OpenAI: text-embedding-3-large
text-embedding-3-large- Eingabe / Ausgabe-30%
- $0.13 / $0.00$0.091 / $0.00
- Kontext
- 8.2K
- Modalitäten
- Einbettung
Über text-embedding-3-large
text-embedding-3-large ist das leistungsfähigste Embedding-Modell von OpenAI, das Text in Vektoren für Suche, Clustering, Empfehlungen, Anomalieerkennung und Klassifizierung umwandelt. OpenAI beschreibt es als stark für englische und nicht-englische Aufgaben; die Vektordimensionen können verkürzt werden, um ein Gleichgewicht zwischen Qualität und Speicherbedarf zu finden. Es ist die qualitativ hochwertigere Option neben text-embedding-3-small und dem älteren ada-002.
Stärken
- Von OpenAI als das leistungsfähigste Embedding-Modell für englischen und nicht-englischen Text beschrieben.
- Wählbare Ausgabedimensionen ermöglichen es, Vektoren zu verkleinern, um Speicher- oder Indexbeschränkungen einzuhalten.
- Dient der Suche, dem Clustering, Empfehlungen, der Anomalieerkennung und der Klassifizierung mit einem einzigen Modell.
- Verfügbar sowohl über die Embeddings- als auch die Batch-Endpunkte für große Indizierungsaufträge.
Alternativen
- Größere Vektoren verursachen höhere Kosten bei Speicherung und Suche als solche von text-embedding-3-small.
- Es bettet nur Text ein; für Bilder und Audio wird ein anderes Modell benötigt.
- Vektoren dieses Modells können nicht mit Vektoren anderer Embedding-Modelle in einem Index verglichen werden.
Erste Schritte
API-Schlüssel erstellen
Erstelle einen Schlüssel in Console und nutze ihn mit jedem Modell auf der Plattform.
Senden Sie Ihre erste Anfrage
Kopieren Sie das Beispiel für Ihre Sprache und führen Sie es gegen den Endpunkt aus.
EinbettungTokenLab-EndpunktPOST/v1/embeddingscurl -X POST "https://api.tokenlab.sh/v1/embeddings" \ -H "Authorization: Bearer sk-xxx" \ -H "Content-Type: application/json" \ -d '{ "encoding_format": "float", "model": "text-embedding-3-large", "input": "The quick brown fox jumps over the lazy dog." }'
Parameter
Einbettung
| Parameter | Werte und Grenzen | Standardwert | Hinweise |
|---|---|---|---|
dimensions | ≥ 1 | Nicht angegeben | Positive output vector length. Maximum depends on the model; no additional upper bound is asserted here. |
encoding_format | float, base64 | Nicht angegeben | Nicht angegeben |
input | Eingaben: ≥ 1, ≤ 2048 | Nicht angegeben | Input accepts text or token IDs. Each input is limited to 8192 tokens; a request is limited to 300000 tokens in total. |
user | Nicht angegeben | Nicht angegeben | Nicht angegeben |
text-embedding-3-large supports the Embeddings API and optional output dimensions.
Preise
Der Verified-Preis gilt für Verified und ist bei den meisten Modellen günstiger. Der Official-Preis ist der veröffentlichte Preis des Modellherstellers und gilt für die zuverlässigere Official-Route. Auto rechnet die Route ab, die die Anfrage abschließt.
Einbettung
Pro 1M Token- Official-Preis
- Eingabe $0.13 / Ausgabe $0.00
- Verified-Preis
- Eingabe $0.091 / Ausgabe $0.00
- Rabatt
- -30%
| Official-PreisPro 1M Token | Verified-PreisPro 1M Token | Rabatt | |
|---|---|---|---|
| Einbettung | Eingabe $0.13 / Ausgabe $0.00 | Eingabe $0.091 / Ausgabe $0.00 | -30% |
Nutzung & Aktivität
Die Erfolgsquote ist der Anteil abgeschlossener Anfragen. Die Latenz ist die Dauer einer vollständigen Antwort; P95 bedeutet, dass 95 % der Anfragen innerhalb dieser Zeit abgeschlossen wurden.
Nutzung & Verfügbarkeit
Letzte 24 Stunden- Anfragen
- Erfolgsrate
- P95-Latenz
- Token gesamt
Die Daten basieren auf aggregierten Benutzeranfragen, Statusprüfungen sind ausgeschlossen.
In Console öffnen
Öffne text-embedding-3-large in Console mit einer bearbeitbaren oder versandbereiten Eingabeaufforderung.
Teste text-embedding-3-large mit embedding an /v1/embeddings. Zeige Ergebnis und Kosten.
Anwendungsfälle
Mehrsprachige semantische Suche
Indizieren Sie Dokumente in verschiedenen Sprachen und rufen Sie Ergebnisse basierend auf der Bedeutung über alle Sprachen hinweg mit einer einzigen Abfrage ab.
Hochpräzises RAG
Rufen Sie Textabschnitte für ein Frage-Antwort-System ab, bei dem die Qualität des Abrufs der Engpass ist.
Dokumenten-Clustering
Gruppieren Sie ähnliche Tickets, Artikel oder Berichte in Clustern, damit wiederkehrende Themen für Analysten sichtbar werden.
Verkürzte Vektoren
Reduzieren Sie die Dimensionen, um sie an eine Vektordatenbank anzupassen, während der Großteil der Qualität erhalten bleibt.
Prompt-Beispiele
Betten Sie diese 5.000 Produktbeschreibungen für die semantische Suche über englische, deutsche und japanische Abfragen hinweg ein.
Betten Sie Support-Artikel ein, damit ich die drei am besten passenden zu einer Kundenfrage abrufen kann.
Betten Sie diese Absätze ein und gruppieren Sie sie in Themen.
Dieses Modell hat konditionale Preise. Monatliche Token-Summen allein liefern keine verlässliche Schätzung; nutzen Sie die detaillierten Preise für Anfragespezifikation, Cache und Zeitfenster.
FAQ
Was für ein Modell ist text-embedding-3-large?
Es ist das leistungsfähigste Embedding-Modell von OpenAI, das numerische Vektoren erzeugt, die messen, wie stark zwei Textstücke miteinander in Beziehung stehen. Es zielt auf englische und nicht-englische Aufgaben wie Suche, Clustering und Klassifizierung ab.
Kann ich die Vektorgröße reduzieren?
Ja. Das Modell unterstützt wählbare Dimensionen, sodass Sie Vektoren verkürzen können, um Speicherplatz und Suchzeit zu sparen, allerdings mit gewissen Qualitätseinbußen. Testen Sie Ihre Abrufmetriken bei der Größe, die Sie verwenden möchten.
Wie unterscheidet es sich von text-embedding-3-small?
Large ist das qualitativ hochwertigere Modell mit größeren Vektoren, während Small die wirtschaftliche Variante ist. Verwenden Sie Large, wenn die Abrufgenauigkeit entscheidend ist, und Small, wenn Volumen und Kosten im Vordergrund stehen.
Kann ich seine Vektoren mit denen eines anderen Modells mischen?
Nein. Vektoren verschiedener Modelle existieren in unterschiedlichen Räumen und sollten nicht verglichen werden. Betten Sie Ihren gesamten Korpus neu ein, wenn Sie das Modell wechseln, und verwenden Sie für Abfrage- und Dokumentvektoren dasselbe Modell.
Welche Endpunkte kann ich aufrufen?
Es funktioniert mit dem Embeddings-Endpunkt und dem Batch-Endpunkt. Chat- und Audio-Endpunkte werden nicht unterstützt; verwenden Sie es daher nur zur Umwandlung von Text in Vektoren und kombinieren Sie es mit einem separaten Generierungsmodell.
Was kostet text-embedding-3-large?
Auf TokenLab kostet text-embedding-3-large Eingabe $0.091 / Ausgabe $0.00 Pro 1M Token. Die vollständige Aufschlüsselung steht in der Preistabelle oben. Die Preise hängen von Abrechnungseinheit, Spezifikation und Nutzung ab. Vergleichen Sie gleiche Bedingungen in der detaillierten Preisliste des Modells; eine einzelne Rate bestimmt nicht die Gesamtkosten.
Welchen Endpunkt soll text-embedding-3-large verwenden?
Verwenden Sie https://api.tokenlab.sh/v1/embeddings für text-embedding-3-large. Das folgende Anforderungsbeispiel zeigt die passende Code-Struktur.
Welche Operationen unterstützt text-embedding-3-large?
text-embedding-3-large unterstützt Einbettung. Wählen Sie oben einen Vorgang aus, um dessen Endpunkt und Anforderungsbeispiel anzuzeigen.
text-embedding-3-large vergleichen
Quellen
Geprüft am 02.10.2026
