文本嵌入模型主要用于衡量文本字符串的相关性，常见应用场景包括搜索（结果按与查询字符串的相关性排序）、聚类（文本字符串按相似性分组）、推荐（推荐具有相关文本字符串的项目）、异常检测（识别出相关性很小的异常值）、多样性测量（分析相似性分布）、分类（文本字符串按其最相似的标签分类）。
嵌入是浮点数的向量（列表），两个向量之间的距离衡量它们的相关性，小距离表示高相关性，大距离表示低相关性。
OpenAI 提供了一个第二代嵌入模型（在模型 ID 中用 -002 表示）和 16 个第一代模型（在模型 ID 中用 -001 表示）。对于几乎所有用例，建议使用 text-embedding-ada-002，它更好、更便宜、更易于使用。
要获得嵌入，需将文本字符串连同选择的嵌入模型 ID（例如，text-embedding-ada-002）一起发送到嵌入 API 端点，响应将包含一个嵌入，您可以提取、保存和使用它。在OpenAI Cookbook中可查看更多 Python 代码示例。
此外，Stable Diffusion 使用 CLIP 来处理文本提示，用户输入的文本描述通过 CLIP 模型编码为一个文本嵌入，这个嵌入表示了文本的语义信息，确保模型理解用户想要生成的图像内容。CLIP 在引导图像生成、优化生成结果等方面也发挥着重要作用。
OpenAI的文本嵌入衡量文本字符串的相关性。嵌入通常用于：搜索（结果按与查询字符串的相关性排序）聚类（其中文本字符串按相似性分组）推荐（推荐具有相关文本字符串的项目）异常检测（识别出相关性很小的异常值）多样性测量（分析相似性分布）分类（其中文本字符串按其最相似的标签分类）嵌入是浮点数的向量（列表）。两个向量之间的距离衡量它们的相关性。小距离表示高相关性，大距离表示低相关性。访问我们的定价页面以了解嵌入定价。请求根据发送的输入中的Token数量计费。[heading3]如何获得嵌入[content]要获得嵌入，请将您的文本字符串连同选择的嵌入模型ID（例如，text-embedding-ada-002）一起发送到嵌入API端点。响应将包含一个嵌入，您可以提取、保存和使用它。[heading3]示例请求：[heading3]示例响应：[content]在[OpenAI Cookbook](https://github.com/openai/openai-cookbook/)中查看更多Python代码示例。
OpenAI提供了一个第二代嵌入模型（在模型ID中用-002表示）和16个第一代模型（在模型ID中用-001表示）。我们建议对几乎所有用例使用text-embedding-ada-002。它更好、更便宜、更易于使用。|模型生成|分词器|最大输入token|数据来源截止至||-|-|-|-||V2|cl100k_base|8191|Sep 2021||V1|GPT-2/GPT-3|2046|Aug 2020|使用量按输入Token定价，每1000个Token 0.0004美元，或每美元约3,000页[heading4]第二代模型[content]|模型名称|分词器|最大输入token|输出||-|-|-|-||text-embedding-ada-002|cl100k_base|8191|1536|
source：github.com/Faildes/Chattiori-Model-MergerCLIP:连接文本与图像source:openai.com/index/clip/缓解计算机视觉深度学习中的一些主要问题：昂贵的数据集（Costly datasets）局限性（Narrow）CLIP Text EncoderSDXL Base模型由U-Net、VAE以及CLIP Text Encoder（两个）三个模块组成，在FP16精度下Base模型大小6.94G（FP32：13.88G），其中U-Net占5.14G、VAE模型占167M以及两个CLIP Text Encoder一大一小（OpenCLIP ViT-bigG和OpenAI CLIP ViT-L）分别是1.39G和246M。文本-图像匹配Stable Diffusion使用CLIP来处理文本提示。用户输入的文本描述通过CLIP模型编码为一个文本嵌入（text embedding）。这个嵌入表示了文本的语义信息，确保模型理解用户想要生成的图像内容。CLIP引导图像生成在扩散过程中，Stable Diffusion会生成一系列噪声图像，并逐步去噪以逼近目标图像。CLIP的文本嵌入用来引导这个去噪过程，确保生成的图像与输入的文本提示匹配。优化生成结果CLIP还可以用于评估和优化生成的图像。通过对比生成的图像和文本描述之间的相似度，模型可以迭代调整生成过程，使图像更符合输入描述。