OpenAI-API-中文版

一. Introduction 介绍

假如你想运用咱们的API，你能够经过 HTTP 恳求从任何言语与 API 进行交互，也能够运用咱们的官方 Python 绑定、官方 Node.js库或 社区维护的库。

若要装置官方 Python 绑定，请运转以下指令：

pip install openai

要装置官方的 Node.js 库，请在您的 Node.js 项目目录中运转以下指令：

npm install openai

二. Authentication 认证

1. OpenAI-API-KEY

OpenAI API 运用 API密钥进行身份验证。请拜访您的 API密钥 页面以检索您在恳求中运用的API密钥。

请记住，您的API密钥是机密的！ 不要与他人分享它或在任何客户端代码（浏览器、应用程序）中揭露它。生产恳求有必要经过您自己的后端服务器路由，其间您的 API密钥能够从环境变量或密钥办理服务中安全加载。

一切API恳求都应在 Authorization HTTP标头中包含您的API密钥，如下所示：

# 留意Bearer OPENAI_API_KEY，Bearer的后面是有一个空格的
Authorization: Bearer OPENAI_API_KEY

2. OpenAI-Organization

Requesting organization 恳求安排

关于归于多个安排的用户，您能够传递一个表头来指定用于 API恳求的安排。这些 API恳求的运用将计入指定安排的订阅配额。

示例 curl 指令：

curl https://api.openai.com/v1/models \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -H "OpenAI-Organization: org-gth0C8mT2wnKealyCkSRrpQk"

运用 openai Python包 的示例：

import os
import openai
openai.organization = "org-gth0C8mT2wnKealyCkSRrpQk"
openai.api_key = os.getenv("OPENAI_API_KEY")
openai.Model.list()

运用 openai Node.js包 的示例：

import { Configuration, OpenAIApi } from "openai";
const configuration = new Configuration({
    organization: "org-gth0C8mT2wnKealyCkSRrpQk",
    apiKey: process.env.OPENAI_API_KEY,
});
const openai = new OpenAIApi(configuration);
const response = await openai.listEngines();

能够在 安排设置 页面上找到 安排ID

三. Making requests 提出恳求

您能够将下面的指令粘贴到您的终端中，以运转您的第一个 API恳求。请保证将 $OPENAI_API_KEY 替换为您的 API密钥。

curl https://api.openai.com/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -d '{
     "model": "gpt-3.5-turbo",
     "messages": [{"role": "user", "content": "Say this is a test!"}],
     "temperature": 0.7
   }'

此恳求查询 gpt-3.5-turbo模型，以完结从提示“Say this is a test”开端的文本。您应该会收到相似以下内容的呼应：

{
   "id":"chatcmpl-abc123",
   "object":"chat.completion",
   "created":1677858242,
   "model":"gpt-3.5-turbo-0301",
   "usage":{
      "prompt_tokens":13,
      "completion_tokens":7,
      "total_tokens":20
   },
   "choices":[
      {
         "message":{
            "role":"assistant",
            "content":"\n\nThis is a test!"
         },
         "finish_reason":"stop",
         "index":0
      }
   ]
}

现在您现已生成了第一个谈天完结。咱们能够看到 finish_reason 是 stop，这意味着API回来了模型生成的完整完结。在上面的恳求中，咱们只生成了一条音讯，但您能够将 n 参数设置为生成多个音讯选项。在此示例中，gpt-3.5-turbo 被用于更传统的文本完结使命。该模型也针对谈天应用进行了优化。

四. Models 模型

列出并描绘 API 中可用的各种模型。您能够参看模型文档以了解可用的模型以及它们之间的差异。

1. List models 列出模型

GET
https://api.openai.com/v1/models

列出当时可用的模型，并供给有关每个模型的基本信息，例如一切者和可用性。

恳求演示：

curl https://api.openai.com/v1/models \
  -H "Authorization: Bearer $OPENAI_API_KEY"

呼应：

{
  "data": [
    {
      "id": "model-id-0",
      "object": "model",
      "owned_by": "organization-owner",
      "permission": [...]
    },
    {
      "id": "model-id-1",
      "object": "model",
      "owned_by": "organization-owner",
      "permission": [...]
    },
    {
      "id": "model-id-2",
      "object": "model",
      "owned_by": "openai",
      "permission": [...]
    },
  ],
  "object": "list"
}

2. Retrieve model 检索模型

GET
https://api.openai.com/v1/models/{model}

检索模型实例，供给有关模型的基本信息，例如一切者和权限。

其间，model 为必填的字符串类型，用于此恳求的模型的 ID。

恳求演示：

curl https://api.openai.com/v1/models/text-davinci-003 \
  -H "Authorization: Bearer $OPENAI_API_KEY"

呼应：

{
  "id": "text-davinci-003",
  "object": "model",
  "owned_by": "openai",
  "permission": [...]
}

五. Completions 完结

给定一个提示，模型将回来一个或多个猜测的完结，并且还能够在每个方位回来代替令牌的概率。

1. Create completion

POST
https://api.openai.com/v1/completions

为供给的提示和参数创立完结。

恳求演示：

curl https://api.openai.com/v1/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -d '{
    "model": "text-davinci-003",
    "prompt": "Say this is a test",
    "max_tokens": 7,
    "temperature": 0
  }'

呼应：

{
  "id": "cmpl-uqkvlQyYK7bGYrRHQ0eXlWi7",
  "object": "text_completion",
  "created": 1589478378,
  "model": "text-davinci-003",
  "choices": [
    {
      "text": "\n\nThis is indeed a test",
      "index": 0,
      "logprobs": null,
      "finish_reason": "length"
    }
  ],
  "usage": {
    "prompt_tokens": 5,
    "completion_tokens": 7,
    "total_tokens": 12
  }
}

Request body(入参详解)

model （string，必填）

要运用的模型的 ID。能够运用列表模型API (GET api.openai.com/v1/models) 检查一切可用模型，或参看模型概述了解它们的描绘。

prompt （string or array，选填，Defaults to <|endoftext|>）

用于生成完结、编码为字符串、字符串数组、符号数组或符号数组数组的提示。

留意 |endoftext| 是模型在练习期间看到的文档分隔符，因而假如未指定提示，模型将生成，就像重新文档的最初一样。

suffix （string，选填，Defaults to null）

完结插入文本后的后缀。

max_tokens （integer，选填，Defaults to 16）

完结时要生成的最大 token 数。

提示 max_tokens 的 token 计数不能超过模型的上下文长度。大多数模型的上下文长度为 2048 个令牌（最新模型除外，它支撑 4096）

temperature （number，选填，Defaults to 1）

运用哪个采样温度，在 0和2之间。

较高的值，如0.8会使输出更随机，而较低的值，如0.2会使其愈加会集和确定性。

咱们一般主张修正这个（temperature ）为 top_p 但两者不能一同存在，二选一。

top_p （number，选填，Defaults to 1）

一种代替温度采样的办法叫做中心采样，模型会考虑到具有 top_p 概率质量的符号成果。因而，0.1 表明只要占前 10% 概率质量的符号被考虑。

咱们一般主张修正这个（top_p ）或许 temperature，但不要一同修正两者。

n （integer，选填，Defaults to 1）

每个 prompt 生成的完结次数。

留意：由于此参数会生成许多完结，因而它会快速耗费您的令牌配额。当心运用，并保证对 max_tokens 和 stop 进行合理的设置。

stream （boolean，选填，Defaults to false）

是否回来部分进展流。假如设置，令牌将作为数据服务器推送事情跟着它们变得可用而发送，流经过 data: [DONE] 音讯停止。

logprobs （integer，选填，Defaults to null）

在 logprobs 回来的最有或许的符号列表中，包含所选符号和对应的对数概率。

例如，假如 logprobs 为 5，则 API 将回来一个由 5 个最有或许的符号组成的列表。API 总是会回来采样符号的对数概率，因而呼应中或许会有多达 logprobs+1 个元素。

logprobs 的最大值为 5。假如您需求更多，请经过咱们的协助中心联系咱们并描绘您的用例。

echo （boolean，选填，Defaults to false）

除了完结之外，还回显提示

stop （string or array，选填，Defaults to null）

最多生成4个序列，API将中止生成更多的符号。回来的文本不包含中止序列。

presence_penalty （number，选填，Defaults to 0）

介于 -2.0 和 2.0 之间的数字。正值会依据它们是否呈现在文本中迄今为止来赏罚新令牌，然后添加模型谈论新主题的或许性。

请参看有关频率和状况赏罚的更多信息

frequency_penalty （number，选填，Defaults to 0）

介于-2.0和2.0之间的数字。正值会依据文本中新令牌的现有频率对其进行赏罚，然后下降模型重复相同行的或许性。

请参看有关频率和存在赏罚的更多信息

best_of （integer，选填，Defaults to 1）

在生成服务器端生成 best_of 完结，并回来“最佳”（每个符号具有最高对数概率的那一个）。成果无法流式传输。

当与 n 一同运用时，best_of 操控候选完结的数量，n 指定要回来多少个 – best_of 有必要大于 n。

留意：由于此参数生成许多完结，因而或许会快速耗费您的令牌配额。请当心运用并保证 max_tokens 和 stop 设置合理。

logit_bias （map，选填，Defaults to null）

修正指定符号在完结中呈现的或许性。

承受一个JSON目标，将符号（由GPT分词器中的符号ID指定）映射到从 -100 到 100 的相关误差值。您能够运用此分词器工具（适用于GPT-2和GPT-3）将文本转换为令牌ID。数学上，在采样之前，模型生成的 logits 会添加误差。切当的作用因模型而异，可是介于-1和1之间的值应该会削减或添加挑选的或许性；像 -100 或 100 这样的值应该会导致相关令牌被制止或独占挑选。

例如，您能够传递 {"50256": -100} 来避免生成

user （string，选填）

一个仅有的标识符，代表您的终端用户，能够协助OpenAI监测和检测乱用。了解更多信息。

六. Chat 谈天

给定一组描绘对话的音讯列表，模型将回来一个回复。

1. Create chat completion

POST
https://api.openai.com/v1/chat/completions

为给定的谈天对话创立模型呼应。

恳求演示：

curl https://api.openai.com/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -d '{
    "model": "gpt-3.5-turbo",
    "messages": [{"role": "user", "content": "Hello!"}]
  }'

呼应：

{
  "id": "chatcmpl-123",
  "object": "chat.completion",
  "created": 1677652288,
  "choices": [{
    "index": 0,
    "message": {
      "role": "assistant",
      "content": "\n\nHello there, how may I assist you today?",
    },
    "finish_reason": "stop"
  }],
  "usage": {
    "prompt_tokens": 9,
    "completion_tokens": 12,
    "total_tokens": 21
  }
}

Request body(入参详解)

model （string，必填）

要运用的模型ID。有关哪些模型适用于Chat API的详细信息，请检查模型端点兼容性表

messages （array，必填）

迄今为止描绘对话的音讯列表

role （string，必填）

此音讯的作者人物。system 、user 或 assistant 之一

content （string，必填）

音讯的内容

name （string，选填）

此音讯的作者的名字。能够包含 a-z、A-Z、0-9 和下划线，最大长度为 64 个字符

temperature （number，选填，Defaults to 1）

运用哪个采样温度，在 0和2之间。

较高的值，如0.8会使输出更随机，而较低的值，如0.2会使其愈加会集和确定性。

咱们一般主张修正这个（temperature ）为 top_p 但两者不能一同存在，二选一。

top_p （number，选填，Defaults to 1）

一种代替温度采样的办法叫做中心采样，模型会考虑到具有 top_p 概率质量的符号成果。因而，0.1 表明只要占前 10% 概率质量的符号被考虑。

咱们一般主张修正这个（top_p ）或许 temperature，但不要一同修正两者。

n （integer，选填，Defaults to 1）

每个输入音讯要生成多少谈天完结选项数

stream （boolean，选填，Defaults to false）

假如设置了，将发送部分音讯增量，就像在 ChatGPT 中一样。令牌将作为数据服务器推送事情跟着它们变得可用而被发送，流经过 data: [DONE] 音讯停止。请参看OpenAI Cookbook 以获取示例代码。

stop （string or array，选填，Defaults to null）

最多生成4个序列，API将中止生成更多的符号。

max_tokens （integer，选填，Defaults to inf）

在谈天完结中生成的最大 tokens 数。

输入令牌和生成的令牌的总长度受模型上下文长度的限制。

presence_penalty （number，选填，Defaults to 0）

介于 -2.0 和 2.0 之间的数字。正值会依据它们是否呈现在文本中迄今为止来赏罚新令牌，然后添加模型谈论新主题的或许性。

请参看有关频率和状况赏罚的更多信息

frequency_penalty （number，选填，Defaults to 0）

介于-2.0和2.0之间的数字。正值会依据文本中新令牌的现有频率对其进行赏罚，然后下降模型重复相同行的或许性。

请参看有关频率和存在赏罚的更多信息

logit_bias （map，选填，Defaults to null）

修正完结时指定符号呈现的或许性。

承受一个JSON目标，将符号（由分词器中的符号ID指定）映射到从 -100 到 100 的相关误差值。在采样之前，模型生成的logits会加上这个误差。切当的影响因模型而异，可是 -1 到 1 之间的值应该会削减或添加挑选概率；像 -100 或 100 这样的值应该会导致相关符号被制止或独占挑选。

user （string，选填）

一个仅有的标识符，代表您的终端用户，能够协助OpenAI监测和检测乱用。了解更多信息。

七. Edits 修改

给定一个提示和一条指令，模型将回来提示的修改版别。

1. Create edit

POST
https://api.openai.com/v1/edits

为供给的输入、指令和参数创立一个新的修改。

恳求演示：

curl https://api.openai.com/v1/edits \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -d '{
    "model": "text-davinci-edit-001",
    "input": "What day of the wek is it?",
    "instruction": "Fix the spelling mistakes"
  }'

呼应：

{
  "object": "edit",
  "created": 1589478378,
  "choices": [
    {
      "text": "What day of the week is it?",
      "index": 0,
    }
  ],
  "usage": {
    "prompt_tokens": 25,
    "completion_tokens": 32,
    "total_tokens": 57
  }
}

Request body(入参详解)

model （string，必填）

要运用的模型ID。您能够在此端点中运用 text-davinci-edit-001 或 code-davinci-edit-001 模型。

input （string，选填，Defaults to ”）

用作修改起点的输入文本。

instruction （string，必填）

辅导模型怎么修改提示的说明。

n （integer，选填，Defaults to 1）

输入和指令需求生成多少次修改。

temperature （number，选填，Defaults to 1）

运用哪个采样温度，在 0和2之间。

较高的值，如0.8会使输出更随机，而较低的值，如0.2会使其愈加会集和确定性。

咱们一般主张修正这个（temperature ）为 top_p 但两者不能一同存在，二选一。

top_p （number，选填，Defaults to 1）

一种代替温度采样的办法叫做中心采样，模型会考虑到具有 top_p 概率质量的符号成果。因而，0.1 表明只要占前 10% 概率质量的符号被考虑。

咱们一般主张修正这个（top_p ）或许 temperature，但不要一同修正两者。

八. Images 图画

给定一个提示和/或输入图画，模型将生成一张新的图画。

1. Create image

POST
https://api.openai.com/v1/images/generations

依据提示创立图画。

恳求演示：

curl https://api.openai.com/v1/images/generations \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -d '{
    "prompt": "A cute baby sea otter",
    "n": 2,
    "size": "1024x1024"
  }'

呼应：

{
  "created": 1589478378,
  "data": [
    {
      "url": "https://..."
    },
    {
      "url": "https://..."
    }
  ]
}

Request body(入参详解)

prompt （string，必填）

所需图画的文本描绘。最大长度为1000个字符。

n （integer，选填，Defaults to 1）

要生成的图画数量。有必要在1到10之间。

size （string，选填，Defaults to 1024×1024）

生成图画的尺度。有必要是 256x256 、512x512 或 1024x1024 之一。

response_format （string，选填，Defaults to url）

生成的图画回来格局。有必要是 url 或 b64_json 之一。

user （string，选填）

一个仅有的标识符，代表您的终端用户，能够协助OpenAI监测和检测乱用。了解更多信息。

2. Create image edit

POST
https://api.openai.com/v1/images/edits

依据原始图画和提示创立修改或扩展的图画。

恳求演示：

curl https://api.openai.com/v1/images/edits \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -F image="@otter.png" \
  -F mask="@mask.png" \
  -F prompt="A cute baby sea otter wearing a beret" \
  -F n=2 \
  -F size="1024x1024"

呼应：

{
  "created": 1589478378,
  "data": [
    {
      "url": "https://..."
    },
    {
      "url": "https://..."
    }
  ]
}

Request body(入参详解)

image （string，必填）

要修改的图画。有必要是有用的PNG文件，小于4MB且为正方形。假如未供给遮罩，则图画有必要具有通明度，该通明度将用作遮罩。

mask （string，选填）

一个额外的图画，其完全通明的区域（例如 alpha 值为零的区域）指示应该修改图画的方位。image 有必要是有用的 PNG 文件，小于 4MB，并且具有与 image 相同的尺度。

prompt （string，必填）

所需图画的文本描绘。最大长度为1000个字符。

n （integer，选填，Defaults to 1）

要生成的图画数量。有必要在1到10之间。

size （string，选填，Defaults to 1024×1024）

生成图画的尺度。有必要是 256x256 、512x512 或 1024x1024 之一。

response_format （string，选填，Defaults to url）

生成的图画回来格局。有必要是 url 或 b64_json 之一。

user （string，选填）

一个仅有的标识符，代表您的终端用户，能够协助OpenAI监测和检测乱用。了解更多信息。

3. Create image variation

POST
https://api.openai.com/v1/images/variations

创立给定图画的变体。

恳求演示：

curl https://api.openai.com/v1/images/variations \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -F image="@otter.png" \
  -F n=2 \
  -F size="1024x1024"

呼应：

{
  "created": 1589478378,
  "data": [
    {
      "url": "https://..."
    },
    {
      "url": "https://..."
    }
  ]
}

Request body(入参详解)

image （string，必填）

用作变体基础的图画。有必要是有用的PNG文件，小于4MB，并且为正方形。

n （integer，选填，Defaults to 1）

要生成的图画数量。有必要在1到10之间。

size （string，选填，Defaults to 1024×1024）

生成图画的尺度。有必要是 256x256 、512x512 或 1024x1024 之一。

response_format （string，选填，Defaults to url）

生成的图画回来格局。有必要是 url 或 b64_json 之一。

user （string，选填）

一个仅有的标识符，代表您的终端用户，能够协助OpenAI监测和检测乱用。了解更多信息。

九. Embeddings 嵌入

获得一个给定输入的向量表明，能够轻松地被机器学习模型和算法运用。

1. Create embeddings

POST
https://api.openai.com/v1/embeddings

创立一个嵌入向量，代表输入的文本。

恳求演示：

curl https://api.openai.com/v1/embeddings \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "input": "The food was delicious and the waiter...",
    "model": "text-embedding-ada-002"
  }'

呼应：

{
  "object": "list",
  "data": [
    {
      "object": "embedding",
      "embedding": [
        0.0023064255,
        -0.009327292,
        .... (1536 floats total for ada-002)
        -0.0028842222,
      ],
      "index": 0
    }
  ],
  "model": "text-embedding-ada-002",
  "usage": {
    "prompt_tokens": 8,
    "total_tokens": 8
  }
}

Request body(入参详解)

model （string，必填）

要运用的 模型ID。您能够运用列出模型 API检查一切可用模型，或许请参看咱们的模型概述以了解它们的描绘。

input （string or array，必填）

输入文本以获取嵌入，编码为字符串或令牌数组。要在单个恳求中获取多个输入的嵌入，请传递字符串数组或令牌数组的数组。每个输入长度不得超过 8192 个符号。

user （string，选填）

一个仅有的标识符，代表您的终端用户，能够协助OpenAI监测和检测乱用。了解更多信息。

十. Audio 音频

了解怎么将音频转换为文本。

1. Create transcription

POST
https://api.openai.com/v1/audio/transcriptions

将音频转录为输入言语。

恳求演示：

curl https://api.openai.com/v1/audio/transcriptions \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -H "Content-Type: multipart/form-data" \
  -F file="@/path/to/file/audio.mp3" \
  -F model="whisper-1"

呼应：

{
  "text": "Imagine the wildest idea that you've ever had, and you're curious about how it might scale to something that's a 100, a 1,000 times bigger. This is a place where you can get to do that."
}

Request body(入参详解)

file （string，必填）

要转录的音频文件，格局为以下之一：mp3、mp4、mpeg、mpga、m4a、wav 或 webm。

model （string，必填）

要运用的模型ID。现在仅有 whisper-1 可用。

prompt （string，选填）

一个可选的文本，用于辅导模型的风格或持续之前的音频片段。 prompt 应该与音频言语相匹配。

response_format （string，选填，Defaults to json）

转录输出的格局，可选项包含：json、文本、srt、verbose_json或vtt。

temperature （number，选填，Defaults to 0）

采样温度介于0和1之间。较高的值（如0.8）会使输出更随机，而较低的值（如0.2）则会使其愈加会集和确定性。假如设置为0，则模型将运用 log probability(对数概率) 自动添加温度，直到到达某些阈值。

language （string，选填）

输入音频的言语。以 ISO-639-1 格局供给输入言语将进步精确性和延迟。

2. Create translation

POST
https://api.openai.com/v1/audio/translations

将音频翻译成英语。

恳求演示：

curl https://api.openai.com/v1/audio/translations \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -H "Content-Type: multipart/form-data" \
  -F file="@/path/to/file/german.m4a" \
  -F model="whisper-1"

呼应：

{
  "text": "Hello, my name is Wolfgang and I come from Germany. Where are you heading today?"
}

Request body(入参详解)

file （string，必填）

要翻译的音频文件有必要是以下格局之一：mp3、mp4、mpeg、mpga、m4a、wav或webm。

model （string，必填）

要运用的模型ID。现在仅有 whisper-1 可用。

prompt （string，选填）

一个可选的文本，用于辅导模型的风格或持续之前的音频片段。 prompt 应该与音频言语相匹配。

response_format （string，选填，Defaults to json）

转录输出的格局，可选项包含：json、文本、srt、verbose_json或vtt。

temperature （number，选填，Defaults to 0）

采样温度介于0和1之间。较高的值（如0.8）会使输出更随机，而较低的值（如0.2）则会使其愈加会集和确定性。假如设置为0，则模型将运用 log probability(对数概率) 自动添加温度，直到到达某些阈值。

十一. Files 文件

Files 用于上传文档，可与 Fine-tuning 等功用一同运用。

1. List files

GET
https://api.openai.com/v1/files

回来归于用户安排的文件列表。

恳求演示：

curl https://api.openai.com/v1/files \
  -H "Authorization: Bearer $OPENAI_API_KEY"

呼应：

{
  "data": [
    {
      "id": "file-ccdDZrC3iZVNiQVeEA6Z66wf",
      "object": "file",
      "bytes": 175,
      "created_at": 1613677385,
      "filename": "train.jsonl",
      "purpose": "search"
    },
    {
      "id": "file-XjGxS3KTG0uNmNOK362iJua3",
      "object": "file",
      "bytes": 140,
      "created_at": 1613779121,
      "filename": "puppy.jsonl",
      "purpose": "search"
    }
  ],
  "object": "list"
}

2. Upload file

POST
https://api.openai.com/v1/files

上传包含文档的文件以在各个端点/功用之间运用。现在，一个安排上传的一切文件的巨细能够高达1 GB。假如您需求添加存储限制，请与咱们联系。

恳求演示：

curl https://api.openai.com/v1/files \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -F purpose="fine-tune" \
  -F file="@mydata.jsonl"

呼应：

{
  "id": "file-XjGxS3KTG0uNmNOK362iJua3",
  "object": "file",
  "bytes": 140,
  "created_at": 1613779121,
  "filename": "mydata.jsonl",
  "purpose": "fine-tune"
}

Request body(入参详解)

file （string，必填）

要上传的 JSON Lines 文件名。

假如 purpose 设置为 “fine-tune”，则每行都是一个JSON记载，其间包含“prompt”和“completion”字段，表明您的 training examples(练习示例)。

purpose （string，必填）

上传文档的预期用处。

运用 “fine-tune” 进行 Fine-tuning(微调)。这样能够验证上传文件的格局。

3. Delete file

DELETE
https://api.openai.com/v1/files/{file_id}

删去文件。

恳求演示：

curl https://api.openai.com/v1/files/file-XjGxS3KTG0uNmNOK362iJua3 \
  -X DELETE \
  -H "Authorization: Bearer $OPENAI_API_KEY"

其间，{file_id} 为 string类型的必填项，用于此恳求的文件的 ID

呼应：

{
  "id": "file-XjGxS3KTG0uNmNOK362iJua3",
  "object": "file",
  "deleted": true
}

4. Retrieve file

GET
https://api.openai.com/v1/files/{file_id}

回来有关特定文件的信息。

恳求演示：

curl https://api.openai.com/v1/files/file-XjGxS3KTG0uNmNOK362iJua3 \
  -H "Authorization: Bearer $OPENAI_API_KEY"

其间，{file_id} 为 string类型的必填项，用于此恳求的文件的 ID

呼应：

{
  "id": "file-XjGxS3KTG0uNmNOK362iJua3",
  "object": "file",
  "bytes": 140,
  "created_at": 1613779657,
  "filename": "mydata.jsonl",
  "purpose": "fine-tune"
}

5. Retrieve file content

GET
https://api.openai.com/v1/files/{file_id}/content

回来指定文件的内容。

恳求演示：

curl https://api.openai.com/v1/files/file-XjGxS3KTG0uNmNOK362iJua3/content \
  -H "Authorization: Bearer $OPENAI_API_KEY" > file.jsonl

其间，{file_id} 为 string类型的必填项，用于此恳求的文件的 ID

十二. Fine-tunes 微调

办理微调作业以将模型定制为您的特定练习数据。

相关攻略：Fine-tune models(微调模型)

1. Create fine-tune

POST
https://api.openai.com/v1/fine-tunes

创立一个工作，从给定的数据会集微调指定模型。

呼应包含已入队的作业的详细信息，包含作业状况和完结后微调模型的称号。

了解有关微调的更多信息。

恳求演示：

curl https://api.openai.com/v1/fine-tunes \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -d '{
    "training_file": "file-XGinujblHPwGLSztz8cPS8XY"
  }'

呼应：

{
  "id": "ft-AF1WoRqd3aJAHsqc9NY7iL8F",
  "object": "fine-tune",
  "model": "curie",
  "created_at": 1614807352,
  "events": [
    {
      "object": "fine-tune-event",
      "created_at": 1614807352,
      "level": "info",
      "message": "Job enqueued. Waiting for jobs ahead to complete. Queue number: 0."
    }
  ],
  "fine_tuned_model": null,
  "hyperparams": {
    "batch_size": 4,
    "learning_rate_multiplier": 0.1,
    "n_epochs": 4,
    "prompt_loss_weight": 0.1,
  },
  "organization_id": "org-...",
  "result_files": [],
  "status": "pending",
  "validation_files": [],
  "training_files": [
    {
      "id": "file-XGinujblHPwGLSztz8cPS8XY",
      "object": "file",
      "bytes": 1547276,
      "created_at": 1610062281,
      "filename": "my-data-train.jsonl",
      "purpose": "fine-tune-train"
    }
  ],
  "updated_at": 1614807352,
}

Request body(入参详解)

training_file （string，必填）

包含 练习数据 的已上传文件的ID。

请参看 upload file 以了解怎么上传文件。

您的数据集有必要格局化为 JSONL文件，其间每个练习示例都是一个带有 “prompt” 和 “completion” keys 的 JSON目标。此外，您有必要上传带有 fine-tune 意图的文件。

有关更多详细信息，请参看微调攻略。

validation_file （string，选填）

包含 验证数据 的已上传文件的ID。

假如您供给此文件，则数据将在微调期间定期用于生成验证目标。这些目标能够在微调成果文件中检查。您的练习和验证数据应该是互斥的。

您的数据集有必要格局化为 JSONL文件，其间每个验证示例都是一个带有 “prompt” 和 “completion” keys 的 JSON目标。此外，您有必要上传带有 fine-tune 意图的文件。

有关更多详细信息，请参看微调攻略。

model （string，选填，Defaults to curie）

要微调的基础模型称号。

您能够挑选其间之一：”ada”、”babbage”、”curie”、”davinci”，或 2022年4月21日后创立的经过微调的模型。要了解这些模型的更多信息，请参看 Models 文档。

n_epochs （integer，选填，Defaults to 4）

练习模型的时期数。一个 epoch 指的是完整地遍历一次练习数据集

batch_size （integer，选填，Defaults to null）

用于练习的批次巨细。批次巨细是用于练习单个前向和后向传递的练习示例数量。

默许情况下，批量巨细将动态装备为练习集示例数量的约 0.2％，上限为256。

一般，咱们发现较大的批量巨细关于更大的数据集作用更好。

learning_rate_multiplier （number，选填，Defaults to null）

用于练习的学习率倍增器。微调学习率是预练习时运用的原始学习率乘以此值得到的。

默许情况下，学习率的倍增器为 0.05、0.1 或 0.2，详细取决于最终 batch_size（较大的批量巨细一般运用较大的学习率作用更好）。咱们主张测验在 0.02 到 0.2 范围内试验不同值以找出发生最佳成果的值。

prompt_loss_weight （number，选填，Defaults to 0.01）

用于提示 tokens 丢失的权重。这操控了模型测验学习生成提示的程度（与一直具有 1.0 权重的完结相比），并且能够在完结很短时为练习添加安稳作用。

假如提示十分长（相关于完结而言），那么削减此权重或许是有意义的，以避免过度优先考虑学习提示。

compute_classification_metrics （boolean，选填，Defaults to false）

假如设置了，咱们会在每个 epoch 结束时运用验证集核算特定于分类的目标，例如精确率和 F-1 分数。这些目标能够在成果文件中检查。

为了核算分类目标，您有必要供给一个validation_file(验证文件)。此外，关于多类分类，您有必要指定 classification_n_classes；关于二元分类，则需求指定 classification_positive_class。

classification_n_classes （integer，选填，Defaults to null）

分类使命中的类别数量。

这个参数在多分类使命中是必需的。

classification_positive_class （string，选填，Defaults to null）

二元分类中的正类。

在进行二元分类时，需求此参数来生成精确度、召回率和 F1 目标。

classification_betas （array，选填，Defaults to null）

假如供给了这个参数，咱们会在指定的 beta 值上核算 F-beta分数。F-beta分数是 F-1分数的一般化。这仅用于二元分类。

当 beta 为1时（即F-1分数），精确度和召回率被赋予相同的权重。较大的 beta 值愈加注重召回率而不是精确度。较小的 beta 值愈加注重精确度而不是召回率。

suffix （string，选填，Defaults to null）

一个长度最多为 40个字符的字符串，将被添加到您的微调模型称号中。

例如，suffix 为 “custom-model-name” 会生成一个模型称号，如 ada:ft-your-org:custom-model-name-2022-02-15-04-21-04。

2. List fine-tunes

GET
https://api.openai.com/v1/fine-tunes

列出安排的微调作业

恳求演示：

curl https://api.openai.com/v1/fine-tunes \
  -H "Authorization: Bearer $OPENAI_API_KEY"

呼应：

{
  "object": "list",
  "data": [
    {
      "id": "ft-AF1WoRqd3aJAHsqc9NY7iL8F",
      "object": "fine-tune",
      "model": "curie",
      "created_at": 1614807352,
      "fine_tuned_model": null,
      "hyperparams": { ... },
      "organization_id": "org-...",
      "result_files": [],
      "status": "pending",
      "validation_files": [],
      "training_files": [ { ... } ],
      "updated_at": 1614807352,
    },
    { ... },
    { ... }
  ]
}

3. Retrieve fine-tune.

GET
https://api.openai.com/v1/fine-tunes/{fine_tune_id}

获取有关微调作业的信息。

了解更多关于微调的内容。

恳求演示：

curl https://api.openai.com/v1/fine-tunes/ft-AF1WoRqd3aJAHsqc9NY7iL8F \
  -H "Authorization: Bearer $OPENAI_API_KEY"

其间，fine_tune_id 为 string类型的字符串，必传；微调作业的 ID

呼应：

{
  "id": "ft-AF1WoRqd3aJAHsqc9NY7iL8F",
  "object": "fine-tune",
  "model": "curie",
  "created_at": 1614807352,
  "events": [
    {
      "object": "fine-tune-event",
      "created_at": 1614807352,
      "level": "info",
      "message": "Job enqueued. Waiting for jobs ahead to complete. Queue number: 0."
    },
    {
      "object": "fine-tune-event",
      "created_at": 1614807356,
      "level": "info",
      "message": "Job started."
    },
    {
      "object": "fine-tune-event",
      "created_at": 1614807861,
      "level": "info",
      "message": "Uploaded snapshot: curie:ft-acmeco-2021-03-03-21-44-20."
    },
    {
      "object": "fine-tune-event",
      "created_at": 1614807864,
      "level": "info",
      "message": "Uploaded result files: file-QQm6ZpqdNwAaVC3aSz5sWwLT."
    },
    {
      "object": "fine-tune-event",
      "created_at": 1614807864,
      "level": "info",
      "message": "Job succeeded."
    }
  ],
  "fine_tuned_model": "curie:ft-acmeco-2021-03-03-21-44-20",
  "hyperparams": {
    "batch_size": 4,
    "learning_rate_multiplier": 0.1,
    "n_epochs": 4,
    "prompt_loss_weight": 0.1,
  },
  "organization_id": "org-...",
  "result_files": [
    {
      "id": "file-QQm6ZpqdNwAaVC3aSz5sWwLT",
      "object": "file",
      "bytes": 81509,
      "created_at": 1614807863,
      "filename": "compiled_results.csv",
      "purpose": "fine-tune-results"
    }
  ],
  "status": "succeeded",
  "validation_files": [],
  "training_files": [
    {
      "id": "file-XGinujblHPwGLSztz8cPS8XY",
      "object": "file",
      "bytes": 1547276,
      "created_at": 1610062281,
      "filename": "my-data-train.jsonl",
      "purpose": "fine-tune-train"
    }
  ],
  "updated_at": 1614807865,
}

4. Cancel fine-tune

POST
https://api.openai.com/v1/fine-tunes/{fine_tune_id}/cancel

立即取消微调工作。

恳求演示：

curl https://api.openai.com/v1/fine-tunes/ft-AF1WoRqd3aJAHsqc9NY7iL8F/cancel \
  -H "Authorization: Bearer $OPENAI_API_KEY"

其间，fine_tune_id 为 string类型的字符串，必传；微调作业的 ID

呼应：

{
  "id": "ft-xhrpBbvVUzYGo8oUO1FY4nI7",
  "object": "fine-tune",
  "model": "curie",
  "created_at": 1614807770,
  "events": [ { ... } ],
  "fine_tuned_model": null,
  "hyperparams": { ... },
  "organization_id": "org-...",
  "result_files": [],
  "status": "cancelled",
  "validation_files": [],
  "training_files": [
    {
      "id": "file-XGinujblHPwGLSztz8cPS8XY",
      "object": "file",
      "bytes": 1547276,
      "created_at": 1610062281,
      "filename": "my-data-train.jsonl",
      "purpose": "fine-tune-train"
    }
  ],
  "updated_at": 1614807789,
}

5. List fine-tune events

GET
https://api.openai.com/v1/fine-tunes/{fine_tune_id}/events

获取微调作业的精细状况更新。

恳求演示：

curl https://api.openai.com/v1/fine-tunes/ft-AF1WoRqd3aJAHsqc9NY7iL8F/events \
  -H "Authorization: Bearer $OPENAI_API_KEY"

其间，fine_tune_id 为 string类型的字符串，必传；微调作业的 ID；

呼应：

{
  "object": "list",
  "data": [
    {
      "object": "fine-tune-event",
      "created_at": 1614807352,
      "level": "info",
      "message": "Job enqueued. Waiting for jobs ahead to complete. Queue number: 0."
    },
    {
      "object": "fine-tune-event",
      "created_at": 1614807356,
      "level": "info",
      "message": "Job started."
    },
    {
      "object": "fine-tune-event",
      "created_at": 1614807861,
      "level": "info",
      "message": "Uploaded snapshot: curie:ft-acmeco-2021-03-03-21-44-20."
    },
    {
      "object": "fine-tune-event",
      "created_at": 1614807864,
      "level": "info",
      "message": "Uploaded result files: file-QQm6ZpqdNwAaVC3aSz5sWwLT."
    },
    {
      "object": "fine-tune-event",
      "created_at": 1614807864,
      "level": "info",
      "message": "Job succeeded."
    }
  ]
}

Query parameters

stream （boolean，选填，Defaults to false）

是否对微调作业进行事情流。

假如设置为 true，则事情将作为数据服务器发送的事情随时可用。当作业完结（成功、取消或失利）时，流将以 data：[DONE] 音讯停止。

假如设置为 false，则仅回来到现在为止生成的事情。

6. Delete fine-tune model

DELETE
https://api.openai.com/v1/models/{model}

删去微调的模型。您有必要在安排中具有一切者的人物。

恳求演示：

curl https://api.openai.com/v1/models/curie:ft-acmeco-2021-03-03-21-44-20 \
  -X DELETE \
  -H "Authorization: Bearer $OPENAI_API_KEY"

其间，model 为 string类型的字符串，必传；要删去的模型

呼应：

{
  "id": "curie:ft-acmeco-2021-03-03-21-44-20",
  "object": "model",
  "deleted": true
}

十三. Moderations 审阅

给定一个输入文本，输出模型是否将其分类为违背 OpenAI 内容方针。

1. Create moderation

POST
https://api.openai.com/v1/moderations

分类判断文本是否违背 OpenAI 的内容方针

恳求演示：

curl https://api.openai.com/v1/moderations \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -d '{
    "input": "I want to kill them."
  }'

呼应：

{
  "id": "modr-5MWoLO",
  "model": "text-moderation-001",
  "results": [
    {
      "categories": {
        "hate": false,
        "hate/threatening": true,
        "self-harm": false,
        "sexual": false,
        "sexual/minors": false,
        "violence": true,
        "violence/graphic": false
      },
      "category_scores": {
        "hate": 0.22714105248451233,
        "hate/threatening": 0.4132447838783264,
        "self-harm": 0.005232391878962517,
        "sexual": 0.01407341007143259,
        "sexual/minors": 0.0038522258400917053,
        "violence": 0.9223177433013916,
        "violence/graphic": 0.036865197122097015
      },
      "flagged": true
    }
  ]
}

Request body(入参详解)

input （string or array，必填）

要分类的输入文本

model （string，选填，Defaults to text-moderation-latest）

有两个内容审阅模型可用：text-moderation-stable 和 text-moderation-latest。

默许情况下，运用的是 text-moderation-latest 模型，该模型会跟着时间自动升级。这保证您一直运用咱们最精确的模型。假如您运用 text-moderation-stable，则在更新模型之前咱们将供给高档告诉。text-moderation-stable 的精确性或许略低于 text-moderation-latest。

十四. Engines 引擎

引擎端点已过期。
请运用它们的代替品模型。了解更多信息。

这些端点描绘并供给了 API 中可用的各种引擎的拜访。

1. List engines <旷费的>

GET
https://api.openai.com/v1/engines

列出当时可用的（未经微调的）模型，并供给有关每个模型的基本信息，例如一切者和可用性。

恳求演示：

curl https://api.openai.com/v1/engines \
  -H "Authorization: Bearer $OPENAI_API_KEY"

呼应：

{
  "data": [
    {
      "id": "engine-id-0",
      "object": "engine",
      "owner": "organization-owner",
      "ready": true
    },
    {
      "id": "engine-id-2",
      "object": "engine",
      "owner": "organization-owner",
      "ready": true
    },
    {
      "id": "engine-id-3",
      "object": "engine",
      "owner": "openai",
      "ready": false
    },
  ],
  "object": "list"
}

2. Retrieve engine <旷费的>

GET
https://api.openai.com/v1/engines/{engine_id}

检索模型实例，供给基本信息，如一切者和可用性。

恳求演示：

curl https://api.openai.com/v1/engines/text-davinci-003 \
  -H "Authorization: Bearer $OPENAI_API_KEY"

其间，engine_id 为 string类型的字符串，必传；用于此恳求的引擎ID。

呼应：

{
  "id": "text-davinci-003",
  "object": "engine",
  "owner": "openai",
  "ready": true
}

十五. Parameter details 参数细节

频率和存在赏罚

在 Completions API 中发现的频率和存在赏罚能够用于削减采样重复令牌序列的或许性。它们经过直接向 logits（未归一化的对数概率）添加贡献来进行修正。

mu[j] -> mu[j] - c[j] * alpha_frequency - float(c[j] > 0) * alpha_presence

Where:

mu[j] is the logits of the j-th token
c[j] is how often that token was sampled prior to the current position
float(c[j] > 0) is 1 if c[j] > 0 and 0 otherwise
alpha_frequency is the frequency penalty coefficient
alpha_presence is the presence penalty coefficient

正如咱们所看到的，存在赏罚是一次性的加法贡献，适用于一切现已被采样至少一次的符号，并且频率赏罚是与特定符号现已被采样的频率成份额的贡献。

假如意图只是稍微削减重复样本，那么赏罚系数的合理值大约在 0.1 到 1 之间。假如意图是激烈抑制重复，则能够将系数添加到 2，但这或许会显着下降样本质量。负值可用于添加重复呈现的或许性。

OpenAI-API 接口文档(中文版)

OpenAI-API-中文版

一. Introduction 介绍

二. Authentication 认证

1. OpenAI-API-KEY

2. OpenAI-Organization

三. Making requests 提出恳求

四. Models 模型

1. List models 列出模型

2. Retrieve model 检索模型

五. Completions 完结

1. Create completion

Request body(入参详解)

六. Chat 谈天

1. Create chat completion

Request body(入参详解)

七. Edits 修改

1. Create edit

Request body(入参详解)

八. Images 图画

1. Create image

Request body(入参详解)

2. Create image edit

Request body(入参详解)

3. Create image variation

Request body(入参详解)

九. Embeddings 嵌入

1. Create embeddings

Request body(入参详解)

十. Audio 音频

1. Create transcription

Request body(入参详解)

2. Create translation

Request body(入参详解)

十一. Files 文件

1. List files

2. Upload file

Request body(入参详解)

3. Delete file

4. Retrieve file

5. Retrieve file content

十二. Fine-tunes 微调

1. Create fine-tune

Request body(入参详解)

2. List fine-tunes

3. Retrieve fine-tune.

4. Cancel fine-tune

5. List fine-tune events

Query parameters

6. Delete fine-tune model

十三. Moderations 审阅

1. Create moderation

Request body(入参详解)

十四. Engines 引擎

1. List engines <旷费的>

2. Retrieve engine <旷费的>

十五. Parameter details 参数细节

相关文章

一个Behance被封，还有无数国内网站给我灵感

m序列码产生电路设计与仿真

Unity -Demo 之 ✨桌面小宠物

基于PaddleSeg的证件照一键式生成工具

作者信息