OpenAI: text-embedding-3-large
text-embedding-3-large- 輸入 / 輸出-30%
- $0.13 / $0.00$0.091 / $0.00
- 上下文
- 8.2K
- 模態
- 嵌入
關於 text-embedding-3-large
text-embedding-3-large 是 OpenAI 能力最強的嵌入模型，能將文字轉換為向量，用於搜尋、分群、推薦、異常檢測及分類。OpenAI 表示它在英語和非英語任務中表現強勁，且其向量維度可縮減，以平衡品質與儲存空間。它是繼 text-embedding-3-small 與舊款 ada-002 之外，品質更高的選擇。
適用場景
- OpenAI 將其描述為針對英語及非英語文字能力最強的嵌入模型。
- 可選擇的輸出維度讓您能縮減向量，以符合儲存或索引限制。
- 單一模型即可支援搜尋、分群、推薦、異常檢測及分類功能。
- 適用於 embeddings 與 batch 端點，適合大型索引作業。
其他選擇建議
- 相較於 text-embedding-3-small，較大的向量在儲存與搜尋時成本更高。
- 僅能嵌入文字；圖像與音訊需使用其他模型。
- 來自此模型的向量無法與其他嵌入模型的向量在同一個索引中進行比較。
入門指南
建立 API 金鑰
請至 Console 建立金鑰，即可在平台上使用各類模型。
發送您的第一個請求
複製您所選語言的範例，並針對端點執行它。
嵌入TokenLab 端點POST/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." }'
參數設定
嵌入
| 參數 | 可選值與限制 | 預設值 | 說明 |
|---|---|---|---|
dimensions | ≥ 1 | 未提供 | Positive output vector length. Maximum depends on the model; no additional upper bound is asserted here. |
encoding_format | float, base64 | 未提供 | 未提供 |
input | 輸入數量：≥ 1, ≤ 2048 | 未提供 | Input accepts text or token IDs. Each input is limited to 8192 tokens; a request is limited to 300000 tokens in total. |
user | 未提供 | 未提供 | 未提供 |
text-embedding-3-large supports the Embeddings API and optional output dimensions.
定價
Verified 價格用於 Verified，多數模型更便宜；Official 價格是模型廠商公布的價格，用於更穩定的 Official。Auto 按最終完成請求的線路計價。
嵌入
每 1M Token- Official 價格
- 輸入 $0.13 / 輸出 $0.00
- Verified 價格
- 輸入 $0.091 / 輸出 $0.00
- 折扣
- -30%
| Official 價格每 1M Token | Verified 價格每 1M Token | 折扣 | |
|---|---|---|---|
| 嵌入 | 輸入 $0.13 / 輸出 $0.00 | 輸入 $0.091 / 輸出 $0.00 | -30% |
使用量與活動
成功率是請求完成的比例；延遲是一次完整回應所需的時間，P95 表示 95% 的請求在該時間內完成。
用量與可用性
過去 24 小時- 請求數
- 成功率
- P95 延遲
- 總 Token 用量
資料基於彙總的使用者請求，不包含狀態檢查。
直接在 Console 裡試
在 Console 中開啟 text-embedding-3-large，並準備好編輯或發送提示詞。
協助我使用 text-embedding-3-large 透過 /v1/embeddings 執行 embedding，並顯示結果與成本。
應用情境
多語言語意搜尋
索引多種語言的文件，並透過單一查詢跨語言檢索出具備相同意義的結果。
高精度 RAG
為問答系統檢索段落，適用於檢索品質為效能瓶頸的情況。
文件分群
將相似的工單、文章或報告分組，讓分析師能清楚看見重複出現的主題。
縮減向量
減少維度以符合向量資料庫需求，同時保留大部分的品質。
提示詞範例
嵌入這 5,000 筆產品描述，以進行跨英語、德語及日語查詢的語意搜尋。
嵌入支援文章，以便檢索出與客戶問題最接近的三篇文章。
嵌入這些段落並將其分群為不同主題。
此模型按條件計價，僅憑每月 token 總量無法可靠估算；請按請求規格、快取和適用時段查看詳細定價。
FAQ
text-embedding-3-large 是什麼樣的模型？
它是 OpenAI 能力最強的嵌入模型，能產生數值向量來衡量兩段文字的相關性。它針對英語及非英語任務，如搜尋、分群與分類。
我可以縮減向量大小嗎？
可以。該模型支援可選擇的維度，因此您可以縮減向量以節省儲存空間與搜尋時間，但會犧牲部分品質。請在您計畫使用的尺寸下測試您的檢索指標。
它與 text-embedding-3-small 有何不同？
Large 是具備較大向量的高品質模型，而 Small 則是經濟型模型。當檢索準確度至關重要時請使用 Large，當處理量與成本為主要考量時則使用 Small。
我可以將它的向量與其他模型的向量混合使用嗎？
不行。來自不同模型的向量存在於不同的空間中，不應進行比較。更換模型時請重新嵌入整個語料庫，並確保查詢向量與文件向量來自同一個模型。
我可以呼叫哪些端點？
它適用於 embeddings 端點與 batch 端點。不支援 Chat 與 audio 端點，因此請僅將其用於將文字轉換為向量，並搭配獨立的生成模型使用。
text-embedding-3-large 的費用是多少？
在 TokenLab 上，text-embedding-3-large 價格為 輸入 $0.091 / 輸出 $0.00 每 1M Token。完整明細見上方價格表。 價格因計費單位、規格和用量而異。請在模型的詳細定價中比較相同條件下的費率；單一費率不代表總價。
text-embedding-3-large 應該使用哪一個端點？
請使用 https://api.tokenlab.sh/v1/embeddings 進行 text-embedding-3-large 的呼叫。下方的請求範例展示了對應的程式碼格式。
text-embedding-3-large 支援哪些操作？
text-embedding-3-large 支援 嵌入。請在上方選擇一項操作以查看其端點與請求範例。
比較 text-embedding-3-large
來源
更新於 2026年10月2日
