OpenAI: text-embedding-3-large
text-embedding-3-large- 입력 / 출력-30%
- $0.13 / $0.00$0.091 / $0.00
- 컨텍스트
- 8.2K
- 모달리티
- 임베딩
text-embedding-3-large 소개
text-embedding-3-large는 OpenAI의 가장 뛰어난 성능을 자랑하는 임베딩 모델로, 텍스트를 벡터로 변환하여 검색, 클러스터링, 추천, 이상 탐지 및 분류 작업에 활용할 수 있습니다. OpenAI는 이 모델이 영어와 비영어권 작업 모두에서 강력한 성능을 발휘한다고 설명하며, 벡터 차원을 축소하여 품질과 저장 공간 간의 균형을 맞출 수 있습니다. 이 모델은 text-embedding-3-small 및 이전 버전인 ada-002보다 높은 품질을 제공하는 옵션입니다.
강점
- OpenAI가 영어 및 비영어권 텍스트 처리에 가장 뛰어난 성능을 발휘한다고 설명하는 임베딩 모델입니다.
- 출력 차원을 선택할 수 있어 저장 공간이나 인덱스 제한에 맞춰 벡터 크기를 줄일 수 있습니다.
- 하나의 모델로 검색, 클러스터링, 추천, 이상 탐지 및 분류 작업을 수행합니다.
- 대규모 인덱싱 작업을 위해 embeddings 및 batch 엔드포인트 모두에서 사용할 수 있습니다.
다른 모델이 필요한 경우
- 벡터가 클수록 text-embedding-3-small 모델보다 저장 및 검색 비용이 더 많이 듭니다.
- 텍스트만 임베딩할 수 있으며, 이미지나 오디오는 다른 모델이 필요합니다.
- 이 모델에서 생성된 벡터는 동일한 인덱스 내에서 다른 임베딩 모델의 벡터와 비교할 수 없습니다.
시작하기
API 키 만들기
Console에서 키를 만들고 플랫폼의 모든 모델에 사용하세요.
첫 번째 요청 보내기
사용 중인 언어의 예시를 복사하여 엔드포인트에 실행하세요.
임베딩TokenLab 엔드포인트POST/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." }'
매개변수
임베딩
| 매개변수 | 값 및 제한 | 기본값 | 참고 |
|---|---|---|---|
dimensions | ≥ 1 | 제공되지 않음 | Positive output vector length. Maximum depends on the model; no additional upper bound is asserted here. |
encoding_format | float, base64 | 제공되지 않음 | 제공되지 않음 |
input | 입력 수: ≥ 1, ≤ 2048 | 제공되지 않음 | Input accepts text or token IDs. Each input is limited to 8192 tokens; a request is limited to 300000 tokens in total. |
user | 제공되지 않음 | 제공되지 않음 | 제공되지 않음 |
text-embedding-3-large supports the Embeddings API and optional output dimensions.
가격 책정
Verified 가격은 Verified에 적용되며 대부분의 모델에서 더 저렴합니다. Official 가격은 모델 제조사가 공개한 가격으로, 더 안정적인 Official 경로에 적용됩니다. Auto는 요청을 완료한 경로의 가격으로 청구합니다.
임베딩
1M Token 당- Official 가격
- 입력 $0.13 / 출력 $0.00
- Verified 가격
- 입력 $0.091 / 출력 $0.00
- 할인
- -30%
| Official 가격1M Token 당 | Verified 가격1M Token 당 | 할인 | |
|---|---|---|---|
| 임베딩 | 입력 $0.13 / 출력 $0.00 | 입력 $0.091 / 출력 $0.00 | -30% |
사용량 및 활동
성공률은 완료된 요청의 비율입니다. 지연 시간은 전체 응답에 걸리는 시간이며, P95는 요청의 95%가 해당 시간 내에 완료되었음을 의미합니다.
사용량 및 가용성
지난 24시간- 요청
- 성공률
- P95 지연 시간
- 총 토큰
데이터는 상태 확인을 제외한 집계된 사용자 요청을 기반으로 합니다.
Console에서 열기
Console에서 text-embedding-3-large을 열고 프롬프트를 수정하거나 전송하세요.
/v1/embeddings에서 embedding을(를) 사용하여 text-embedding-3-large을(를) 테스트합니다. 결과와 비용을 확인하세요.
사용 사례
다국어 의미론적 검색
여러 언어로 된 문서를 인덱싱하고, 단일 쿼리를 통해 모든 언어에 걸쳐 의미 기반의 결과를 검색합니다.
고정밀 RAG
검색 품질이 병목 현상이 되는 질의응답 시스템을 위해 관련 구절을 검색합니다.
문서 클러스터링
유사한 티켓, 기사 또는 보고서를 클러스터로 그룹화하여 분석가가 반복되는 주제를 파악할 수 있게 합니다.
벡터 차원 축소
품질을 대부분 유지하면서 벡터 데이터베이스에 맞게 차원을 줄입니다.
프롬프트 예제
영어, 독일어, 일본어 쿼리에 대한 의미론적 검색을 위해 5,000개의 제품 설명을 임베딩합니다.
고객 질문과 가장 가까운 세 가지 답변을 검색할 수 있도록 지원 문서를 임베딩합니다.
단락들을 임베딩하고 주제별로 클러스터링합니다.
이 모델은 조건부 요금제입니다. 월간 토큰 총량만으로는 신뢰할 수 있는 견적을 낼 수 없습니다. 요청 사양, 캐시, 해당 시간대에 맞는 상세 요금을 사용하세요.
FAQ
text-embedding-3-large는 어떤 모델인가요?
OpenAI의 가장 뛰어난 임베딩 모델로, 두 텍스트 간의 관련성을 측정하는 숫자 벡터를 생성합니다. 검색, 클러스터링, 분류와 같은 영어 및 비영어권 작업을 대상으로 합니다.
벡터 크기를 줄일 수 있나요?
네. 이 모델은 선택 가능한 차원을 지원하므로, 품질을 일부 희생하는 대신 벡터를 축소하여 저장 공간과 검색 시간을 절약할 수 있습니다. 사용할 크기에서 검색 성능 지표를 테스트해 보십시오.
text-embedding-3-small과는 어떻게 다른가요?
Large는 더 큰 벡터를 사용하는 고품질 모델이고, Small은 경제적인 모델입니다. 검색 정확도가 중요할 때는 Large를, 데이터 양과 비용이 우선일 때는 Small을 사용하십시오.
이 모델의 벡터를 다른 모델의 벡터와 혼합할 수 있나요?
아니요. 서로 다른 모델의 벡터는 서로 다른 공간에 존재하므로 비교해서는 안 됩니다. 모델을 변경할 때는 전체 코퍼스를 다시 임베딩하고, 쿼리와 문서 벡터는 동일한 모델에서 생성된 것을 사용하십시오.
어떤 엔드포인트를 호출할 수 있나요?
embeddings 엔드포인트와 batch 엔드포인트에서 작동합니다. Chat 및 오디오 엔드포인트는 지원되지 않으므로, 텍스트를 벡터로 변환하는 용도로만 사용하고 별도의 생성 모델과 함께 사용하십시오.
text-embedding-3-large 의 가격은 얼마인가요?
TokenLab 에서 text-embedding-3-large 은 입력 $0.091 / 출력 $0.00 1M Token 당 입니다. 자세한 내역은 위 가격 표를 확인하세요. 요금은 청구 단위, 사양, 사용량에 따라 달라집니다. 모델의 상세 요금에서 동일한 조건끼리 비교하세요. 단일 요금으로 총비용이 결정되지 않습니다.
text-embedding-3-large 은 어떤 엔드포인트를 써야 하나요?
text-embedding-3-large에 대해 https://api.tokenlab.sh/v1/embeddings를 사용하세요. 아래 요청 예시는 일치하는 코드 형태를 보여줍니다.
text-embedding-3-large 은 어떤 오퍼레이션을 지원하나요?
text-embedding-3-large은(는) 임베딩을(를) 지원합니다. 엔드포인트와 요청 예시를 보려면 위에서 작업을 선택하세요.
text-embedding-3-large 비교하기
출처
2026. 10. 2. 검토 완료
