Introducción
text-embedding-3-large representa documentos para recuperación multilingüe mediante vectores de 3,072 dimensiones de forma predeterminada. También permite reducir la salida para un índice más compacto. Considéralo cuando puedas evaluar los resultados en los idiomas y formatos de tu colección y decidir si la representación mayor justifica el almacenamiento adicional.
Funciones y aspectos destacados
La representación multilingüe de 3-large resulta útil cuando la pregunta y la fuente están en idiomas distintos. Comprueba las traducciones y los términos especializados con tus propios documentos; no supongas que todos se recuperan con la misma calidad. Los vectores expresan relaciones numéricas y no incluyen citas, garantías de exactitud ni respuestas terminadas.
Con dimensions puedes solicitar, por ejemplo, 1,024 dimensiones a 3-large. La integración se verificó con dos textos a esa longitud y otra entrada con la longitud predeterminada. La cantidad de dimensiones forma parte del equilibrio entre almacenamiento y calidad de búsqueda; el costo del lote sigue los tokens de entrada medidos.
Parámetros de la solicitud
| Parámetro | Obligatorio | Descripción |
|---|---|---|
dimensions | No | 3-large acepta de 1 a 3,072 dimensiones; verificamos 1,024 dimensiones en un lote de dos textos. |
embedding_input | Sí | Entrega a 3-large el contenido del fragmento, en lugar de instrucciones para responder; el index conserva la relación con cada entrada. |
Precios
$0.000026 / 1.000 tokens
Casos de uso
Una base de conocimiento de productos con 3-large puede elegir fuentes candidatas para una pregunta escrita en el idioma del cliente. Conserva el idioma, la versión del producto y la revisión del documento como metadatos separados para que una instrucción antigua aparentemente relevante no desplace la vigente.
En una colección de investigación con 3-large, ordena fragmentos técnicos relacionados y entrégalos con sus fuentes a un modelo de análisis posterior. Mantén los límites documentales y los identificadores de referencia para contrastar la explicación final con los pasajes que realmente se recuperaron.
Guía de prompts y consejos prácticos
Construye una evaluación de 3-large con preguntas en los idiomas de tus usuarios y los pasajes que deberían aparecer. Compara la longitud predeterminada con una reducida según los aciertos, las asociaciones incorrectas, el espacio y la latencia de consulta. No mezcles longitudes distintas en un mismo índice y usa el mismo modelo para documentos y consultas.
Limita las solicitudes de 3-large a 128 entradas, 8,192 tokens por entrada y 300,000 tokens en total. Un arreglo de IDs de token admite 2,048 elementos. Descarta los candidatos sin permiso antes de pasarlos al modelo de redacción, conserva sus referencias en los resultados y actualiza o elimina los vectores junto con los documentos de origen.
{
"model": "openai/text-embedding-3-large/embedding",
"input": [
"A notebook about coastal birds.",
"An index of harbor observations."
]
}
Inicio rápido de la API
# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${SPICY_IDEMPOTENCY_KEY:-$(uuidgen)}"
curl -X POST https://api.spicyapi.ai/api/v1/jobs/createTask \
-H "Authorization: Bearer $SPICY_API_KEY" \
-H "Content-Type: application/json" \
-H "Idempotency-Key: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "openai/text-embedding-3-large/embedding",
"input": {
"embedding_input": "The customer asks for a refund after being billed twice."
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Consulta la referencia de la API para autenticación, el esquema completo, sondeo y gestión de errores.


