OpenAI: text-embedding-3-large
text-embedding-3-large- Entrée / Sortie-30%
- $0.13 / $0.00$0.091 / $0.00
- Contexte
- 8.2K
- Modalités
- Vectorisation
À propos de text-embedding-3-large
text-embedding-3-large est le modèle d'embedding le plus performant d'OpenAI, convertissant le texte en vecteurs pour la recherche, le clustering, les recommandations, la détection d'anomalies et la classification. OpenAI le décrit comme robuste pour les tâches en anglais et dans d'autres langues, et ses dimensions vectorielles peuvent être réduites pour équilibrer la qualité et le stockage. Il s'agit de l'option de meilleure qualité par rapport à text-embedding-3-small et à l'ancien modèle ada-002.
Points forts
- Décrit par OpenAI comme son modèle d'embedding le plus performant pour le texte en anglais et dans d'autres langues.
- Des dimensions de sortie sélectionnables permettent de réduire les vecteurs pour respecter les limites de stockage ou d'indexation.
- Prend en charge la recherche, le clustering, les recommandations, la détection d'anomalies et la classification à partir d'un seul modèle.
- Disponible sur les endpoints d'embeddings et de batch pour les travaux d'indexation à grande échelle.
Quand préférer un autre modèle
- Les vecteurs plus grands coûtent plus cher à stocker et à rechercher que ceux générés par text-embedding-3-small.
- Il traite uniquement le texte ; les images et l'audio nécessitent un modèle différent.
- Les vecteurs générés par ce modèle ne peuvent pas être comparés avec ceux d'autres modèles d'embedding au sein d'un même index.
Pour commencer
Créer une clé API
Générez une clé dans Console et utilisez-la avec tous les modèles de la plateforme.
Envoyez votre première requête
Copiez l'exemple pour votre langage et lancez-le.
VectorisationEndpoint 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." }'
Paramètres
Vectorisation
| Paramètre | Valeurs et limites | Valeur par défaut | Remarques |
|---|---|---|---|
dimensions | ≥ 1 | Non fourni | Positive output vector length. Maximum depends on the model; no additional upper bound is asserted here. |
encoding_format | float, base64 | Non fourni | Non fourni |
input | Entrées : ≥ 1, ≤ 2048 | Non fourni | Input accepts text or token IDs. Each input is limited to 8192 tokens; a request is limited to 300000 tokens in total. |
user | Non fourni | Non fourni | Non fourni |
text-embedding-3-large supports the Embeddings API and optional output dimensions.
Tarification
Le prix Verified s’applique à Verified, moins cher sur la plupart des modèles. Le prix Official est le prix publié par le fabricant du modèle et s’applique à la route Official, plus fiable. Auto facture la route qui termine la requête.
Vectorisation
Par 1M Token- Prix Official
- Entrée $0.13 / Sortie $0.00
- Prix Verified
- Entrée $0.091 / Sortie $0.00
- Remise
- -30%
| Prix OfficialPar 1M Token | Prix VerifiedPar 1M Token | Remise | |
|---|---|---|---|
| Vectorisation | Entrée $0.13 / Sortie $0.00 | Entrée $0.091 / Sortie $0.00 | -30% |
Utilisation et activité
Le taux de réussite est la part de requêtes abouties. La latence est la durée d'une réponse complète ; P95 signifie que 95 % des requêtes ont fini dans ce délai.
Utilisation et disponibilité
Dernières 24 heures- Requêtes
- Taux de succès
- Latence P95
- Total des jetons
Les données sont basées sur les requêtes agrégées des utilisateurs, à l'exclusion des vérifications de statut.
Ouvrir dans Console
Ouvrez text-embedding-3-large dans Console avec un prompt prêt à modifier ou envoyer.
Aide-moi à tester text-embedding-3-large avec embedding sur /v1/embeddings. Affiche le résultat et le coût.
Cas d'usage
Recherche sémantique multilingue
Indexez des documents dans plusieurs langues et récupérez des résultats basés sur le sens à travers toutes ces langues à partir d'une seule requête.
RAG de haute précision
Récupérez des passages pour un système de questions-réponses où la qualité de la récupération est le facteur limitant.
Clustering de documents
Regroupez des tickets, articles ou rapports similaires en clusters afin que les thèmes récurrents deviennent visibles pour les analystes.
Vecteurs raccourcis
Réduisez les dimensions pour les adapter à une base de données vectorielle tout en conservant la majeure partie de la qualité.
Exemples de prompts
Intégrez ces 5 000 descriptions de produits pour une recherche sémantique sur des requêtes en anglais, allemand et japonais.
Intégrez des articles de support afin de pouvoir récupérer les trois plus proches d'une question client.
Intégrez ces paragraphes et regroupez-les en sujets.
Ce modèle a une tarification conditionnelle. Les totaux mensuels de tokens ne suffisent pas pour une estimation fiable ; utilisez la tarification détaillée selon la spécification de la requête, le cache et la fenêtre applicable.
FAQ
Quel type de modèle est text-embedding-3-large ?
C'est le modèle d'embedding le plus performant d'OpenAI, produisant des vecteurs numériques qui mesurent le degré de parenté entre deux segments de texte. Il cible les tâches en anglais et dans d'autres langues telles que la recherche, le clustering et la classification.
Puis-je réduire la taille des vecteurs ?
Oui. Le modèle prend en charge des dimensions sélectionnables, vous permettant de raccourcir les vecteurs pour économiser du stockage et du temps de recherche, au prix d'une légère perte de qualité. Testez vos métriques de récupération à la taille que vous prévoyez d'utiliser.
En quoi est-il différent de text-embedding-3-small ?
Large est le modèle de meilleure qualité avec des vecteurs plus grands, tandis que small est l'option économique. Utilisez Large lorsque la précision de la récupération est critique et Small lorsque le volume et le coût sont prédominants.
Puis-je mélanger ses vecteurs avec ceux d'un autre modèle ?
Non. Les vecteurs issus de modèles différents vivent dans des espaces distincts et ne doivent pas être comparés. Ré-intégrez l'ensemble de votre corpus lorsque vous changez de modèle, et assurez-vous que les vecteurs de requête et de document proviennent du même modèle.
Quels endpoints puis-je appeler ?
Il fonctionne avec l'endpoint d'embeddings et l'endpoint de batch. Les endpoints de chat et d'audio ne sont pas pris en charge ; utilisez-le donc uniquement pour convertir du texte en vecteurs et associez-le à un modèle de génération distinct.
Combien coûte text-embedding-3-large ?
Sur TokenLab, text-embedding-3-large coûte Entrée $0.091 / Sortie $0.00 Par 1M Token. La table tarifaire ci-dessus en montre le détail complet. Les tarifs dépendent de l’unité de facturation, de la spécification et de l’usage. Comparez des conditions identiques dans la tarification détaillée du modèle ; un tarif seul ne détermine pas le coût total.
Quel endpoint text-embedding-3-large doit-il utiliser ?
Utilisez https://api.tokenlab.sh/v1/embeddings pour text-embedding-3-large. L'exemple de requête ci-dessous montre la structure de code correspondante.
Quelles opérations text-embedding-3-large prend-il en charge ?
text-embedding-3-large prend en charge Vectorisation. Sélectionnez une opération pour voir l'endpoint et un exemple.
Comparer text-embedding-3-large
Sources
Mis à jour le 2 oct. 2026
