OpenAI: text-embedding-3-large

Text Embedding 3 Large là mô hình nhúng lớn hơn của OpenAI dành cho tìm kiếm ngữ nghĩa đa ngôn ngữ. Mô hình này hữu ích khi chất lượng truy xuất là ưu tiên hàng đầu, với các kích thước vector có thể lựa chọn để cân bằng giữa kích thước biểu diễn và nhu cầu lưu trữ.

So sánh mô hình

text-embedding-3-large

Sẵn sàngOpenAINhúngĐồng bộ

Đầu vào / Đầu ra-30%: $0.13 / $0.00$0.091 / $0.00
Ngữ cảnh: 8.2K
Phương thức: Nhúng

Về text-embedding-3-large

text-embedding-3-large là mô hình embedding có năng lực mạnh nhất của OpenAI, chuyển đổi văn bản thành các vector phục vụ cho tìm kiếm, phân cụm, gợi ý, phát hiện bất thường và phân loại. OpenAI mô tả đây là mô hình mạnh mẽ cho cả các tác vụ tiếng Anh và ngoài tiếng Anh, đồng thời các chiều vector có thể được rút ngắn để cân bằng giữa chất lượng và dung lượng lưu trữ. Đây là tùy chọn có chất lượng cao hơn bên cạnh text-embedding-3-small và mô hình ada-002 cũ hơn.

Ưu điểm

Được OpenAI mô tả là mô hình embedding có năng lực mạnh nhất cho văn bản tiếng Anh và ngoài tiếng Anh.
Các chiều đầu ra có thể tùy chọn cho phép bạn thu nhỏ vector để phù hợp với giới hạn lưu trữ hoặc chỉ mục.
Phục vụ cho tìm kiếm, phân cụm, gợi ý, phát hiện bất thường và phân loại từ một mô hình duy nhất.
Có sẵn trên cả endpoint embeddings và batch cho các tác vụ lập chỉ mục quy mô lớn.

Khi nào nên chọn model khác

Các vector lớn hơn tốn kém chi phí lưu trữ và tìm kiếm hơn so với các vector từ text-embedding-3-small.
Mô hình này chỉ nhúng văn bản; hình ảnh và âm thanh cần một mô hình khác.
Các vector từ mô hình này không thể so sánh với các vector từ các mô hình embedding khác trong cùng một chỉ mục.

Bắt đầu

Tạo API key
Tạo API key trong Console để dùng cho mọi mô hình trên nền tảng.

Gửi yêu cầu đầu tiên của bạn

Sao chép ví dụ cho ngôn ngữ của bạn và chạy nó với endpoint.

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

Tham số

Nhúng

Tham số	Giá trị và giới hạn	Mặc định	Ghi chú
`dimensions`	≥ 1	Chưa cung cấp	Positive output vector length. Maximum depends on the model; no additional upper bound is asserted here.
`encoding_format`	float, base64	Chưa cung cấp	Chưa cung cấp
`input`	Số đầu vào: ≥ 1, ≤ 2048	Chưa cung cấp	Input accepts text or token IDs. Each input is limited to 8192 tokens; a request is limited to 300000 tokens in total.
`user`	Chưa cung cấp	Chưa cung cấp	Chưa cung cấp

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

Giá

Giá Verified áp dụng cho Verified, thường rẻ hơn trên hầu hết các model. Giá Official là giá niêm yết từ nhà phát triển, áp dụng cho route Official ổn định hơn. Auto sẽ tính phí dựa trên route hoàn thành yêu cầu.

Nhúng

mỗi 1M token

Giá Official: Đầu vào $0.13 / Đầu ra $0.00
Giá Verified: Đầu vào $0.091 / Đầu ra $0.00
Giảm giá: -30%

	Giá Officialmỗi 1M token	Giá Verifiedmỗi 1M token	Giảm giá
Nhúng	Đầu vào $0.13 / Đầu ra $0.00	Đầu vào $0.091 / Đầu ra $0.00	-30%

Sử dụng & hoạt động

Tỷ lệ thành công là tỷ lệ yêu cầu hoàn tất. Độ trễ là thời gian của một phản hồi đầy đủ; P95 nghĩa là 95% yêu cầu hoàn thành trong khoảng thời gian đó.

Mức sử dụng & tình trạng

24 giờ qua

Yêu cầu
Tỷ lệ thành công
Độ trễ P95
Tổng token

Hiệu năng mô hình

Cập nhật lần cuối 07:18 1 thg 11, 2026 UTC

Các chỉ số sẽ xuất hiện sau khi đạt ngưỡng về quyền riêng tư và khối lượng dữ liệu.

Dữ liệu dựa trên các yêu cầu tổng hợp của người dùng, không bao gồm các kiểm tra trạng thái.

Mở trong Console

Mở text-embedding-3-large trong Console để chỉnh sửa và gửi prompt ngay.

Giúp tôi thử text-embedding-3-large với embedding tại /v1/embeddings. Hiển thị kết quả và chi phí.

Tình huống sử dụng

Tìm kiếm ngữ nghĩa đa ngôn ngữ
Lập chỉ mục tài liệu bằng nhiều ngôn ngữ và truy xuất kết quả theo ý nghĩa trên tất cả các ngôn ngữ đó từ một truy vấn duy nhất.
RAG độ chính xác cao
Truy xuất các đoạn văn bản cho hệ thống hỏi đáp nơi chất lượng truy xuất là yếu tố then chốt.
Phân cụm tài liệu
Nhóm các phiếu hỗ trợ, bài viết hoặc báo cáo tương tự vào các cụm để các chủ đề lặp lại trở nên rõ ràng đối với các nhà phân tích.
Vector rút ngắn
Giảm số chiều để phù hợp với cơ sở dữ liệu vector trong khi vẫn giữ lại phần lớn chất lượng.

Ví dụ prompt

Nhúng 5.000 mô tả sản phẩm này để tìm kiếm ngữ nghĩa trên các truy vấn tiếng Anh, tiếng Đức và tiếng Nhật.

Nhúng các bài viết hỗ trợ để tôi có thể truy xuất ba bài viết gần nhất với câu hỏi của khách hàng.

Nhúng các đoạn văn này và phân cụm chúng thành các chủ đề.

Mô hình này có giá theo điều kiện. Chỉ tổng token hàng tháng không thể tạo ước tính đáng tin cậy; hãy dùng bảng giá chi tiết theo thông số yêu cầu, bộ nhớ đệm và khung giờ áp dụng.

FAQ

text-embedding-3-large là loại mô hình gì?

Đây là mô hình embedding có năng lực mạnh nhất của OpenAI, tạo ra các vector số đo lường mức độ liên quan giữa hai đoạn văn bản. Nó nhắm đến các tác vụ tiếng Anh và ngoài tiếng Anh như tìm kiếm, phân cụm và phân loại.

Tôi có thể giảm kích thước vector không?

Có. Mô hình hỗ trợ các chiều có thể tùy chọn, vì vậy bạn có thể rút ngắn vector để tiết kiệm dung lượng lưu trữ và thời gian tìm kiếm với một chút đánh đổi về chất lượng. Hãy kiểm tra các chỉ số truy xuất của bạn ở kích thước mà bạn dự định sử dụng.

Nó khác biệt như thế nào so với text-embedding-3-small?

Large là mô hình chất lượng cao hơn với các vector lớn hơn, trong khi small là mô hình tiết kiệm. Hãy sử dụng large khi độ chính xác truy xuất là tối quan trọng và sử dụng small khi khối lượng và chi phí là yếu tố ưu tiên.

Tôi có thể trộn các vector của nó với vector của mô hình khác không?

Không. Các vector từ các mô hình khác nhau tồn tại trong các không gian khác nhau và không nên so sánh với nhau. Hãy nhúng lại toàn bộ tập dữ liệu của bạn khi bạn thay đổi mô hình, và giữ các vector truy vấn và tài liệu từ cùng một mô hình.

Tôi có thể gọi những endpoint nào?

Nó hoạt động với endpoint embeddings và endpoint batch. Các endpoint chat và audio không được hỗ trợ, vì vậy chỉ sử dụng nó để chuyển đổi văn bản thành vector và kết hợp với một mô hình tạo nội dung riêng biệt.

text-embedding-3-large có giá bao nhiêu?

Trên TokenLab, text-embedding-3-large có giá Đầu vào $0.091 / Đầu ra $0.00 mỗi 1M token. Bảng giá phía trên cho thấy chi tiết đầy đủ. Giá phụ thuộc vào đơn vị tính phí, thông số và mức sử dụng. Hãy so sánh các điều kiện tương đương trong bảng giá chi tiết của mô hình; một mức giá đơn lẻ không quyết định tổng chi phí.

text-embedding-3-large nên dùng endpoint nào?

Dùng https://api.tokenlab.sh/v1/embeddings làm mặc định cho text-embedding-3-large. Nếu mô hình hỗ trợ định dạng native của nhà cung cấp, API workbench cũng hiển thị endpoint đó.

text-embedding-3-large hỗ trợ những thao tác nào?

text-embedding-3-large hỗ trợ Nhúng. Chọn một thao tác trong API workbench phía trên để xem endpoint và mã ví dụ tương ứng.