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
14,11 ₽

Стоимость промпта

(за 1M токенов)

*Указаны цены при использовании API через ECO-провайдеров.
Пример кода и API для text-embedding-3-large (OpenAI)Мы предлагаем полный доступ к API OpenAI через наш сервис. Все наши конечные точки полностью соответствуют конечным точкам OpenAI, их можно использовать как с плагинами, так и при разработке собственного программного обеспечения через SDK.Создать API ключ
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();
illustaration

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.

Служба поддержкиРаботаем с 10:00 до 18:00 по МСК