OpenAI: text-embedding-3-large
text-embedding-3-large- 输入 / 输出-30%
- $0.13 / $0.00$0.091 / $0.00
- 上下文
- 8.2K
- 模态
- 嵌入
text-embedding-3-large 简介
text-embedding-3-large 是 OpenAI 能力最强的向量化（embedding）模型，把文本转成向量，用于搜索、聚类、推荐、异常检测和分类。OpenAI 称它在英文和非英文任务上都很强，向量维度可以缩短，以便在质量和存储之间取舍。在 text-embedding-3-small 和更早的 ada-002 之外，它是质量更高的选项。
擅长的任务
- OpenAI 称它是其对英文和非英文文本能力最强的向量化模型。
- 输出维度可选，可以缩短向量以适应存储或索引的限制。
- 一个模型即可用于搜索、聚类、推荐、异常检测和分类。
- 同时可用于 embeddings 和 batch 端点，适合大规模建索引。
什么情况换别的模型
- 向量更大，存储和搜索的成本比 text-embedding-3-small 更高。
- 它只处理文本；图片和音频需要另一种模型。
- 它的向量不能与其他向量化模型的向量放在同一个索引里比较。
快速上手
创建 API 密钥
在 Console 生成一把密钥，平台上的模型都能用。
发送第一个请求
复制你所用语言的示例代码，向该端点发起请求。
嵌入TokenLab 端点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." }'
参数
嵌入
| 参数 | 可选值与限制 | 默认值 | 说明 |
|---|---|---|---|
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 | 输入数量：≥ 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.
价格
Verified 价格用于 Verified，多数模型更便宜；Official 价格是模型厂商公布的价格，用于更稳定的 Official。Auto 按最终完成请求的线路计价。
嵌入
每 1M token- Official 价格
- 输入 $0.13 / 输出 $0.00
- Verified 价格
- 输入 $0.091 / 输出 $0.00
- 折扣
- -30%
| Official 价格每 1M token | Verified 价格每 1M token | 折扣 | |
|---|---|---|---|
| 嵌入 | 输入 $0.13 / 输出 $0.00 | 输入 $0.091 / 输出 $0.00 | -30% |
用量与动态
成功率是请求完成的比例；延迟是拿到一次完整响应要花的时间，P95 表示 95% 的请求都在这个时间内完成。
用量与可用性
最近 24 小时- 请求
- 成功率
- P95 延迟
- 总 token 数
数据来自汇总的用户请求，不含状态检查。
直接在 Console 里试
text-embedding-3-large 已在 Console 备好，提示词已填好，可以直接修改或发送。
帮我用 text-embedding-3-large 完成一次 embedding，接口是 /v1/embeddings。返回结果和费用。
使用场景
多语言语义搜索
为多种语言的文档建索引，用一次查询按语义检索所有语言的结果。
高精度 RAG
为问答系统检索段落，适合检索质量是瓶颈的场景。
文档聚类
把相似的工单、文章或报告聚成簇，让反复出现的主题对分析人员一目了然。
缩短向量
降低维度以适配向量数据库，同时保留大部分质量。
提示词示例
把这 5000 条商品描述向量化，用于支持英语、德语和日语查询的语义搜索。
把客服文章向量化，这样我可以检索出和客户问题最接近的三篇。
把这些段落向量化，并按主题聚类。
此模型按条件计价，仅凭月度 token 总量无法可靠估算；请按请求规格、缓存和适用时段查看详细定价。
FAQ
text-embedding-3-large 是什么类型的模型？
它是 OpenAI 能力最强的向量化模型，输出的数值向量可以衡量两段文本的相关程度。它面向搜索、聚类和分类等英文和非英文任务。
可以缩小向量尺寸吗？
可以。模型支持可选的维度，所以你可以缩短向量来节省存储和搜索时间，代价是质量有所下降。请在你打算使用的尺寸下测试检索指标。
它和 text-embedding-3-small 有什么区别？
Large 是质量更高、向量更大的模型，small 则更轻量经济。检索准确度至关重要时用 large，数据量和成本占主导时用 small。
可以把它的向量和其他模型的向量混用吗？
不可以。不同模型的向量处于不同的空间，不应该互相比较。更换模型时要把整个语料重新向量化，并保证查询向量和文档向量来自同一个模型。
可以调用哪些端点？
支持 embeddings 端点和 batch 端点。不支持聊天和音频端点，所以只把它用于把文本转成向量，再搭配单独的生成模型。
text-embedding-3-large 的费用是多少？
在 TokenLab 上，text-embedding-3-large 的价格为 输入 $0.091 / 输出 $0.00 每 1M token。完整明细见上方价格表。 价格因计费单位、规格和用量而异。请在模型的详细定价中对比相同条件下的费率；单一费率不代表总价。
text-embedding-3-large 应该使用哪个端点？
text-embedding-3-large 使用 https://api.tokenlab.sh/v1/embeddings。代码写法见下方的请求示例。
text-embedding-3-large 支持哪些操作？
text-embedding-3-large 支持 嵌入。选了操作，上面会显示对应的端点和请求示例。
text-embedding-3-large 对比
资料来源
审阅于 2026年10月2日
