OpenAI: text-embedding-3-large
text-embedding-3-large- Entrada / Salida-30%
- $0.13 / $0.00$0.091 / $0.00
- Contexto
- 8.2K
- Modalidades
- Incrustación
Sobre text-embedding-3-large
text-embedding-3-large es el modelo de embedding más capaz de OpenAI, que convierte texto en vectores para búsqueda, agrupación, recomendaciones, detección de anomalías y clasificación. OpenAI lo describe como sólido tanto para tareas en inglés como en otros idiomas, y sus dimensiones vectoriales pueden reducirse para equilibrar la calidad frente al almacenamiento. Es la opción de mayor calidad junto a text-embedding-3-small y el modelo anterior ada-002.
Puntos fuertes
- Descrito por OpenAI como su modelo de embedding más capaz para texto en inglés y otros idiomas.
- Las dimensiones de salida seleccionables permiten reducir los vectores para ajustarse a los límites de almacenamiento o de índice.
- Sirve para búsqueda, agrupación, recomendaciones, detección de anomalías y clasificación desde un solo modelo.
- Disponible tanto en los endpoints de embeddings como en los de procesamiento por lotes (batch) para trabajos de indexación a gran escala.
Cuándo buscar otra opción
- Los vectores más grandes cuestan más de almacenar y buscar que los de text-embedding-3-small.
- Solo procesa texto; las imágenes y el audio requieren un modelo diferente.
- Los vectores generados por este modelo no pueden compararse con los de otros modelos de embedding en un mismo índice.
Primeros pasos
Crear clave API
Genera una clave en Console y úsala con cualquier modelo de la plataforma.
Envía tu primera solicitud
Copia el ejemplo para tu lenguaje y ejecútalo contra el endpoint.
IncrustaciónEndpoint de TokenLabPOST/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." }'
Parámetros
Incrustación
| Parámetro | Valores y límites | Predeterminado | Notas |
|---|---|---|---|
dimensions | ≥ 1 | No especificado | Positive output vector length. Maximum depends on the model; no additional upper bound is asserted here. |
encoding_format | float, base64 | No especificado | No especificado |
input | Entradas: ≥ 1, ≤ 2048 | No especificado | Input accepts text or token IDs. Each input is limited to 8192 tokens; a request is limited to 300000 tokens in total. |
user | No especificado | No especificado | No especificado |
text-embedding-3-large supports the Embeddings API and optional output dimensions.
Precios
El precio Verified se aplica a Verified, que cuesta menos en la mayoría de los modelos. El precio Official es el precio publicado por el fabricante del modelo y se aplica a la ruta Official, más fiable. Auto factura la ruta que completa la solicitud.
Incrustación
Por 1M Token- Precio Official
- Entrada $0.13 / Salida $0.00
- Precio Verified
- Entrada $0.091 / Salida $0.00
- Descuento
- -30%
| Precio OfficialPor 1M Token | Precio VerifiedPor 1M Token | Descuento | |
|---|---|---|---|
| Incrustación | Entrada $0.13 / Salida $0.00 | Entrada $0.091 / Salida $0.00 | -30% |
Uso y actividad
La tasa de éxito es la proporción de solicitudes completadas. La latencia es cuánto tarda una respuesta completa; P95 significa que el 95 % de las solicitudes terminaron dentro de ese tiempo.
Uso y disponibilidad
Últimas 24 horas- Solicitudes
- Tasa de éxito
- Latencia P95
- Total de tokens
Los datos se basan en solicitudes de usuario agregadas, excluyendo las comprobaciones de estado.
Abrir en Console
Abre text-embedding-3-large en Console con un prompt listo para editar o enviar.
Ayúdame a probar text-embedding-3-large con embedding en /v1/embeddings. Muestra el resultado y el coste.
Casos de uso
Búsqueda semántica multilingüe
Indexe documentos en varios idiomas y recupere resultados por significado en todos ellos a partir de una sola consulta.
RAG de alta precisión
Recupere pasajes para un sistema de respuesta a preguntas donde la calidad de la recuperación sea el cuello de botella.
Agrupación de documentos
Agrupe tickets, artículos o informes similares en clústeres para que los temas recurrentes sean visibles para los analistas.
Vectores acortados
Reduzca las dimensiones para ajustarse a una base de datos vectorial manteniendo la mayor parte de la calidad.
Ejemplos de prompts
Incruste (embed) estas 5,000 descripciones de productos para búsqueda semántica en consultas en inglés, alemán y japonés.
Incruste artículos de soporte para poder recuperar los tres más cercanos a la pregunta de un cliente.
Incruste estos párrafos y agrúpelos en temas.
Este modelo tiene precio condicional. Los totales mensuales de tokens por sí solos no producen una estimación fiable; use el precio detallado según la especificación de la solicitud, la caché y la ventana aplicable.
FAQ
¿Qué tipo de modelo es text-embedding-3-large?
Es el modelo de embedding más capaz de OpenAI, que produce vectores numéricos que miden qué tan relacionados están dos fragmentos de texto. Está orientado a tareas en inglés y otros idiomas, como búsqueda, agrupación y clasificación.
¿Puedo reducir el tamaño del vector?
Sí. El modelo admite dimensiones seleccionables, por lo que puede acortar los vectores para ahorrar almacenamiento y tiempo de búsqueda a costa de algo de calidad. Pruebe sus métricas de recuperación en el tamaño que planea utilizar.
¿En qué se diferencia de text-embedding-3-small?
Large es el modelo de mayor calidad con vectores más grandes, mientras que small es el económico. Use large cuando la precisión de la recuperación sea crítica y small cuando el volumen y el costo sean los factores dominantes.
¿Puedo mezclar sus vectores con los de otro modelo?
No. Los vectores de diferentes modelos viven en espacios distintos y no deben compararse. Vuelva a incrustar todo su corpus cuando cambie de modelo y mantenga los vectores de consulta y de documento del mismo modelo.
¿Qué endpoints puedo llamar?
Funciona con el endpoint de embeddings y el endpoint de procesamiento por lotes (batch). Los endpoints de chat y audio no son compatibles, así que úselo solo para convertir texto en vectores y combínelo con un modelo de generación independiente.
¿Cuánto cuesta text-embedding-3-large?
En TokenLab, text-embedding-3-large cuesta Entrada $0.091 / Salida $0.00 Por 1M Token. La tabla de precios arriba muestra el desglose completo. Las tarifas dependen de la unidad de facturación, la especificación y el uso. Compare condiciones iguales en el precio detallado del modelo; una sola tarifa no determina el coste total.
¿Qué endpoint debe usar text-embedding-3-large?
Utiliza https://api.tokenlab.sh/v1/embeddings para text-embedding-3-large. El ejemplo de solicitud a continuación muestra la estructura de código correspondiente.
¿Qué operaciones soporta text-embedding-3-large?
text-embedding-3-large admite Incrustación. Selecciona una operación arriba para ver su endpoint y ejemplo de solicitud.
Comparar text-embedding-3-large
Fuentes
Revisado el 2 oct 2026
