OpenAI: text-embedding-3-small
text-embedding-3-small- Entrada / Salida-30%
- $0.02 / $0.00$0.014 / $0.00
- Contexto
- 8.2K
- Modalidades
- Incrustación
Sobre text-embedding-3-small
text-embedding-3-small es el modelo de embedding compacto de OpenAI, que produce vectores que miden qué tan relacionados están dos fragmentos de texto. OpenAI lo presenta como una mejora sobre el modelo de embedding ada anterior y enumera la búsqueda, agrupación, recomendaciones, detección de anomalías y clasificación como sus usos. Es la opción económica junto a text-embedding-3-large, adecuada para índices grandes y tuberías RAG.
Puntos fuertes
- Una mejora sobre el modelo de embedding ada, según la página del modelo de OpenAI.
- Vectores más pequeños que los del modelo large mantienen el almacenamiento y la búsqueda ligeros para índices grandes.
- Cubre tareas de búsqueda, agrupación, recomendaciones, detección de anomalías y clasificación.
- Funciona en los endpoints de embeddings y batch, lo cual se ajusta a la indexación masiva.
Cuándo buscar otra opción
- La calidad de recuperación es menor que en text-embedding-3-large, lo cual es importante cuando las respuestas dependen de coincidencias precisas.
- Solo procesa texto, no imágenes ni audio.
- Cambiar de modelo más adelante implica volver a incrustar todo el corpus.
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-small", "input": "The quick brown fox jumps over the lazy dog." }'
Precios
El precio de TokenLab se aplica a Verified, que es más económico en la mayoría de los modelos. El precio oficial corresponde a la tarifa del fabricante y se aplica a la ruta Official, que es más fiable. Auto cobra según la ruta que complete la solicitud.
Incrustación
Por 1M Token- Precio Official
- Entrada $0.02 / Salida $0.00
- Precio de TokenLab
- Entrada $0.014 / Salida $0.00
- Descuento
- -30%
| Precio OfficialPor 1M Token | Precio de TokenLabPor 1M Token | Descuento | |
|---|---|---|---|
| Incrustación | Entrada $0.02 / Salida $0.00 | Entrada $0.014 / 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-small en Console con un prompt listo para editar o enviar.
Ayúdame a probar text-embedding-3-small con embedding en /v1/embeddings. Muestra el resultado y el coste.
Casos de uso
Índice RAG predeterminado
Inicie una tubería de recuperación con un modelo de embedding económico y realice mediciones antes de actualizar.
Recomendaciones
Encuentre artículos o productos relacionados comparando vectores y sugiriendo los vecinos más cercanos a cada lector.
Detección de anomalías
Marque líneas de registro o registros que se encuentren lejos del clúster de los normales.
Embedding por lotes masivo
Incruste millones de registros cortos a través del endpoint batch cuando el trabajo pueda ejecutarse en segundo plano.
Ejemplos de prompts
Incruste cada entrada de preguntas frecuentes (FAQ) para que un chatbot pueda obtener la respuesta más cercana.
Incruste estos títulos de productos y encuentre cinco artículos similares para cada uno.
Incruste los mensajes de registro de este mes para que se puedan marcar los valores atípicos.
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-small?
Es un modelo de embedding compacto de OpenAI que convierte texto en vectores numéricos. OpenAI lo llama una mejora sobre el modelo de embedding ada anterior, y admite búsqueda, agrupación, recomendaciones, detección de anomalías y clasificación.
¿Cuándo debería elegirlo sobre text-embedding-3-large?
Elija small cuando el costo, el almacenamiento y el rendimiento sean importantes y la recuperación ya sea adecuada. Elija large cuando la calidad en consultas difíciles o multilingües justifique vectores más grandes.
¿Es mejor que text-embedding-ada-002?
OpenAI lo describe como una mejora sobre el modelo ada. Si tiene un índice ada-002, debe volver a incrustar el corpus para cambiar, porque los vectores de diferentes modelos no son compatibles.
¿Qué endpoints funcionan con él?
Dos rutas: embeddings y batch. Los endpoints de chat, audio e imagen no son compatibles, así que combínelo con un modelo de generación independiente si necesita respuestas en lugar de vectores.
¿Acepta imágenes?
No, solo acepta entrada de texto. Use un modelo de embedding multimodal para imágenes y mantenga este para corpus de texto donde el almacenamiento y el costo por vector sean las principales restricciones.
¿Cuánto cuesta text-embedding-3-small?
En TokenLab, text-embedding-3-small cuesta Entrada $0.014 / 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-small?
Utiliza https://api.tokenlab.sh/v1/embeddings para text-embedding-3-small. El ejemplo de solicitud a continuación muestra la estructura de código correspondiente.
¿Qué operaciones soporta text-embedding-3-small?
text-embedding-3-small admite Incrustación. Selecciona una operación arriba para ver su endpoint y ejemplo de solicitud.
Comparar text-embedding-3-small
Fuentes
Revisado el 2 oct 2026
