OpenAI: text-embedding-ada-002
text-embedding-ada-002- 输入 / 输出
- $0.10 / $0.00
- 上下文
- 8.2K
- 模态
- 嵌入
text-embedding-ada-002 简介
text-embedding-ada-002 是 OpenAI 较早的向量化（embedding）模型，许多现有的向量索引都是基于它建的。OpenAI 称它是原始 ada 向量化模型的改进、性能更好的版本，覆盖搜索、聚类、推荐、异常检测和分类。它主要用于与已存储的向量保持兼容，新项目已被更新的 text-embedding-3 模型取代。
擅长的任务
- 与大量已用 ada-002 向量建好的索引兼容。
- 覆盖搜索、聚类、推荐、异常检测和分类。
- 单一、熟悉的向量化模型，在生产系统中使用多年。
- 可用于 embeddings 和 batch 端点。
什么情况换别的模型
- OpenAI 的 text-embedding-3 模型是更新的一代，新项目通常从它们开始。
- 它的向量不能与其他模型的混用，所以迁移意味着全部重新向量化。
- 它只向量化文本，也不提供可选维度。
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-ada-002", "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 |
|---|---|---|---|
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 |
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 $0.10 / 输出 $0.00
- Verified 价格
- —
- 折扣
- —
| Official 价格每 1M token | Verified 价格每 1M token | 折扣 | |
|---|---|---|---|
| 嵌入 | 输入 $0.10 / 输出 $0.00 | — | — |
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-ada-002 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-ada-002 完成一次 embedding，接口是 /v1/embeddings。返回结果和费用。
使用场景
维护现有索引
向已经用 ada-002 向量化的语料中添加新文档，让查询仍然能匹配。
遗留的 RAG 系统
在团队规划稳妥的迁移期间，让生产环境的检索栈保持稳定、不做改动。
复现之前的结果
重新运行依赖 ada-002 向量的旧实验和评测，让结果保持可比。
迁移基线
切换之前，用你自己的查询对比 ada-002 与较新向量化模型的检索质量。
提示词示例
把这些新的客服文章向量化，使它们与现有的 ada-002 索引匹配。
用与已存储语料相同的模型，把我的测试查询向量化。
把 500 篇文档向量化，以便与 text-embedding-3-small 对比检索效果。
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-ada-002 是什么类型的模型？
它是 OpenAI 较早的文本向量化模型，OpenAI 称它是原始 ada 向量化模型的改进、性能更好的版本。它把文本转成向量，用于搜索等任务。
为什么还有人用它？
为了与已存储的向量保持兼容。查询必须与文档使用同一个模型来向量化，所以现有的 ada-002 索引在重新向量化之前，仍然需要 ada-002。
新项目应该用它吗？
通常不用。text-embedding-3 模型更新，OpenAI 也将 text-embedding-3-small 列为对 ada 模型的改进。除非必须与已存储的向量兼容而只能用 ada-002，否则从新模型开始。
怎么从它迁移出去？
用新模型把整个语料重新向量化，建一个新索引，然后一起切换查询。不要在同一个索引里混用不同的向量空间，并在新索引验证通过之前保留旧索引。
哪些端点支持它？
只支持 embeddings 端点和 batch 端点。不支持聊天、assistants、微调和图像端点，所以它纯粹用作检索系统的向量生成器。
text-embedding-ada-002 的费用是多少？
在 TokenLab 上，text-embedding-ada-002 的价格为 输入 $0.10 / 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-ada-002 应该使用哪个端点？
text-embedding-ada-002 使用 https://api.tokenlab.sh/v1/embeddings。代码写法见下方的请求示例。
text-embedding-ada-002 支持哪些操作？
text-embedding-ada-002 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-ada-002 对比
资料来源
审阅于 2026年10月2日
