Introducción
text-embedding-3-small convierte notas, artículos de ayuda y fragmentos de documentos en vectores numéricos para búsquedas por similitud. Devuelve 1,536 dimensiones de forma predeterminada y permite reducir esa longitud. Para una colección nueva, evalúa el espacio que ocupa junto con la calidad de los resultados. La respuesta representa el texto de entrada; no es una contestación redactada.
Funciones y aspectos destacados
La longitud ajustable de 3-small permite comparar, por ejemplo, un índice de notas de 256 dimensiones con la representación predeterminada. Un vector más corto necesita menos almacenamiento, pero conviene comprobar el efecto con las preguntas que hacen tus usuarios. Mantén la misma cantidad de dimensiones para los documentos y las consultas de una colección.
Un lote de 3-small conserva un vector independiente por cada fragmento enviado. El índice del resultado permite vincularlo con su entrada, el ID del documento, la ubicación de la fuente y sus permisos. Este endpoint acepta hasta 128 entradas por solicitud y factura los tokens de entrada medidos para todo el lote.
Parámetros de la solicitud
| Parámetro | Obligatorio | Descripción |
|---|---|---|
dimensions | No | En 3-small, dimensions admite de 1 a 1,536; usa la misma longitud para los documentos y las consultas. |
embedding_input | Sí | Envía a 3-small un texto, una lista de textos, IDs de tokens o un lote de arreglos de tokens. |
Precios
$0.000004 / 1.000 tokens
Casos de uso
En un cuaderno personal con 3-small, guarda fragmentos breves con el ID de su nota para encontrar material relacionado aunque la consulta use otras palabras. Muestra el pasaje original y su fecha junto al resultado para que la persona pueda revisar lo que significa.
En una biblioteca de soporte con 3-small, selecciona artículos aprobados relacionados con la pregunta del cliente y entrega esas fuentes a un modelo de redacción separado. La cercanía entre vectores orienta la búsqueda. Tu aplicación sigue decidiendo qué artículos puede consultar ese cliente.
Guía de prompts y consejos prácticos
Prepara los documentos largos de 3-small dividiéndolos en límites de sección que conserven el sentido. Incluye un pequeño solapamiento de contexto cuando un fragmento aislado resulte ambiguo. Envía el texto que deseas representar, sin pedir una respuesta inventada. Las cadenas vacías se rechazan. Cada entrada debe respetar el máximo de 8,192 tokens y la solicitud completa, 300,000 tokens; los arreglos previamente tokenizados admiten 2,048 elementos.
Antes de usar un índice 3-small en producción, compara preguntas conocidas con la longitud predeterminada y al menos una opción reducida. Guarda el ID del modelo, las dimensiones y la versión de la división del texto. Si cambias estas decisiones, vuelve a generar los vectores afectados. Filtra los candidatos por cuenta y proyecto y elimina la entrada indexada cuando se borre la nota de origen.
{
"model": "openai/text-embedding-3-small/embedding",
"input": [
"A notebook about coastal birds.",
"An index of harbor observations."
]
}
Inicio rápido de la API
# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "openai/text-embedding-3-small/embedding",
"input": {
"embedding_input": "The customer asks for a refund after being billed twice."
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Consulta la referencia de la API para autenticación, el esquema completo, sondeo y gestión de errores.


