OpenAI: text-embedding-3-large
text-embedding-3-large- 入力 / 出力-30%
- $0.13 / $0.00$0.091 / $0.00
- コンテキスト
- 8.2K
- モダリティ
- 埋め込み
text-embedding-3-large について
text-embedding-3-largeは、OpenAIの最も高性能な埋め込みモデルであり、検索、クラスタリング、レコメンデーション、異常検知、分類のためにテキストをベクトルに変換します。OpenAIは、英語および英語以外のタスクの両方で強力であると説明しており、品質とストレージのバランスを取るためにベクトル次元を短縮することが可能です。これは、text-embedding-3-smallおよび旧モデルのada-002に並ぶ、より高品質な選択肢です。
得意なこと
- OpenAIにより、英語および英語以外のテキストに対して最も高性能な埋め込みモデルであると説明されています。
- 出力次元を選択できるため、ストレージやインデックスの制限に合わせてベクトルを縮小できます。
- 検索、クラスタリング、レコメンデーション、異常検知、分類の各タスクを単一のモデルで提供します。
- 大規模なインデックス作成ジョブ向けに、embeddingsエンドポイントとbatchエンドポイントの両方で利用可能です。
他のモデルを検討すべきケース
- より大きなベクトルは、text-embedding-3-smallのベクトルと比較して、保存および検索のコストが高くなります。
- テキストのみを埋め込みます。画像や音声には別のモデルが必要です。
- このモデルから生成されたベクトルを、他の埋め込みモデルのベクトルと同一のインデックス内で比較することはできません。
はじめに
最初のキーを作成
Consoleでキーを作成すれば、プラットフォーム内のすべてのモデルで使えます。
最初のリクエストを送信する
お使いの言語の例をコピーして、エンドポイントに対して実行してください。
埋め込みTokenLab エンドポイントPOST/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." }'
パラメータ
埋め込み
| パラメーター | 値と制限 | デフォルト | 注記 |
|---|---|---|---|
dimensions | ≥ 1 | 未提供 | Positive output vector length. Maximum depends on the model; no additional upper bound is asserted here. |
encoding_format | float, base64 | 未提供 | 未提供 |
input | 入力数: ≥ 1, ≤ 2048 | 未提供 | Input accepts text or token IDs. Each input is limited to 8192 tokens; a request is limited to 300000 tokens in total. |
user | 未提供 | 未提供 | 未提供 |
text-embedding-3-large supports the Embeddings API and optional output dimensions.
料金
Verified 価格は Verified に適用され、多くのモデルでより低コストです。Official 価格はモデルのメーカーが公表する価格で、信頼性の高い Official ルートに適用されます。Auto はリクエストを完了したルートの価格で課金します。
埋め込み
100万トークンあたり- Official 価格
- 入力 $0.13 / 出力 $0.00
- Verified 価格
- 入力 $0.091 / 出力 $0.00
- 割引
- -30%
| Official 価格100万トークンあたり | Verified 価格100万トークンあたり | 割引 | |
|---|---|---|---|
| 埋め込み | 入力 $0.13 / 出力 $0.00 | 入力 $0.091 / 出力 $0.00 | -30% |
使用状況とアクティビティ
成功率は完了したリクエストの割合です。レイテンシは完全なレスポンスにかかる時間で、P95 は 95% のリクエストがその時間内に完了したことを意味します。
使用量と可用性
過去24時間- リクエスト数
- 成功率
- P95 レイテンシ
- 合計トークン数
データはステータスチェックを除外した、集計済みのユーザーリクエストに基づいています。
Consoleで開く
Consoleでtext-embedding-3-largeを開き、プロンプトを編集・送信できます。
text-embedding-3-largeと/v1/embeddingsでembeddingを実行。結果とコストを表示します。
ユースケース
多言語セマンティック検索
複数の言語でドキュメントをインデックス化し、単一のクエリで言語を問わず意味に基づいて結果を検索します。
高精度RAG
検索品質がボトルネックとなる質問応答システムにおいて、パッセージを検索します。
ドキュメントクラスタリング
類似したチケット、記事、レポートをクラスタにグループ化し、繰り返されるテーマをアナリストが可視化できるようにします。
短縮ベクトル
品質の大部分を維持しながら次元を削減し、ベクトルデータベースに適合させます。
プロンプト例
これら5,000件の製品説明を埋め込み、英語、ドイツ語、日本語のクエリを横断したセマンティック検索を行います。
サポート記事を埋め込み、顧客の質問に最も近い3件を検索できるようにします。
これらの段落を埋め込み、トピックごとにクラスタリングします。
このモデルは条件付き料金です。月間トークン総量だけでは確実な見積もりができません。リクエスト仕様・キャッシュ・該当時間帯に応じた詳細料金をご利用ください。
FAQ
text-embedding-3-largeとはどのようなモデルですか？
OpenAIの最も高性能な埋め込みモデルであり、2つのテキストがどれほど関連しているかを測定する数値ベクトルを生成します。検索、クラスタリング、分類といった英語および英語以外のタスクを対象としています。
ベクトルサイズを縮小できますか？
はい。このモデルは次元の選択をサポートしているため、ベクトルを短縮してストレージと検索時間を節約できます（品質は多少低下します）。使用予定のサイズで検索メトリクスをテストしてください。
text-embedding-3-smallと何が違いますか？
Largeはより大きなベクトルを持つ高品質なモデルであり、Smallは経済的なモデルです。検索精度が重要な場合はLargeを、ボリュームとコストが優先される場合はSmallを使用してください。
他のモデルのベクトルと混ぜることはできますか？
いいえ。異なるモデルからのベクトルは異なる空間に存在するため、比較すべきではありません。モデルを変更する場合はコーパス全体を再埋め込みし、クエリとドキュメントのベクトルは同じモデルから生成したものを使用してください。
どのエンドポイントを呼び出せますか？
embeddingsエンドポイントおよびbatchエンドポイントで動作します。チャットおよび音声エンドポイントはサポートされていないため、テキストをベクトルに変換する目的でのみ使用し、生成には別のモデルを組み合わせてください。
text-embedding-3-large の料金はいくらですか？
TokenLab では text-embedding-3-large は 入力 $0.091 / 出力 $0.00 100万トークンあたり です。詳細は上の料金表を参照してください。 料金は課金単位・仕様・使用量によって異なります。モデルの詳細な料金で同条件同士を比較してください。単一のレートで総額は決まりません。
text-embedding-3-large はどのエンドポイントを使うべきですか？
text-embedding-3-large のデフォルトは https://api.tokenlab.sh/v1/embeddings です。プロバイダーネイティブ形式に対応している場合は、API workbench にそのエンドポイントも表示されます。
text-embedding-3-large はどの操作に対応していますか？
text-embedding-3-large は 埋め込み に対応しています。上の API workbench で操作を選ぶと、対応するエンドポイントとコード例が表示されます。
text-embedding-3-large を比較する
ソース
2026/10/02 時点での評価
