OpenAI: text-embedding-3-large

Text Embedding 3 Large, OpenAI'ın çok dilli anlamsal arama için daha büyük olan yerleştirme (embedding) modelidir. Temsil boyutu ile depolama ihtiyaçlarını dengelemek için seçilebilir vektör boyutlarıyla, geri alma kalitesinin öncelikli olduğu durumlarda kullanışlıdır.

Modelleri karşılaştır

text-embedding-3-large

MevcutOpenAIVektörleştirmeSenkron

Girdi / Çıktı-30%: $0.13 / $0.00$0.091 / $0.00
Bağlam: 8.2K
Modlar: Vektörleştirme

text-embedding-3-large hakkında

text-embedding-3-large, OpenAI'nin arama, kümeleme, öneri sistemleri, anomali tespiti ve sınıflandırma işlemleri için metni vektörlere dönüştüren en yetenekli yerleştirme (embedding) modelidir. OpenAI, bu modeli hem İngilizce hem de İngilizce dışındaki dillerde güçlü olarak tanımlamaktadır ve vektör boyutları, kalite ile depolama alanı arasında denge kurmak amacıyla kısaltılabilir. Bu model, text-embedding-3-small ve daha eski olan ada-002 modellerinin yanında daha yüksek kaliteli bir seçenek olarak sunulmaktadır.

Güçlü yönleri

OpenAI tarafından, İngilizce ve İngilizce dışındaki metinler için en yetenekli yerleştirme modeli olarak tanımlanmıştır.
Seçilebilir çıktı boyutları, vektörleri depolama veya dizin sınırlarına uyacak şekilde küçültmenize olanak tanır.
Tek bir model üzerinden arama, kümeleme, öneri sistemleri, anomali tespiti ve sınıflandırma işlemlerine hizmet eder.
Büyük dizinleme işleri için hem embeddings hem de batch uç noktalarında mevcuttur.

Alternatif aramanız gereken durumlar

Daha büyük vektörlerin depolanması ve aranması, text-embedding-3-small modelinden elde edilenlere göre daha maliyetlidir.
Yalnızca metin yerleştirir; görseller ve sesler için farklı bir model gereklidir.
Bu modelden elde edilen vektörler, aynı dizin içinde diğer yerleştirme modellerinden gelen vektörlerle karşılaştırılamaz.

Başlarken

API anahtarı oluştur
Console'da bir anahtar oluşturun, platformdaki tüm modellerle kullanın.

İlk isteğinizi gönderin

Diliniz için olan örneği kopyalayın ve uç noktada çalıştırın.

VektörleştirmeTokenLab uç noktası

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-3-large",
  "input": "The quick brown fox jumps over the lazy dog."
}'

Parametreler

Vektörleştirme

Parametre	Değerler ve sınırlar	Varsayılan	Notlar
`dimensions`	≥ 1	Belirtilmemiş	Positive output vector length. Maximum depends on the model; no additional upper bound is asserted here.
`encoding_format`	float, base64	Belirtilmemiş	Belirtilmemiş
`input`	Girdi sayısı: ≥ 1, ≤ 2048	Belirtilmemiş	Input accepts text or token IDs. Each input is limited to 8192 tokens; a request is limited to 300000 tokens in total.
`user`	Belirtilmemiş	Belirtilmemiş	Belirtilmemiş

text-embedding-3-large supports the Embeddings API and optional output dimensions.

Fiyatlandırma

Verified fiyatı Verified için geçerlidir ve çoğu modelde daha düşüktür. Official fiyatı, model üreticisinin yayınladığı fiyattır ve daha güvenilir Official rotası için geçerlidir. Auto, isteği tamamlayan rotanın fiyatını uygular.

Vektörleştirme

1M token başına

Official fiyatı: Girdi $0.13 / Çıktı $0.00
Verified fiyatı: Girdi $0.091 / Çıktı $0.00
İndirim: -30%

	Official fiyatı1M token başına	Verified fiyatı1M token başına	İndirim
Vektörleştirme	Girdi $0.13 / Çıktı $0.00	Girdi $0.091 / Çıktı $0.00	-30%

Kullanım ve etkinlik

Başarı oranı, tamamlanan isteklerin payıdır. Gecikme, tam bir yanıtın ne kadar sürdüğüdür; P95, isteklerin %95’inin bu süre içinde tamamlandığı anlamına gelir.

Kullanım ve kullanılabilirlik

Son 24 saat

İstekler
Başarı oranı
P95 gecikmesi
Toplam token

Model performansı

Son güncelleme: 1 Kas 2026 07:18 UTC

Metrikler, gizlilik ve veri hacmi eşikleri karşılandığında görünür.

Veriler, durum kontrolleri hariç tutularak toplu kullanıcı isteklerine dayanmaktadır.

Console'da aç

text-embedding-3-large modelini Console'da açın, istemi düzenlemek veya göndermek için hazır hale getirin.

text-embedding-3-large ile /v1/embeddings üzerinden embedding işlemini dene. Sonucu ve maliyeti göster.

Kullanım senaryoları

Çok dilli anlamsal arama
Belgeleri birkaç dilde dizinleyin ve tek bir sorgu ile tüm dillerdeki sonuçları anlamsal olarak getirin.
Yüksek hassasiyetli RAG
Getirme kalitesinin darboğaz oluşturduğu soru-cevap sistemleri için pasajlar getirin.
Belge kümeleme
Benzer biletleri, makaleleri veya raporları kümelere ayırarak tekrarlayan temaların analistler tarafından görünür olmasını sağlayın.
Kısaltılmış vektörler
Kalitenin büyük kısmını koruyarak bir vektör veritabanına sığması için boyutları azaltın.

Prompt örnekleri

İngilizce, Almanca ve Japonca sorgularda anlamsal arama yapmak için bu 5.000 ürün açıklamasını yerleştirin.

Destek makalelerini yerleştirin, böylece bir müşteri sorusuna en yakın üç tanesini getirebilirim.

Bu paragrafları yerleştirin ve konularına göre kümeleyin.

Bu model koşullu fiyatlandırmaya sahiptir. Yalnızca aylık token toplamları güvenilir bir tahmin üretmez; istek özellikleri, önbellek ve geçerli zaman penceresi için ayrıntılı fiyatlandırmayı kullanın.

FAQ

text-embedding-3-large ne tür bir modeldir?

İki metin parçasının ne kadar ilişkili olduğunu ölçen sayısal vektörler üreten, OpenAI'nin en yetenekli yerleştirme modelidir. Arama, kümeleme ve sınıflandırma gibi İngilizce ve İngilizce dışındaki görevleri hedefler.

Vektör boyutunu küçültebilir miyim?

Evet. Model seçilebilir boyutları destekler, böylece kaliteden bir miktar ödün vererek depolama ve arama süresinden tasarruf etmek için vektörleri kısaltabilirsiniz. Kullanmayı planladığınız boyutta getirme metriklerinizi test edin.

text-embedding-3-small modelinden farkı nedir?

Large, daha büyük vektörlere sahip daha yüksek kaliteli bir modeldir; small ise ekonomik olanıdır. Getirme doğruluğunun kritik olduğu durumlarda large, hacim ve maliyetin ön planda olduğu durumlarda ise small modelini kullanın.

Vektörlerini başka bir modelin vektörleriyle karıştırabilir miyim?

Hayır. Farklı modellerden gelen vektörler farklı uzaylarda yaşar ve karşılaştırılmamalıdır. Model değiştirdiğinizde tüm külliyatınızı yeniden yerleştirin ve sorgu ile belge vektörlerini aynı modelden tutun.

Hangi uç noktaları çağırabilirim?

Embeddings uç noktası ve batch uç noktası ile çalışır. Sohbet ve ses uç noktaları desteklenmez, bu nedenle sadece metni vektöre dönüştürmek için kullanın ve ayrı bir üretim (generation) modeliyle eşleştirin.

text-embedding-3-large ne kadara mal olur?

TokenLab üzerinde text-embedding-3-large Girdi $0.091 / Çıktı $0.00 1M token başına'dır. Tam dökümü yukarıdaki fiyat tablosunda bulabilirsiniz. Ücretler faturalandırma birimine, özelliklere ve kullanıma göre değişir. Modelin ayrıntılı fiyatlandırmasında eşleşen koşulları karşılaştırın; tek bir ücret toplam maliyeti belirlemez.

text-embedding-3-large hangi endpoint'i kullanmalı?

text-embedding-3-large için varsayılan olarak https://api.tokenlab.sh/v1/embeddings kullanın. Sağlayıcıya özgü yerel format destekleniyorsa API workbench bu endpoint'i de gösterir.

text-embedding-3-large hangi operasyonları destekler?

text-embedding-3-large Vektörleştirme destekler. Yukarıdaki API workbench'te bir operasyon seçerek ilgili endpoint ve kod örneğini görebilirsiniz.