OpenAI: text-embedding-3-small

Text Embedding 3 Small fournit des vecteurs compacts pour la similarité et la récupération de texte. C'est un point de départ utile pour un index de recherche, une fonctionnalité de recommandation ou un pipeline RAG qui nécessite un modèle d'incorporation économique.

Comparer les modèles

text-embedding-3-small

DisponibleOpenAIVectorisationSynchrone

Entrée / Sortie-30%: $0.02 / $0.00$0.014 / $0.00
Contexte: 8.2K
Modalités: Vectorisation

À propos de text-embedding-3-small

text-embedding-3-small est le modèle d'embedding compact d'OpenAI, produisant des vecteurs qui mesurent le degré de parenté entre deux segments de texte. OpenAI le présente comme une amélioration par rapport à l'ancien modèle d'embedding ada et liste la recherche, le clustering, les recommandations, la détection d'anomalies et la classification comme cas d'usage. C'est le choix économique par rapport à text-embedding-3-large, adapté aux grands index et aux pipelines RAG.

Points forts

Une amélioration par rapport au modèle d'embedding ada, selon la page du modèle OpenAI.
Des vecteurs plus petits que ceux du modèle Large permettent de maintenir un stockage et une recherche légers pour les grands index.
Couvre les tâches de recherche, de clustering, de recommandations, de détection d'anomalies et de classification.
Fonctionne sur les endpoints d'embeddings et de batch, ce qui convient à l'indexation en masse.

Quand préférer un autre modèle

La qualité de récupération est inférieure à celle de text-embedding-3-large, ce qui est important lorsque les réponses dépendent de correspondances précises.
Il traite uniquement le texte, pas les images ou l'audio.
Changer de modèle ultérieurement implique de ré-intégrer l'ensemble du corpus.

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 TokenLab

POST/v1/embeddings

curl -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."
}'

Tarification

Le tarif TokenLab s'applique à Verified pour réduire vos coûts. Le tarif officiel s'applique à la route Official pour une fiabilité optimale. Auto sélectionne la route qui garantit le succès de votre requête.

Vectorisation

Par 1M Token

Tarif Official: Entrée $0.02 / Sortie $0.00
Prix TokenLab: Entrée $0.014 / Sortie $0.00
Remise: -30%

	Tarif OfficialPar 1M Token	Prix TokenLabPar 1M Token	Remise
Vectorisation	Entrée $0.02 / Sortie $0.00	Entrée $0.014 / 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

Performance du modèle

Dernière mise à jour 9 oct. 2026, 00:16 UTC

Les métriques s'affichent une fois les seuils de confidentialité et de volume de données atteints.

Les données sont basées sur les requêtes agrégées des utilisateurs, à l'exclusion des vérifications de statut.

Ouvrir dans Console

Ouvrez text-embedding-3-small dans Console avec un prompt prêt à modifier ou envoyer.

Aide-moi à tester text-embedding-3-small avec embedding sur /v1/embeddings. Affiche le résultat et le coût.

Cas d'usage

Index RAG par défaut
Démarrez un pipeline de récupération avec un modèle d'embedding économique et mesurez les résultats avant de passer à une version supérieure.
Recommandations
Trouvez des articles ou produits connexes en comparant les vecteurs et en suggérant les voisins les plus proches à chaque lecteur.
Détection d'anomalies
Signalez les lignes de journal ou les enregistrements qui s'écartent du cluster des données normales.
Embedding par lots (batch)
Intégrez des millions de courts enregistrements via l'endpoint de batch lorsque le travail peut être exécuté en arrière-plan.

Exemples de prompts

Intégrez chaque entrée de FAQ afin qu'un chatbot puisse récupérer la réponse la plus proche.

Intégrez ces titres de produits et trouvez cinq articles similaires pour chacun.

Intégrez les messages de journal de ce mois-ci afin que les valeurs aberrantes puissent être signalées.

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-small ?

C'est un modèle d'embedding compact d'OpenAI qui convertit le texte en vecteurs numériques. OpenAI le qualifie d'amélioration par rapport au précédent modèle d'embedding ada, et il prend en charge la recherche, le clustering, les recommandations, la détection d'anomalies et la classification.

Quand devrais-je le choisir plutôt que text-embedding-3-large ?

Choisissez Small lorsque le coût, le stockage et le débit sont importants et que la récupération est déjà adéquate. Choisissez Large lorsque la qualité sur des requêtes difficiles ou multilingues justifie des vecteurs plus grands.

Est-il meilleur que text-embedding-ada-002 ?

OpenAI le décrit comme une amélioration par rapport au modèle ada. Si vous avez un index ada-002, vous devez ré-intégrer le corpus pour changer de modèle, car les vecteurs issus de modèles différents ne sont pas compatibles.

Quels endpoints fonctionnent avec lui ?

Deux routes : embeddings et batch. Les endpoints de chat, d'audio et d'image ne sont pas pris en charge ; associez-le donc à un modèle de génération distinct si vous avez besoin de réponses plutôt que de vecteurs.

Accepte-t-il les images ?

Non, il accepte uniquement les entrées textuelles. Utilisez un modèle d'embedding multimodal pour les images, et conservez celui-ci pour les corpus textuels où le stockage et le coût par vecteur sont les principales contraintes.

Combien coûte text-embedding-3-small ?

Sur TokenLab, text-embedding-3-small coûte Entrée $0.014 / 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-small doit-il utiliser ?

Utilisez https://api.tokenlab.sh/v1/embeddings pour text-embedding-3-small. L'exemple de requête ci-dessous montre la structure de code correspondante.

Quelles opérations text-embedding-3-small prend-il en charge ?

text-embedding-3-small prend en charge Vectorisation. Sélectionnez une opération pour voir l'endpoint et un exemple.