Text Embedding 3 Small
нейросеть
Text Embedding 3 Small — модель эмбеддингов OpenAI, которая переводит текст в векторы для семантического поиска и RAG-систем.
Характеристики
- Входные данные
- текст
- Результат
- векторы (эмбеддинги)
- Размер контекста
- 8 192 токена
- Размерность вектора
- 1 536
Стоимость промпта
(за 1M токенов)
Как работает Text Embedding 3 Small?
Text Embedding 3 Small — векторная модель OpenAI, развитие линейки ada: она кодирует текст в числовые векторы, по которым измеряется смысловая близость фрагментов. Сравнение идёт не по совпадению слов, а по расстоянию между векторами, поэтому модель служит базовым слоем поиска, классификации и ранжирования. В BotHub вызовы идут через единый OpenAI-совместимый API: доступ из России без VPN и зарубежной карты, оплата в рублях по факту, рядом в одном окне более 250 моделей. Применяют её для семантического поиска по базе документов, RAG над корпоративной вики, дедупликации и кластеризации обращений, подбора похожих материалов и наполнения векторных хранилищ вроде Qdrant или pgvector.Частые вопросы о Text Embedding 3 Small
Вы можете использовать результаты генерации в коммерческих целях. Все права на созданный контент принадлежат вам. Единственное ограничение: убедитесь, что в запросе не использовались защищённые авторским правом материалы третьих сторон. Ответственность за соблюдение прав на входные данные лежит на пользователе.
Это эмбеддинг-модель от OpenAI: она превращает текст в числовой вектор, по которому удобно считать смысловую близость. Подходит для семантического поиска, RAG-пайплайнов, кластеризации и классификации документов, дедупликации и рекомендаций. На вход принимается до 4095 токенов, поэтому длинные тексты режут на фрагменты.
На выходе вы получаете не текст, а вектор фиксированной размерности — массив чисел с плавающей точкой. Его сохраняют в векторных базах вроде Qdrant или pgvector и ищут по косинусной близости. Запрос идёт через единый OpenAI-совместимый API BotHub.
Пометки о рассуждениях перед ответом в наших данных нет. Задача эмбеддера другая: он кодирует смысл текста в вектор, а не разворачивает цепочку мыслей. Если нужны рассуждения и объяснения, подключите в том же API текстовую модель — интеграцию переписывать не придётся.
В наших данных function calling и структурированный вывод не отмечены. Ответ эмбеддинг-модели — это вектор, который ваше приложение само кладёт в нужную структуру. Для инструментов и схем JSON удобнее взять текстовую модель BotHub, обращаясь к ней через тот же ключ.
Приём других модальностей, кроме текста, в наших данных не отмечен: вы передаёте текстовые фрагменты и получаете векторы. Если в проекте нужны картинки, аудио или видео, в BotHub доступны профильные модели — их можно подключить рядом в одном интерфейсе и одном API.
Семейство text-embedding-3 от OpenAI обучалось на многоязычных данных, поэтому русскоязычные тексты векторизуются корректно и работает кросс-язычный поиск. Точность всё же зависит от вашей предметной области, так что перед продом прогоните тестовую выборку и сравните метрики на своих документах.