text-embedding-3-large (OpenAI)
нейросеть
text-embedding-3-large — самая мощная модель эмбеддингов OpenAI для англоязычных и многоязычных задач. Преобразует текст в числовые вектора для измерения семантической близости и используется в семантическом поиске, кластеризации, рекомендательных системах и дедупликации. Модель доступна через BotHub — подключайте и интегрируйте в проекты прямо из личного кабинета без VPN с оплатой в рублях.
Характеристики
- Входные данные
- текст
- Результат
- векторы (эмбеддинги)
- Размер контекста
- 8 192 токена
- Размерность вектора
- 3 072
Стоимость промпта
(за 1M токенов)
import OpenAI from 'openai';
const openai = new OpenAI({
apiKey: '<your bothub access token>',
baseURL: 'https://openai.bothub.chat/v1'
});
async function main() {
const response = await openai.embeddings.create({
model: 'text-embedding-3-large',
input: 'The food was delicious and the waiter...',
encoding_format: 'float'
});
const embedding = response.data[0].embedding;
console.log(embedding);
}main();
Как работает text-embedding-3-large (OpenAI)?
Попробуйте text-embedding-3-large на BotHub — быстрый запуск семантического поиска.Частые вопросы о text-embedding-3-large (OpenAI)
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.
Text Embedding 3 Large преобразует текст в числовые векторы для задач семантического поиска, индексации, RAG, кластеризации, поиска похожих документов и обнаружения дубликатов. Подходит для интеграции с векторными БД и использования через OpenAI‑совместимый API.
Модель возвращает числовые векторы‑эмбеддинги — массивы вещественных чисел, пригодные для индексации в Qdrant, pgvector и других векторных БД. Через OpenAI‑совместимый API эмбеддинги обычно приходят как списки чисел, готовые для сохранения и поиска по сходству.
В наших данных не отмечено, что модель генерирует рассуждения перед ответом. Её основная функция — выдача векторных представлений текста; пошаговые объяснения или chain‑of‑thought характерны для генеративных текстовых моделей, а не для эмбеддингов.
В наших данных не отмечено наличие function calling или структурированного JSON‑вывода. Эмбеддинги возвращают числовые массивы; если нужен структурированный JSON, его обычно формируют на стороне клиента или используют текстовые модели для генерации структурированных ответов.
В наших данных указано, что модель принимает документы как вход; о приёме изображений, аудио или видео прямой отметки нет. Для мультимодальных задач обычно применяют специализированные модели, а текстовые документы подходят для получения эмбеддингов этим сервисом.
В наших данных нет конкретики по качеству на русском языке. В целом эмбеддинги отражают семантику текстов, поэтому качество для русскоязычных задач зависит от покрытия языковых данных в обучении, а также от ваших тестов, предобработки и индексирования.