OpenAI: text-embedding-ada-002

Text Embedding Ada 002 adalah model embedding OpenAI terdahulu yang digunakan dalam banyak indeks vektor yang ada. Model ini tetap relevan saat menjaga kompatibilitas dengan embedding yang tersimpan, karena vektor dari model yang berbeda tidak boleh dicampur dalam satu ruang kesamaan.

Bandingkan model

text-embedding-ada-002

TersediaOpenAIEmbeddingSinkronkan

Masukan / Keluaran: $0.10 / $0.00
Konteks: 8.2K
Modalitas: Embedding

Tentang text-embedding-ada-002

text-embedding-ada-002 adalah model embedding OpenAI terdahulu yang menjadi dasar pembangunan banyak indeks vektor yang ada saat ini. OpenAI menggambarkannya sebagai versi yang lebih baik dan lebih berkinerja tinggi dari model embedding ada orisinal, yang mencakup pencarian, pengelompokan (clustering), rekomendasi, deteksi anomali, dan klasifikasi. Model ini terutama relevan untuk menjaga kompatibilitas dengan vektor yang tersimpan, karena model text-embedding-3 yang lebih baru menggantikannya untuk proyek-proyek baru.

Kelebihan

Kompatibel dengan sejumlah besar indeks yang telah dibangun dengan vektor ada-002.
Mencakup pencarian, pengelompokan, rekomendasi, deteksi anomali, dan klasifikasi.
Model embedding tunggal yang familier dengan rekam jejak panjang dalam sistem produksi.
Bekerja pada endpoint embeddings dan batch.

Kapan harus beralih

Model text-embedding-3 dari OpenAI adalah generasi yang lebih baru, dan proyek baru biasanya dimulai dari sana.
Vektornya tidak dapat dicampur dengan model lain, sehingga migrasi berarti melakukan embedding ulang terhadap semuanya.
Model ini hanya melakukan embedding teks dan tidak menawarkan dimensi yang dapat dipilih.

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

Parameter

Embedding

Parameter	Nilai dan batas	Nilai bawaan	Catatan
`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

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 $0.10 / Keluaran $0.00
Harga Verified: —
Diskon: —

	Harga Officialper 1M token	Harga Verifiedper 1M token	Diskon
Embedding	Masukan $0.10 / Keluaran $0.00	—	—

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, 08.12 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-ada-002 di Console dengan prompt siap diedit atau dikirim.

Bantu saya mencoba text-embedding-ada-002 dengan embedding di /v1/embeddings. Tampilkan hasil dan biayanya.

Skenario penggunaan

Memelihara indeks yang sudah ada
Menambahkan dokumen baru ke korpus yang sudah di-embed dengan ada-002 agar kueri tetap cocok.
Sistem RAG warisan (legacy)
Menjaga tumpukan pengambilan (retrieval stack) produksi tetap stabil dan tidak berubah sementara tim merencanakan migrasi yang cermat.
Mereproduksi hasil sebelumnya
Menjalankan ulang eksperimen dan evaluasi lama yang bergantung pada vektor ada-002, agar hasil tetap dapat dibandingkan.
Tolok ukur migrasi
Membandingkan kualitas pengambilan ada-002 terhadap model embedding yang lebih baru pada kueri Anda sendiri sebelum beralih.

Contoh prompt

Embed artikel dukungan baru ini agar cocok dengan indeks ada-002 yang sudah ada.

Embed kueri pengujian saya dengan model yang sama seperti korpus yang tersimpan.

Embed 500 dokumen agar saya dapat membandingkan pengambilan terhadap text-embedding-3-small.

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-ada-002 itu?

Ini adalah model embedding teks OpenAI yang lebih lama yang digambarkan oleh OpenAI sebagai versi yang lebih baik dan lebih berkinerja tinggi dari model embedding ada orisinal. Model ini mengubah teks menjadi vektor untuk pencarian dan tugas serupa.

Mengapa masih ada yang menggunakannya?

Untuk tetap kompatibel dengan vektor yang sudah tersimpan. Kueri harus di-embed dengan model yang sama seperti dokumennya, jadi indeks ada-002 yang ada memerlukan ada-002 sampai Anda melakukan embedding ulang.

Haruskah proyek baru menggunakannya?

Biasanya tidak. Model text-embedding-3 lebih baru dan OpenAI mencantumkan text-embedding-3-small sebagai peningkatan dibandingkan model ada. Mulailah dari sana kecuali kompatibilitas dengan vektor yang tersimpan mengharuskan penggunaan ada-002.

Bagaimana cara saya bermigrasi darinya?

Lakukan embedding ulang pada seluruh korpus dengan model baru, bangun indeks baru, dan alihkan kueri secara bersamaan. Jangan pernah mencampur ruang vektor dalam satu indeks, dan simpan indeks lama sampai indeks baru diverifikasi.

Endpoint mana yang mendukungnya?

Model ini hanya bekerja dengan endpoint embeddings dan endpoint batch. Endpoint chat, asisten, fine-tuning, dan gambar tidak didukung, sehingga model ini murni berfungsi sebagai generator vektor untuk sistem pengambilan.

Berapa biaya text-embedding-ada-002?

Di TokenLab, text-embedding-ada-002 dikenakan Masukan $0.10 / 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-ada-002?

Pakai https://api.tokenlab.sh/v1/embeddings sebagai default untuk text-embedding-ada-002. Jika format native penyedia didukung, API workbench juga menampilkan endpoint tersebut.

Operasi apa saja yang didukung text-embedding-ada-002?

text-embedding-ada-002 mendukung Embedding. Pilih operasi di API workbench di atas untuk melihat endpoint dan contoh kode terkait.