Введение
text-embedding-3-large представляет документы для многоязычного поиска векторами с размерностью 3072 по умолчанию. Результат можно сократить для более компактного индекса. Рассмотрите эту модель, если можете проверить выдачу на языках и форматах своей коллекции и определить, оправдывает ли более объёмное представление дополнительное место.
Ключевые возможности и особенности
Многоязычное представление 3-large может помочь, когда вопрос и исходный документ написаны на разных языках. Проверяйте переводы и специальные термины на собственных текстах, не предполагая одинаковую точность для всех случаев. Вектор выражает числовые отношения и не содержит цитат, гарантии правильности или готового ответа.
Параметр dimensions позволяет сократить результат 3-large, например, до 1024 измерений. При проверке подключения два текста обработаны с этой длиной, а отдельный ввод — с размерностью по умолчанию. Длина вектора относится к выбору между хранением и качеством поиска; стоимость пакета по-прежнему зависит от измеренных входных токенов.
Параметры запроса
| Параметр | Обязательно | Описание |
|---|---|---|
dimensions | Нет | Для 3-large доступна размерность от 1 до 3072; вариант 1024 проверен на пакете из двух текстов. |
embedding_input | Да | Передавайте 3-large сами фрагменты, а не указания ответить на вопрос; поле index сохраняет соответствие каждому входному элементу. |
Стоимость
$0.000026 / 1 000 токенов
Сценарии использования
Многоязычная база знаний о продукте с 3-large может выбирать источники для вопроса на языке клиента. Храните язык, версию продукта и редакцию документа как отдельные метаданные, чтобы внешне похожая устаревшая инструкция не вытесняла действующий порядок действий.
В исследовательской коллекции с 3-large ранжируйте связанные технические фрагменты и передавайте их с оригинальными источниками следующей аналитической модели. Сохраняйте границы документов и идентификаторы ссылок, чтобы сопоставить итоговое объяснение с действительно найденными материалами.
Руководство по промптам и практические советы
Для оценки 3-large подготовьте вопросы на языках пользователей и ожидаемые фрагменты. Сравните размерность по умолчанию с сокращённой по правильным результатам, ложным сопоставлениям, занимаемому месту и задержке поиска. Не смешивайте разные длины в одном индексе и используйте одну модель для документов и запросов.
Для 3-large соблюдайте пределы в 128 элементов за запрос, 8192 токена на элемент и 300000 токенов суммарно. Массив идентификаторов токенов допускает 2048 элементов. Исключайте недоступных кандидатов до передачи модели для написания ответа, сохраняйте ссылки в выдаче и обновляйте либо удаляйте векторы вместе с исходными документами.
{
"model": "openai/text-embedding-3-large/embedding",
"input": [
"A notebook about coastal birds.",
"An index of harbor observations."
]
}
Быстрый старт API
# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${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"
Аутентификация, полная схема, опрос статуса и обработка ошибок описаны в справочнике API.


