Ir al contenido principal

openai/text-embedding-3-large/embedding

text-embedding-3-large representa documentos multilingües con 3,072 dimensiones por defecto y permite acortar los vectores para ahorrar espacio.

Desde $0.000026/1.000 tokens80% por debajo del precio oficial

Playground

Entrada

Embedding
3-large acepta de 1 a 3,072 dimensiones; verificamos 1,024 dimensiones en un lote de dos textos. no menor que 1 · no mayor que 3072
Entrega a 3-large el contenido del fragmento, en lugar de instrucciones para responder; el index conserva la relación con cada entrada.
Filtro de seguridadDesactivado

SpicyAPI no ejecuta ningún filtro de seguridad en este modelo. Tu prompt y tus medios llegan al modelo tal como los escribes, y el propio modelo decide el resultado.

Comprobando tu cuenta antes de habilitar el envío y el cálculo de precios.

Salida

Listo para una nueva ejecución
Resultado de ejemplo
{"data":[{"embedding":[-0.30419921875,-0.42626953125,-0.288330078125,-0.5634765625,0.04010009765625,0.0148773193359375,-0.0760498046875,0.56396484375],"index":0},{"embedding":[-0.296875,-0.2344970703125,-0.12493896484375,-0.1837158203125,-0.27587890625,-0.448974609375,-0.44287109375,0.57763671875],"index":1}],"inputTokens":12}

¿No está el modelo que buscas?

Evalúa 3-large con preguntas en los idiomas de tu colección; al volver a generar los vectores puedes usar un índice de 1,024 dimensiones.

Cifras clave

Dimensiones
3072

Presupuesto de tokens

Ventana de entrada
300.000
tokens por solicitud

Antes de gastar

Embedding

Cada solicitud de text-embedding-3-large en la plataforma admite hasta 128 entradas de 8,192 tokens cada una y 300,000 en total; los arreglos de IDs tienen un máximo de 2,048 elementos.

Lo que hace el modelo

Representaciones semánticas multilingües

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.

3,072 dimensiones o una salida reducida

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.

Dónde encaja

  • Conocimiento de productos en varios idiomas

    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.

  • Recuperar fuentes para investigación

    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.

Referencia del modelo

Referencia de la API de text-embedding-3-large

Especificaciones de la API de text-embedding-3-large

Dimensiones
3072

Cómo llamar a la API de text-embedding-3-large

  1. Guía de prompts y consejos profesionales

    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.

Preguntas sobre la API de text-embedding-3-large

Todos los modelos text-embedding3