OpenAI: text-embedding-ada-002

O Text Embedding Ada 002 é um modelo de embedding anterior da OpenAI usado em muitos índices de vetores existentes. Ele permanece relevante ao manter a compatibilidade com embeddings armazenados, já que vetores de modelos diferentes não devem ser misturados em um mesmo espaço de similaridade.

Comparar modelos

text-embedding-ada-002

DisponívelOpenAIIncorporaçãoSíncrono

Entrada / Saída: $0.10 / $0.00
Contexto: 8.2K
Modalidades: Incorporação

Sobre o text-embedding-ada-002

text-embedding-ada-002 é um modelo de embedding anterior da OpenAI, no qual muitos índices vetoriais existentes foram baseados. A OpenAI o descreve como uma versão aprimorada e de melhor desempenho do modelo de embedding ada original, cobrindo busca, agrupamento (clustering), recomendações, detecção de anomalias e classificação. Ele é relevante principalmente para manter a compatibilidade com vetores armazenados, já que os modelos mais novos text-embedding-3 o substituem em novos projetos.

Pontos fortes

Compatível com o grande número de índices já criados com vetores ada-002.
Cobre busca, agrupamento, recomendações, detecção de anomalias e classificação.
Um modelo de embedding único e familiar, com um longo histórico em sistemas de produção.
Funciona nos endpoints de embeddings e de processamento em lote (batch).

Quando usar outro modelo

Os modelos text-embedding-3 da OpenAI são a geração mais recente, e novos projetos geralmente começam por eles.
Seus vetores não podem ser misturados com os de outro modelo, portanto, migrar significa re-indexar (re-embedding) tudo.
Ele faz o embedding apenas de texto e não oferece dimensões selecionáveis.

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 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."
}'

Parâmetros

Incorporação

Parâmetro	Valores e limites	Padrão	Notas
`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

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 $0.10 / Saída $0.00
Preço Verified: —
Desconto: —

	Preço OfficialPor 1M Token	Preço VerifiedPor 1M Token	Desconto
Incorporação	Entrada $0.10 / Saída $0.00	—	—

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

Desempenho do modelo

Última atualização 1 de nov. de 2026, 08:12 UTC

As métricas aparecerão assim que os limites de privacidade e volume de dados forem atingidos.

Os dados baseiam-se em solicitações agregadas de usuários, excluindo verificações de status.

Abrir no Console

Abra text-embedding-ada-002 no Console com um prompt pronto para editar ou enviar.

Ajude-me a testar text-embedding-ada-002 com embedding em /v1/embeddings. Exiba o resultado e custo.

Casos de uso

Manutenção de um índice existente
Adicionar novos documentos a um corpus já processado com ada-002 para que as consultas ainda correspondam.
Sistemas RAG legados
Manter uma pilha de recuperação em produção estável e inalterada enquanto a equipe planeja uma migração cuidadosa.
Reprodução de resultados anteriores
Executar novamente experimentos e avaliações antigas que dependiam de vetores ada-002, para que os resultados permaneçam comparáveis.
Base de migração
Comparar a qualidade de recuperação do ada-002 com um modelo de embedding mais novo em suas próprias consultas antes de mudar.

Exemplos de prompt

Fazer o embedding destes novos artigos de suporte para que correspondam ao índice ada-002 existente.

Fazer o embedding das minhas consultas de teste com o mesmo modelo do corpus armazenado.

Fazer o embedding de 500 documentos para que eu possa comparar a recuperação com o text-embedding-3-small.

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-ada-002?

É um modelo de embedding de texto mais antigo da OpenAI, que a OpenAI descreve como uma versão aprimorada e de melhor desempenho do modelo de embedding ada original. Ele transforma texto em vetores para busca e tarefas similares.

Por que alguém ainda o usaria?

Para manter a compatibilidade com vetores já armazenados. Uma consulta deve ser processada com o mesmo modelo dos documentos, portanto, um índice ada-002 existente precisa do ada-002 até que você faça um novo embedding.

Novos projetos deveriam usá-lo?

Geralmente não. Os modelos text-embedding-3 são mais novos e a OpenAI lista o text-embedding-3-small como uma melhoria em relação ao modelo ada. Comece por eles, a menos que a compatibilidade com vetores armazenados force o uso do ada-002.

Como faço para migrar para fora dele?

Faça o re-embedding do corpus completo com o novo modelo, crie um novo índice e altere as consultas simultaneamente. Nunca misture espaços vetoriais em um único índice e mantenha o índice antigo até que o novo seja verificado.

Quais endpoints o suportam?

Ele funciona apenas com o endpoint de embeddings e o endpoint de processamento em lote (batch). Endpoints de chat, assistentes, fine-tuning e imagens não são suportados, portanto, ele serve puramente como um gerador de vetores para sistemas de recuperação.

Quanto custa o text-embedding-ada-002?

No TokenLab, text-embedding-ada-002 custa Entrada $0.10 / 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-ada-002 deve usar?

Use https://api.tokenlab.sh/v1/embeddings para text-embedding-ada-002. O exemplo de requisição abaixo mostra o formato de código correspondente.

Quais operações o text-embedding-ada-002 suporta?

text-embedding-ada-002 suporta Incorporação. Selecione uma operação acima para ver seu endpoint e exemplo de requisição.