在我尝试嵌入一个字符串之前，我如何知道它有多少个标记？

在我尝试嵌入一个字符串之前，我如何知道它有多少个标记？

对于 V2 嵌入模型，截至 2022 年 12 月，还没有办法将字符串拆分为标记。获取令牌总数的唯一方法是提交 API 请求。

• 如果请求成功，您可以从响应中提取令牌数：`response[“usage”][“total_tokens”]`

• 如果请求因令牌太多而失败，您可以从错误消息中提取令牌数：`此模型的最大上下文长度为 8191 个令牌，但是您请求了 10000 个令牌（提示中为 10000；完成时为 0）。请减少您的提示；或完成长度。`

对于基于 GPT-2/GPT-3 标记化的 V1 嵌入模型，您可以通过以下几种方式计算标记：

• 对于一次性检查，OpenAI 分词器页面很方便

• 在 Python 中，transformers.GPT2TokenizerFast（GPT-2 分词器与 GPT-3 相同）

• 在 JavaScript 中，gpt-3-encoder

如何快速检索 K 个最近的嵌入向量？

为了快速搜索多个矢量，我们建议使用矢量数据库。

矢量数据库选项包括：

• Pinecone，一个完全托管的矢量数据库

• Weaviate，一个开源矢量搜索引擎

• Faiss , Facebook 的矢量搜索算法

我应该使用哪个距离函数？

我们推荐余弦相似度。距离函数的选择通常无关紧要。

OpenAI 嵌入被归一化为长度 1，这意味着：

• 仅使用点积可以稍微更快地计算余弦相似度

• 余弦相似度和欧几里德距离将导致相同的排名