/mo-xing.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.