text-embedding-3-small (OpenAI)
нейросеть
text-embedding-3-small — улучшенная, более производительная версия эмбеддингов OpenAI (модель ada). Генерирует компактные векторные представления текста, удобные для семантического поиска, кластеризации, рекомендаций и измерения сходства. Доступна для использования через BotHub в едином личном кабинете.
Характеристики
- Входные данные
- текст
- Результат
- векторы (эмбеддинги)
- Размер контекста
- 8 192 токена
- Размерность вектора
- 1 536
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-small',
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-small (OpenAI)?
Попробуйте text-embedding-3-small на BotHub — подключение и тестирование в личном кабинете.Частые вопросы о text-embedding-3-small (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 Small преобразует текст в плотные числовые векторы для задач семантического поиска, retrieval-augmented generation, кластеризации, рекомендаций и поиска по похожести. Вы получаете векторные представления, пригодные для индексирования и сравнения в векторных базах данных.
Модель выдаёт плотные числовые векторы (массивы чисел с плавающей точкой), пригодные для вычисления сходства и индексирования в Qdrant, pgvector и других векторных хранилищах. Максимальная входная длина указана как 4095 токенов, результаты возвращаются в виде эмбеддингов.
В наших данных рассуждения перед ответом не отмечены. Embedding-модели обычно фокусируются на представлении смысла фрагмента текста, а не на пошаговых рассуждениях; если вам нужны цепочки мыслей и объяснения, лучше применять текстовую LLM, а не эмбеддинги.
Вызов функций и структурированный JSON в наших данных не отмечены. Эмбеддинги возвращают числовые векторы, а не исполнение функций или генерацию управляемых структур; для вывода JSON и function calling используйте специализированные текстовые API или LLM с поддержкой таких возможностей.
Приём изображений, аудио или видео в наших данных не отмечен. Модель классифицирована как EMBEDDING и предназначена для векторизации текстовых описаний; для работы с мультимодальными входами выбирайте модели, явно поддерживающие загрузку медиа и генерацию эмбеддингов из них.
Данные о качестве понимания русского языка для этой модели в нашей информации не указаны. Эмбеддинги отражают семантическую близость текстов, но итоговая эффективность на русском зависит от корпуса, на котором вы индексируете и сравниваете документы.