OpenAI: text-embedding-3-large

Text Embedding 3 Large adalah model embedding OpenAI yang lebih besar untuk pencarian semantik multibahasa. Model ini berguna ketika kualitas pengambilan data menjadi prioritas, dengan dimensi vektor yang dapat dipilih untuk menyeimbangkan ukuran representasi dan kebutuhan penyimpanan.

Bandingkan model

text-embedding-3-large

TersediaOpenAIEmbeddingSinkronkan

Masukan / Keluaran-30%: $0.13 / $0.00$0.091 / $0.00
Konteks: 8.2K
Modalitas: Embedding

Tentang text-embedding-3-large

text-embedding-3-large adalah model embedding paling mumpuni dari OpenAI, yang mengubah teks menjadi vektor untuk pencarian, pengelompokan (clustering), rekomendasi, deteksi anomali, dan klasifikasi. OpenAI menggambarkannya sebagai model yang kuat untuk tugas dalam bahasa Inggris maupun non-Inggris, dan dimensi vektornya dapat dipersingkat untuk menyeimbangkan kualitas dengan penyimpanan. Ini adalah opsi dengan kualitas lebih tinggi di samping text-embedding-3-small dan model lama ada-002.

Kelebihan

Dijelaskan oleh OpenAI sebagai model embedding paling mumpuni untuk teks bahasa Inggris dan non-Inggris.
Dimensi output yang dapat dipilih memungkinkan Anda memperkecil vektor agar sesuai dengan batas penyimpanan atau indeks.
Melayani pencarian, pengelompokan, rekomendasi, deteksi anomali, dan klasifikasi dari satu model.
Tersedia di endpoint embeddings dan batch untuk pekerjaan pengindeksan skala besar.

Kapan harus beralih

Vektor yang lebih besar memakan biaya lebih banyak untuk disimpan dan dicari dibandingkan vektor dari text-embedding-3-small.
Model ini hanya melakukan embedding pada teks; gambar dan audio memerlukan model yang berbeda.
Vektor dari model ini tidak dapat dibandingkan dengan vektor dari model embedding lain dalam satu indeks.

Memulai

Buat API key
Buat kunci di Console, gunakan untuk semua model di platform.

Kirim permintaan pertama Anda

Salin contoh untuk bahasa Anda dan jalankan terhadap endpoint tersebut.

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

Parameter

Embedding

Parameter	Nilai dan batas	Nilai bawaan	Catatan
`dimensions`	≥ 1	Tidak disediakan	Positive output vector length. Maximum depends on the model; no additional upper bound is asserted here.
`encoding_format`	float, base64	Tidak disediakan	Tidak disediakan
`input`	Jumlah masukan: ≥ 1, ≤ 2048	Tidak disediakan	Input accepts text or token IDs. Each input is limited to 8192 tokens; a request is limited to 300000 tokens in total.
`user`	Tidak disediakan	Tidak disediakan	Tidak disediakan

text-embedding-3-large supports the Embeddings API and optional output dimensions.

Penetapan Harga

Harga Verified berlaku untuk Verified yang lebih murah di sebagian besar model. Harga Official adalah harga resmi dari pembuat model dan berlaku untuk rute Official yang lebih andal. Auto menagihkan biaya berdasarkan rute yang menyelesaikan permintaan.

Embedding

per 1M token

Harga Official: Masukan $0.13 / Keluaran $0.00
Harga Verified: Masukan $0.091 / Keluaran $0.00
Diskon: -30%

	Harga Officialper 1M token	Harga Verifiedper 1M token	Diskon
Embedding	Masukan $0.13 / Keluaran $0.00	Masukan $0.091 / Keluaran $0.00	-30%

Penggunaan & aktivitas

Tingkat keberhasilan adalah proporsi permintaan yang selesai. Latensi adalah berapa lama respons penuh berlangsung; P95 berarti 95% permintaan selesai dalam waktu tersebut.

Penggunaan & ketersediaan

24 jam terakhir

Permintaan
Tingkat keberhasilan
Latensi P95
Total token

Performa model

Terakhir diperbarui 1 Nov 2026, 07.18 UTC

Metrik akan muncul setelah ambang batas privasi dan volume data terpenuhi.

Data didasarkan pada permintaan pengguna gabungan, tidak termasuk pemeriksaan status.

Buka di Console

Buka text-embedding-3-large di Console dengan prompt siap diedit atau dikirim.

Bantu saya mencoba text-embedding-3-large dengan embedding di /v1/embeddings. Tampilkan hasil dan biayanya.

Skenario penggunaan

Pencarian semantik multibahasa
Indeks dokumen dalam beberapa bahasa dan ambil hasil berdasarkan makna di seluruh bahasa tersebut dari satu kueri.
RAG presisi tinggi
Ambil bagian teks untuk sistem tanya jawab di mana kualitas pengambilan adalah hambatan utamanya.
Pengelompokan dokumen
Kelompokkan tiket, artikel, atau laporan serupa ke dalam klaster agar tema yang berulang terlihat oleh analis.
Vektor yang dipersingkat
Kurangi dimensi agar sesuai dengan basis data vektor sambil tetap mempertahankan sebagian besar kualitasnya.

Contoh prompt

Lakukan embedding pada 5.000 deskripsi produk ini untuk pencarian semantik di seluruh kueri bahasa Inggris, Jerman, dan Jepang.

Lakukan embedding pada artikel dukungan agar saya dapat mengambil tiga artikel yang paling mendekati pertanyaan pelanggan.

Lakukan embedding pada paragraf-paragraf ini dan kelompokkan menjadi topik-topik.

Model ini memiliki harga kondisional. Total token bulanan saja tidak dapat menghasilkan estimasi yang andal; gunakan harga detail untuk spesifikasi permintaan, cache, dan jendela waktu yang berlaku.

FAQ

Model seperti apa text-embedding-3-large itu?

Ini adalah model embedding paling mumpuni dari OpenAI, yang menghasilkan vektor numerik untuk mengukur seberapa terkait dua bagian teks. Model ini menargetkan tugas bahasa Inggris dan non-Inggris seperti pencarian, pengelompokan, dan klasifikasi.

Bisakah saya mengurangi ukuran vektor?

Ya. Model ini mendukung dimensi yang dapat dipilih, sehingga Anda dapat mempersingkat vektor untuk menghemat penyimpanan dan waktu pencarian dengan sedikit penurunan kualitas. Uji metrik pengambilan Anda pada ukuran yang ingin Anda gunakan.

Apa bedanya dengan text-embedding-3-small?

Large adalah model dengan kualitas lebih tinggi dengan vektor yang lebih besar, sedangkan small adalah model yang ekonomis. Gunakan large jika akurasi pengambilan sangat penting dan gunakan small jika volume dan biaya menjadi prioritas utama.

Bisakah saya mencampur vektornya dengan model lain?

Tidak. Vektor dari model yang berbeda berada di ruang yang berbeda dan tidak boleh dibandingkan. Lakukan re-embedding pada seluruh korpus Anda saat mengganti model, dan pastikan vektor kueri serta dokumen berasal dari model yang sama.

Endpoint mana yang bisa saya panggil?

Model ini bekerja dengan endpoint embeddings dan endpoint batch. Endpoint chat dan audio tidak didukung, jadi gunakan hanya untuk mengubah teks menjadi vektor dan pasangkan dengan model generasi terpisah.

Berapa biaya text-embedding-3-large?

Di TokenLab, text-embedding-3-large dikenakan Masukan $0.091 / Keluaran $0.00 per 1M token. Tabel harga di atas menampilkan rincian lengkap. Tarif bergantung pada unit penagihan, spesifikasi, dan penggunaan. Bandingkan kondisi yang sama dalam harga detail model; satu tarif tidak menentukan total biaya.

Endpoint mana yang harus digunakan text-embedding-3-large?

Pakai https://api.tokenlab.sh/v1/embeddings sebagai default untuk text-embedding-3-large. Jika format native penyedia didukung, API workbench juga menampilkan endpoint tersebut.

Operasi apa saja yang didukung text-embedding-3-large?

text-embedding-3-large mendukung Embedding. Pilih operasi di API workbench di atas untuk melihat endpoint dan contoh kode terkait.