OpenAI: text-embedding-3-large
text-embedding-3-large- Entrada / Saída-30%
- $0.13 / $0.00$0.091 / $0.00
- Contexto
- 8.2K
- Modalidades
- Incorporação
Sobre o text-embedding-3-large
O text-embedding-3-large é o modelo de embedding mais capaz da OpenAI, convertendo texto em vetores para busca, agrupamento, recomendações, detecção de anomalias e classificação. A OpenAI o descreve como robusto tanto para tarefas em inglês quanto em outros idiomas, e suas dimensões vetoriais podem ser reduzidas para equilibrar qualidade e armazenamento. É a opção de maior qualidade ao lado do text-embedding-3-small e do antigo ada-002.
Pontos fortes
- Descrito pela OpenAI como seu modelo de embedding mais capaz para textos em inglês e outros idiomas.
- Dimensões de saída selecionáveis permitem reduzir vetores para se adequar a limites de armazenamento ou de índice.
- Atende a busca, agrupamento, recomendações, detecção de anomalias e classificação a partir de um único modelo.
- Disponível tanto nos endpoints de embeddings quanto nos de batch para grandes trabalhos de indexação.
Quando usar outro modelo
- Vetores maiores custam mais para armazenar e pesquisar do que aqueles gerados pelo text-embedding-3-small.
- Ele processa apenas texto; imagens e áudio exigem um modelo diferente.
- Vetores gerados por ele não podem ser comparados com vetores de outros modelos de embedding em um mesmo índice.
Primeiros passos
Criar chave de API
Crie uma chave no Console e use com qualquer modelo da plataforma.
Envie sua primeira requisição
Copie o exemplo para sua linguagem e execute-o no endpoint.
IncorporaçãoEndpoint do TokenLabPOST/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." }'
Parâmetros
Incorporação
| Parâmetro | Valores e limites | Padrão | Notas |
|---|---|---|---|
dimensions | ≥ 1 | Não fornecido | Positive output vector length. Maximum depends on the model; no additional upper bound is asserted here. |
encoding_format | float, base64 | Não fornecido | Não fornecido |
input | Entradas: ≥ 1, ≤ 2048 | Não fornecido | Input accepts text or token IDs. Each input is limited to 8192 tokens; a request is limited to 300000 tokens in total. |
user | Não fornecido | Não fornecido | Não fornecido |
text-embedding-3-large supports the Embeddings API and optional output dimensions.
Preço
O preço Verified vale para o Verified, que custa menos na maioria dos modelos. O preço Official é o preço publicado pelo fabricante do modelo e vale para a rota Official, mais confiável. O Auto cobra pela rota que conclui a solicitação.
Incorporação
Por 1M Token- Preço Official
- Entrada $0.13 / Saída $0.00
- Preço Verified
- Entrada $0.091 / Saída $0.00
- Desconto
- -30%
| Preço OfficialPor 1M Token | Preço VerifiedPor 1M Token | Desconto | |
|---|---|---|---|
| Incorporação | Entrada $0.13 / Saída $0.00 | Entrada $0.091 / Saída $0.00 | -30% |
Uso e atividade
A taxa de sucesso é a proporção de requisições concluídas. A latência é quanto tempo uma resposta completa leva; P95 significa que 95% das requisições terminaram dentro desse tempo.
Uso e disponibilidade
Últimas 24 horas- Requisições
- Taxa de sucesso
- Latência P95
- Total de tokens
Os dados baseiam-se em solicitações agregadas de usuários, excluindo verificações de status.
Abrir no Console
Abra text-embedding-3-large no Console com um prompt pronto para editar ou enviar.
Ajude-me a testar text-embedding-3-large com embedding em /v1/embeddings. Exiba o resultado e custo.
Casos de uso
Busca semântica multilíngue
Indexe documentos em vários idiomas e recupere resultados por significado em todos eles a partir de uma única consulta.
RAG de alta precisão
Recupere passagens para um sistema de perguntas e respostas onde a qualidade da recuperação é o gargalo.
Agrupamento de documentos
Agrupe tickets, artigos ou relatórios semelhantes em clusters para que temas recorrentes se tornem visíveis aos analistas.
Vetores reduzidos
Reduza as dimensões para caber em um banco de dados vetorial mantendo a maior parte da qualidade.
Exemplos de prompt
Incorpore estas 5.000 descrições de produtos para busca semântica em consultas em inglês, alemão e japonês.
Incorpore artigos de suporte para que eu possa recuperar os três mais próximos de uma pergunta do cliente.
Incorpore estes parágrafos e agrupe-os em tópicos.
Este modelo tem preço condicional. Totais mensais de tokens sozinhos não produzem uma estimativa confiável; use o preço detalhado para a especificação da requisição, cache e janela aplicável.
FAQ
Que tipo de modelo é o text-embedding-3-large?
É o modelo de embedding mais capaz da OpenAI, produzindo vetores numéricos que medem o quão relacionados dois trechos de texto estão. Ele é voltado para tarefas em inglês e outros idiomas, como busca, agrupamento e classificação.
Posso reduzir o tamanho do vetor?
Sim. O modelo suporta dimensões selecionáveis, permitindo que você reduza vetores para economizar armazenamento e tempo de busca, com algum custo na qualidade. Teste suas métricas de recuperação no tamanho que planeja usar.
Como ele difere do text-embedding-3-small?
O Large é o modelo de maior qualidade com vetores maiores, enquanto o Small é a opção econômica. Use o Large quando a precisão da recuperação for crítica e o Small quando o volume e o custo forem predominantes.
Posso misturar seus vetores com os de outro modelo?
Não. Vetores de modelos diferentes vivem em espaços diferentes e não devem ser comparados. Re-incorpore todo o seu corpus ao mudar de modelo e mantenha os vetores de consulta e de documento gerados pelo mesmo modelo.
Quais endpoints posso chamar?
Ele funciona com o endpoint de embeddings e o endpoint de batch. Endpoints de chat e áudio não são suportados, portanto, use-o apenas para transformar texto em vetores e combine-o com um modelo de geração separado.
Quanto custa o text-embedding-3-large?
No TokenLab, text-embedding-3-large custa Entrada $0.091 / Saída $0.00 Por 1M Token. A tabela de preços acima mostra o detalhamento completo. As tarifas dependem da unidade de cobrança, da especificação e do uso. Compare condições iguais no preço detalhado do modelo; uma única tarifa não determina o custo total.
Qual endpoint o text-embedding-3-large deve usar?
Use https://api.tokenlab.sh/v1/embeddings para text-embedding-3-large. O exemplo de requisição abaixo mostra o formato de código correspondente.
Quais operações o text-embedding-3-large suporta?
text-embedding-3-large suporta Incorporação. Selecione uma operação acima para ver seu endpoint e exemplo de requisição.
Comparar text-embedding-3-large
Fontes
Revisado em 2 de out. de 2026
