OpenAI: text-embedding-ada-002
text-embedding-ada-002- 輸入 / 輸出
- $0.10 / $0.00
- 上下文
- 8.2K
- 模態
- 嵌入
關於 text-embedding-ada-002
text-embedding-ada-002 是 OpenAI 早期的一款嵌入模型，許多現有的向量索引都是基於此模型構建的。OpenAI 將其描述為原始 ada 嵌入模型的改進與高效能版本，涵蓋搜尋、聚類、推薦、異常檢測及分類等功能。它主要用於保持與已儲存向量的相容性，因為較新的 text-embedding-3 模型已取代它用於新專案。
適用場景
- 與大量已使用 ada-002 向量構建的索引相容。
- 涵蓋搜尋、聚類、推薦、異常檢測及分類。
- 一款單一且廣為人知的嵌入模型，在生產系統中擁有長期的應用記錄。
- 適用於嵌入（embeddings）與批次（batch）端點。
其他選擇建議
- OpenAI 的 text-embedding-3 模型是較新的世代，新專案通常會優先選擇這些模型。
- 其向量無法與其他模型的向量混合使用，因此遷移意味著需要重新對所有內容進行嵌入。
- 僅支援文字嵌入，且不提供可選的維度。
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-ada-002", "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 |
|---|---|---|---|
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 |
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 $0.10 / 輸出 $0.00
- Verified 價格
- —
- 折扣
- —
| Official 價格每 1M Token | Verified 價格每 1M Token | 折扣 | |
|---|---|---|---|
| 嵌入 | 輸入 $0.10 / 輸出 $0.00 | — | — |
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-ada-002，並準備好編輯或發送提示詞。
協助我使用 text-embedding-ada-002 透過 /v1/embeddings 執行 embedding，並顯示結果與成本。
應用情境
維護現有索引
將新文件加入已使用 ada-002 嵌入的語料庫中，以確保查詢仍能匹配。
舊版 RAG 系統
在團隊規劃審慎遷移的同時，保持生產檢索堆疊的穩定與不變。
重現先前結果
重新執行依賴 ada-002 向量的舊實驗與評估，以確保結果保持可比性。
遷移基準
在切換前，先在您自己的查詢上比較 ada-002 與較新嵌入模型的檢索品質。
提示詞範例
嵌入這些新的支援文章，使其與現有的 ada-002 索引相匹配。
使用與儲存語料庫相同的模型來嵌入我的測試查詢。
嵌入 500 份文件，以便我比較其與 text-embedding-3-small 的檢索效果。
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-ada-002 是什麼類型的模型？
它是 OpenAI 較早期的文字嵌入模型，OpenAI 將其描述為原始 ada 嵌入模型的改進與高效能版本。它將文字轉換為向量，用於搜尋及類似任務。
為什麼還有人在使用它？
為了與已儲存的向量保持相容。查詢必須使用與文件相同的模型進行嵌入，因此在重新嵌入之前，現有的 ada-002 索引需要使用 ada-002。
新專案應該使用它嗎？
通常不建議。text-embedding-3 模型較新，且 OpenAI 將 text-embedding-3-small 列為對 ada 模型的改進。除非與已儲存向量的相容性要求必須使用 ada-002，否則請從較新的模型開始。
我該如何從它遷移出來？
使用新模型重新嵌入完整語料庫，建立新索引，並將查詢一併切換。切勿在同一個索引中混合向量空間，並在確認新索引運作正常前，保留舊索引。
哪些端點支援它？
它僅適用於嵌入端點與批次端點。聊天、助理、微調及影像端點均不支援，因此它純粹作為檢索系統的向量產生器。
text-embedding-ada-002 的費用是多少？
在 TokenLab 上，text-embedding-ada-002 價格為 輸入 $0.10 / 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-ada-002 應該使用哪一個端點？
請使用 https://api.tokenlab.sh/v1/embeddings 進行 text-embedding-ada-002 的呼叫。下方的請求範例展示了對應的程式碼格式。
text-embedding-ada-002 支援哪些操作？
text-embedding-ada-002 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-ada-002
來源
更新於 2026年10月2日
