Documentation Index
Fetch the complete documentation index at: https://docs.bigmodel.cn/llms.txt
Use this file to discover all available pages before exploring further.
概览
Embedding-3 是智谱AI 推出的第三代文本向量化模型，在前代基础上全面升级，提供更强的语义理解能力和更灵活的向量维度选择。该模型支持自定义向量维度，在保持高质量语义表示的同时，为不同应用场景提供了更优的性能和成本平衡。
推荐场景
利用更强的语义理解能力，实现更精准的文档检索和问答系统，特别适合专业领域的知识库构建。
基于用户行为和内容特征的深度理解，提供更个性化和精准的推荐服务，提升用户体验。
深度分析文本内容的主题、情感和意图，用于舆情监控、内容审核和市场分析。
通过语义向量化技术，自动发现实体关系，构建和完善知识图谱，支持复杂的知识推理。
使用资源
体验中心：快速测试模型在业务场景上的效果
接口文档：API 调用方式
详细介绍
模型升级
Embedding-3 在架构和训练数据上都进行了重大升级，显著提升了语义理解的准确性和泛化能力。新模型在多个评测基准上都取得了显著的性能提升。核心升级：
- 增强语义理解：更深层的语义捕捉能力，理解复杂的语言表达
- 多语言优化：针对中文、英文等多语言场景进行专门优化
- 领域适应性：在科技、金融、医疗等专业领域表现更佳
- 鲁棒性提升：对噪声文本和非标准表达有更强的容错能力
灵活维度选择
Embedding-3 支持自定义向量维度，用户可以根据具体应用场景选择最适合的维度，在性能和存储成本之间找到最佳平衡。维度选项：
- 2048维（默认）：最高精度，适合对准确性要求极高的场景
- 1024维：高精度与效率的平衡，适合大多数应用场景
- 512维：中等精度，适合大规模部署的场景
- 256维：较高效率，适合实时性要求高的场景
技术参数：
- 输入字符串数组中，单条请求最多支持 3072 个 Tokens，且数组最大不得超过 64 条
调用示例
以下是一个完整的调用示例，帮助您快速上手 Embedding-3 模型。
cURL
python
Java
Python(旧)
响应示例
# 使用默认维度
curl -X POST \
https://open.bigmodel.cn/api/paas/v4/embeddings \
-H "Authorization: Bearer your-api-key" \
-H "Content-Type: application/json" \
-d '{
"model": "embedding-3",
"input": "这是一段需要向量化的文本"
}'
# 自定义维度
curl -X POST \
https://open.bigmodel.cn/api/paas/v4/embeddings \
-H "Authorization: Bearer your-api-key" \
-H "Content-Type: application/json" \
-d '{
"model": "embedding-3",
"input": "这是一段需要向量化的文本",
"dimensions": 512
}'
安装 SDK# 安装最新版本
pip install zai-sdk
# 或指定版本
pip install zai-sdk==0.2.2
import zai
print(zai.__version__)
from zai import ZhipuAiClient
client = ZhipuAiClient(api_key="your api key")
response = client.embeddings.create(
model="embedding-3", #填写需要调用的模型编码
input=[
"美食非常美味，服务员也很友好。",
"这部电影既刺激又令人兴奋。",
"阅读书籍是扩展知识的好方法。"
],
)
print(response)
安装 SDKMaven<dependency>
<groupId>ai.z.openapi</groupId>
<artifactId>zai-sdk</artifactId>
<version>0.3.3</version>
</dependency>
implementation 'ai.z.openapi:zai-sdk:0.3.3'
import ai.z.openapi.ZhipuAiClient;
import ai.z.openapi.service.embedding.EmbeddingCreateParams;
import ai.z.openapi.service.embedding.EmbeddingResponse;
import java.util.Arrays;
import java.util.List;
public class Embedding3Example {
public static void main(String[] args) {
// 初始化客户端
ZhipuAiClient client = ZhipuAiClient.builder().ofZHIPU()
.apiKey("your-api-key")
.build();
// 创建向量化请求（自定义维度）
EmbeddingCreateParams request = EmbeddingCreateParams.builder()
.model("embedding-3")
.input(Arrays.asList("Hello world", "How are you?", "How is the weather today?"))
.dimensions(768) // 指定768维
.build();
// 发送请求
EmbeddingResponse response = client.embeddings().createEmbeddings(request);
System.out.println("向量: " + response.getData());
}
}
from zhipuai import ZhipuAI
client = ZhipuAI(api_key="your api key")
response = client.embeddings.create(
model="embedding-3", #填写需要调用的模型编码
input=[
"美食非常美味，服务员也很友好。",
"这部电影既刺激又令人兴奋。",
"阅读书籍是扩展知识的好方法。"
],
)
print(response)
{
"model": "embedding-3",
"data": [
{
"embedding": [
-0.02675454691052437,
0.019060475751757622,
......
-0.005519774276763201,
0.014949671924114227
],
"index": 0,
"object": "embedding"
},
...
{
"embedding": [
-0.02675454691052437,
0.019060475751757622,
......
-0.005519774276763201,
0.014949671924114227
],
"index": 2,
"object": "embedding"
}
],
"object": "list",
"usage": {
"completion_tokens": 0,
"prompt_tokens": 100,
"total_tokens": 100
}
}
最佳实践
根据应用场景选择合适的向量维度：
- 高精度场景（如法律文档检索）：使用2048维
- 通用应用（如商品推荐）：使用1024或512维
- 实时应用（如在线搜索）：使用256维
提升向量化性能的建议：
- 合理使用批处理，单次最多64条文本
- 预处理文本以去除无关信息
- 缓存常用文本的向量结果
- 根据业务需求选择合适的向量维度
提高向量质量的技巧：
- 保持输入文本的完整性和上下文
- 避免过度分割长文本
- 统一文本格式和编码
- 定期评估向量质量并调整策略
向量存储的优化建议：
- 使用适当的向量数据库
- 建立合适的索引以加速检索
- 定期清理过期或低质量的向量
- 考虑向量压缩技术以节省存储空间
用户并发权益
API 调用会受到速率限制，当前我们限制的维度是请求并发数量（在途请求任务数量）。不同等级的用户并发保障如下。
