ГлавнаяМоделиЭмбеддингиEmbedding 3 large

Embedding 3 large API

8k context
ПровайдерOpenai

text-embedding-3-large — эмбеддинги-модель от Openai.

Что умеет Embedding 3 large

Базовый набор возможностей модели — см. документацию вендора.

Стоимость

за 1 млн входных текстовых токенов
17.17 ₽

Цены указаны в рублях и списываются с баланса проекта за успешные запросы. Надбавки (+) суммируются с базовой ставкой.

Технические характеристики

Контекст
8,192
токенов
Vendor
openai
Modality
embedding

text-embedding-3-large для семантического поиска и RAG

text-embedding-3-large — модель эмбеддингов от OpenAI, представленная 25 января 2024 года. Она преобразует тексты в векторы до 3072 измерений, хорошо работает с разными языками и поддерживает уменьшение размера вектора через параметр dimensions. Модель подходит для семантического поиска, RAG-систем, рекомендаций, кластеризации и поиска дублей.

Параметры запроса

Параметры, которые принимает модель. Передаются в теле запроса.

ПараметрТипДиапазон / значенияПо умолчаниюОписание
inputreq
string
—
—
Текст для embedding. Можно передать строку, массив строк или массив токенов. До 8192 токенов на вход. До 2048 элементов в массиве. Суммарно до 300k токенов на запрос.
1 пример
Примеры
The food was delicious and the waiter was polite.
dimensions
integer
min: 1
—
Желаемое количество измерений output-вектора. Если меньше дефолта — модель агрегирует/обрезает. Доступно только для text-embedding-3-* (большое 3072, малое 1536; можно меньше).
encoding_format
enum
float, base64
float
Формат return: float (JSON-массив чисел) или base64 (компактнее по размеру).
user
string
—
—
Уникальный идентификатор end-user — для abuse detection OpenAI.

Пример кода

text-embedding-3-large_example.py
from openai import OpenAI

client = OpenAI(api_key="rk_live_...", base_url="https://api.ranvik.ru/v1")
resp = client.chat.completions.create(
    model="text-embedding-3-large",
    messages=[{"role": "user", "content": "Привет!"}],
)
print(resp.choices[0].message.content)

# ── С веб-поиском ──
resp = client.responses.create(
    model="text-embedding-3-large",
    input="Что нового в AI сегодня?",
    tools=[{"type": "web_search"}],
)
print(resp.output_text)

# Генерация файла: client.responses.create(model="text-embedding-3-large", input="...", tools=[{"type":"code_interpreter"}])
Полная документация модели

Частые вопросы о Embedding 3 large

text-embedding-3-large преобразует фразы и документы в числовые векторы, чтобы приложения находили смысловую близость текста, а не только совпадения слов.
Модель нужна для семантического поиска, RAG-ассистентов, рекомендаций, кластеризации и выявления дублей. Она помогает точнее сопоставлять запросы и материалы.
Подключите text-embedding-3-large через Ranvik API: создайте ключ в личном кабинете, пополните баланс и отправляйте запросы к совместимому API.
В Ranvik API модель доступна российским разработчикам без VPN: получите API-ключ в кабинете и интегрируйте запросы в приложение или сервис.
Да, Ranvik API позволяет пополнять баланс в российских рублях. Это упрощает оплату доступа к text-embedding-3-large для команд и частных разработчиков.
Передайте текст во входных данных запроса и сохраните полученный вектор в векторной БД. При необходимости параметр dimensions уменьшит его размер.