OpenAI: text-embedding-ada-002

Text Embedding Ada 002 est un ancien modèle d'incorporation d'OpenAI utilisé dans de nombreux index vectoriels existants. Il reste pertinent pour maintenir la compatibilité avec les incorporations stockées, car les vecteurs de différents modèles ne doivent pas être mélangés dans un même espace de similarité.

Comparer les modèles

text-embedding-ada-002

DisponibleOpenAIVectorisationSynchrone

Entrée / Sortie: $0.10 / $0.00
Contexte: 8.2K
Modalités: Vectorisation

À propos de text-embedding-ada-002

text-embedding-ada-002 est un ancien modèle d'embedding d'OpenAI sur lequel de nombreux index vectoriels existants ont été construits. OpenAI le décrit comme une version améliorée et plus performante du modèle d'embedding ada original, couvrant la recherche, le clustering, les recommandations, la détection d'anomalies et la classification. Il est principalement pertinent pour maintenir la compatibilité avec les vecteurs stockés, car les modèles text-embedding-3 plus récents le remplacent pour les nouveaux projets.

Points forts

Compatible avec le grand nombre d'index déjà construits avec des vecteurs ada-002.
Couvre la recherche, le clustering, les recommandations, la détection d'anomalies et la classification.
Un modèle d'embedding unique et familier avec un long historique dans les systèmes de production.
Fonctionne avec les endpoints d'embeddings et de batch.

Quand préférer un autre modèle

Les modèles text-embedding-3 d'OpenAI sont la nouvelle génération, et les nouveaux projets commencent généralement par ceux-ci.
Ses vecteurs ne peuvent pas être mélangés avec ceux d'un autre modèle ; une migration implique donc de ré-encoder l'ensemble des données.
Il encode uniquement du texte et n'offre pas de dimensions sélectionnables.

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-ada-002",
  "input": "The quick brown fox jumps over the lazy dog."
}'

Paramètres

Vectorisation

Paramètre	Valeurs et limites	Valeur par défaut	Remarques
`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

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 $0.10 / Sortie $0.00
Prix Verified: —
Remise: —

	Prix OfficialPar 1M Token	Prix VerifiedPar 1M Token	Remise
Vectorisation	Entrée $0.10 / Sortie $0.00	—	—

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 1 nov. 2026, 08:12 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-ada-002 dans Console avec un prompt prêt à modifier ou envoyer.

Aide-moi à tester text-embedding-ada-002 avec embedding sur /v1/embeddings. Affiche le résultat et le coût.

Cas d'usage

Maintenance d'un index existant
Ajouter de nouveaux documents à un corpus déjà encodé avec ada-002 afin que les requêtes correspondent toujours.
Systèmes RAG hérités
Maintenir une pile de récupération en production stable et inchangée pendant que l'équipe planifie une migration prudente.
Reproduction de résultats antérieurs
Réexécuter d'anciennes expériences et évaluations qui dépendaient des vecteurs ada-002, afin que les résultats restent comparables.
Base de référence pour la migration
Comparer la qualité de récupération d'ada-002 par rapport à un modèle d'embedding plus récent sur vos propres requêtes avant de changer.

Exemples de prompts

Encoder ces nouveaux articles de support afin qu'ils correspondent à l'index ada-002 existant.

Encoder mes requêtes de test avec le même modèle que le corpus stocké.

Encoder 500 documents afin de pouvoir comparer la récupération par rapport à text-embedding-3-small.

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-ada-002 ?

Il s'agit d'un ancien modèle d'embedding de texte d'OpenAI qu'OpenAI décrit comme une version améliorée et plus performante du modèle d'embedding ada original. Il transforme le texte en vecteurs pour la recherche et des tâches similaires.

Pourquoi quelqu'un l'utiliserait-il encore ?

Pour rester compatible avec les vecteurs déjà stockés. Une requête doit être encodée avec le même modèle que les documents ; un index ada-002 existant nécessite donc ada-002 jusqu'à ce que vous procédiez à un nouvel encodage.

Les nouveaux projets doivent-ils l'utiliser ?

Généralement non. Les modèles text-embedding-3 sont plus récents et OpenAI liste text-embedding-3-small comme une amélioration par rapport au modèle ada. Commencez par ceux-là, sauf si la compatibilité avec des vecteurs stockés impose ada-002.

Comment migrer vers un autre modèle ?

Ré-encodez le corpus complet avec le nouveau modèle, construisez un nouvel index et basculez les requêtes simultanément. Ne mélangez jamais les espaces vectoriels dans un même index et conservez l'ancien index jusqu'à ce que le nouveau soit vérifié.

Quels endpoints le prennent en charge ?

Il fonctionne uniquement avec l'endpoint d'embeddings et l'endpoint batch. Les endpoints de chat, d'assistants, de fine-tuning et d'images ne sont pas pris en charge ; il sert donc purement de générateur de vecteurs pour les systèmes de récupération.

Combien coûte text-embedding-ada-002 ?

Sur TokenLab, text-embedding-ada-002 coûte Entrée $0.10 / 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-ada-002 doit-il utiliser ?

Utilisez https://api.tokenlab.sh/v1/embeddings pour text-embedding-ada-002. L'exemple de requête ci-dessous montre la structure de code correspondante.

Quelles opérations text-embedding-ada-002 prend-il en charge ?

text-embedding-ada-002 prend en charge Vectorisation. Sélectionnez une opération pour voir l'endpoint et un exemple.