OpenAI text-embedding-3-large

Name: OpenAI text-embedding-3-large
Brand: OpenAI
SKU: text-embedding-3-large
Price: 0.156 USD
Availability: InStock

EmbeddingsVerfügbar

von OpenAItext-embedding-3-large

OpenAI's highest-quality embedding model. Returns 3072-dim vectors by default and supports reducing dimensions via the dimensions parameter. Outperforms text-embedding-3-small and the older ada-002 on MTEB and multilingual MIRACL retrieval benchmarks, for cases where accuracy matters more than cost.

Ausprobieren API-Schlüssel holen Vergleichen

Preis: $ 0,156/1 Mio. In
Kontext: 8 191 Token
Eingabe → Ausgabe: Text → Vektor
Entwickler: OpenAI
Aktualisiert: 23. September 2026

Playground

OpenAI text-embedding-3-large ausprobieren

Eingabe & Ergebnis

$ 0,156/1 Mio. In

Eingabe

0 / 32 000

Vergleichen mit (optional)

Startet das Modell zweimal (zweimal berechnet).

⌘/Strg + Enter

Ergebnis

Der Vektor erscheint hier.

Dieser Lauf

Der Preis erscheint, sobald die Eingabe vollständig ist.

Neu hier?

10 Gratis-Credits ($ 0,10) bei Anmeldung mit Google

Nutzbar 24 Stunden nach der Anmeldung, bis zu 5 Läufe pro Tag und höchstens 2 Credits je Lauf. Andere Anmeldearten starten ohne Guthaben.

Über OpenAI text-embedding-3-large

Kurz gesagtStand: 23. September 2026

OpenAI text-embedding-3-large ist ein Modell von OpenAI aus der Kategorie Embeddings. Über Railwail kostet OpenAI text-embedding-3-large $ 0,156 / 1 Mio. Input-Token. Das Kontextfenster umfasst 8 191 Token.

text-embedding-3-large is OpenAI's most capable third-generation embedding model. It produces 3072-dim embeddings by default and, like the small variant, supports the dimensions parameter for Matryoshka-style truncation so you can store shorter vectors when needed. It leads OpenAI's lineup on the MTEB English benchmark and on the multilingual MIRACL retrieval benchmark, making it the pick when embedding quality is the priority over price. Use it for high-recall semantic search, deduplication and reranking-style retrieval. Accepts a single string or a batch per request.

Hintergrund

Über OpenAI

Gegründet 2015 · San Francisco, California, USA

OpenAI was founded in December 2015 by Sam Altman, Elon Musk, Greg Brockman, Ilya Sutskever, Wojciech Zaremba and John Schulman, and restructured to capped-profit OpenAI LP in 2019. The embedding model family started with text-embedding-ada-001 in 2021, was unified into text-embedding-ada-002 in December 2022 (still the most-used embedding model on Earth at one point) and replaced in January 2024 by text-embedding-3-small and text-embedding-3-large. The v3 release was OpenAI's first to support Matryoshka-style dimension reduction (sale of arbitrary 256-3072 dim vectors from the same model) and beat ada-002 by 20+ percentage points on the MIRACL multilingual retrieval benchmark while costing roughly the same.

OpenAI besuchen

Architektur

Transformer bi-encoder with Matryoshka representation learning

OpenAI text-embedding-3-large is the flagship embedding model in the v3 generation. It produces 3,072-dimensional vectors by default with full Matryoshka representation support, so callers can request any dimension between 256 and 3,072 in the API and OpenAI will truncate-and-renormalise without re-running the model. The model accepts up to 8,191 tokens per input and was trained with a contrastive retrieval objective on a curated multilingual web corpus, including search-query/document pairs and large-scale instruction-tuned pairs. It scores 64.6% on MTEB and 54.9% on MIRACL multilingual retrieval, a step up from 61.0% / 31.4% for ada-002. Pricing is $0.00013 per 1k tokens. Output vectors are L2-normalised. Like all OpenAI models the system is closed-source and hosted only. OpenAI has not published a technical paper for the v3 family beyond a launch blog.

Parameter: Undisclosed
Kontext: 8 191 Token

Funktionen

3,072-dim vectors with Matryoshka truncation to any 256-3072 size
8,191-token context window for long-document embedding
Multilingual coverage across 100+ languages
State-of-the-art MIRACL multilingual retrieval (~55%)
L2-normalised vectors with cosine similarity
Drop-in upgrade from ada-002 via the same /embeddings endpoint
Best for: production RAG, multilingual search, retrieval-heavy SaaS

Training & Lizenz

Not disclosed. OpenAI describes a 'curated multilingual web corpus' with search-query/document pairs and instruction-tuned pairs.

Lizenz: Proprietary commercial API. Generated embeddings may be stored and used commercially under the OpenAI Usage Policy.

Sicherheitstests: Embeddings are not subject to content-filter constraints; OpenAI publishes general bias and fairness statements for the embeddings endpoint.

Bekannte Einschränkungen

Closed weights, hosted only
Cannot fine-tune the model
3,072-dim full vectors are storage-heavy without truncation
Worse-than-Cohere v3 on some low-resource languages
8,191-token cap may force chunking for very long documents

Forschungsarbeiten

Preise

Preise in US-Dollar. Abgerechnet wird über vorab gekaufte Credits.

Eingabe	$ 0,156 / 1 Mio. Token

Abgerechnet werden die Token, die jede Anfrage tatsächlich verbraucht.
1 Credit = $ 0,01

Kostenrechner

Preisrechner

Input-Token

/ Anfr.

Output-Token

/ Anfr.

Anfragen

Gesamt

$ 0,02

2 Credits

Je Anfrage

$ 0,0002 · 0,02 Credits

Jede Anfrage wird auf 0,01 Credits aufgerundet.

API

Rufe OpenAI text-embedding-3-large mit deinem Railwail-API-Schlüssel auf. Diese Modell-ID gehört in die Anfrage:

text-embedding-3-largeAPI-Dokumentation API-Schlüssel holen

curl https://railwail.com/api/v1/embeddings \
  -H "Authorization: Bearer $RAILWAIL_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "text-embedding-3-large",
    "input": "The quick brown fox"
  }'

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["RAILWAIL_API_KEY"],
    base_url="https://railwail.com/api/v1",
)

res = client.embeddings.create(
    model="text-embedding-3-large",
    input="The quick brown fox",
)

print(len(res.data[0].embedding))

import OpenAI from "openai";

const client = new OpenAI({
  apiKey: process.env.RAILWAIL_API_KEY,
  baseURL: "https://railwail.com/api/v1",
});

const res = await client.embeddings.create({
  model: "text-embedding-3-large",
  input: "The quick brown fox"
});

console.log(res.data[0].embedding.length);

Schlüssel als RAILWAIL_API_KEY setzenAPI-Schlüssel erstellen

Spezifikationen

Modell-ID: text-embedding-3-large
Entwickler: OpenAI
Kategorie: Embeddings
Eingabe: Text
Ausgabe: Vektor
Kontextfenster: 8 191 Token
Abrechnung: Nach Verbrauch (Token bzw. GPU-Zeit)
Modellgröße: Undisclosed
Lizenz: Proprietary commercial API. Generated embeddings may be stored and used commercially under the OpenAI Usage Policy.
Katalogeintrag aktualisiert: 23. September 2026

Eingabeparameter

Eingaben und Einstellungen laut Eingabeschema des Modells. Welche davon die API annimmt, zeigt das Beispiel im Abschnitt API.

ParameterTypStandardErlaubte Werte

inputPflicht
Text to embed (single string or array of strings)
Typ: Text
Standard: –
Erlaubte Werte: bis 32 000 Zeichen
dimensions
Typ: Ganzzahl
Standard: 3072
Erlaubte Werte: 256 bis 3 072
encoding_format
Typ: Auswahl
Standard: float
Erlaubte Werte: float oder base64

Beispiel-Prompts

Beispiele aus dem Railwail-Katalog. Sie wurden nicht live auf dieser Seite erzeugt.

FAQ Matching
How do I reset my password?
Code Search
React useEffect cleanup function memory leak

Einsatzgebiete

Wofür es genutzt wird

Production RAG for ChatGPT-style assistants
Multilingual enterprise search
Semantic deduplication and clustering at scale
Recommendation systems based on text similarity
Embeddings for downstream classification tasks

Passende Übersichten

Embedding Models for Search & Science

Alle Modelle in Embeddings

Häufige Fragen

Was ist OpenAI text-embedding-3-large?

OpenAI text-embedding-3-large ist ein Modell von OpenAI aus der Kategorie Embeddings. Über Railwail lässt es sich mit einem API-Schlüssel über die Railwail-API aufrufen.

Was kostet OpenAI text-embedding-3-large bei Railwail?

Über Railwail kostet OpenAI text-embedding-3-large $ 0,156 / 1 Mio. Input-Token. Abgerechnet wird, was jede Anfrage tatsächlich verbraucht. Bezahlt wird mit vorab gekauften Credits; 1 Credit entspricht $ 0,01.

Wie groß ist das Kontextfenster von OpenAI text-embedding-3-large?

Das Kontextfenster von OpenAI text-embedding-3-large umfasst 8 191 Token.

Wie schnell ist OpenAI text-embedding-3-large?

Für OpenAI text-embedding-3-large gibt es bei Railwail noch zu wenige gemessene Läufe, um eine Laufzeit anzugeben. Sie hängt von der Eingabe, den Einstellungen und der Auslastung beim Anbieter ab.

Ist OpenAI text-embedding-3-large besser als OpenAI text-embedding-3-small?

Das hängt von der Aufgabe ab. OpenAI text-embedding-3-large (OpenAI) und OpenAI text-embedding-3-small (OpenAI) sind beide Modelle aus der Kategorie Embeddings. Die Vergleichsseite zeigt Preise und Spezifikationen nebeneinander.

OpenAI text-embedding-3-large und OpenAI text-embedding-3-small vergleichen

Wie nutze ich OpenAI text-embedding-3-large über die API?

Erstelle einen Railwail-API-Schlüssel und sende deine Anfrage mit der Modell-ID text-embedding-3-large. Codebeispiele für curl, Python und JavaScript stehen im Abschnitt API auf dieser Seite.

Vergleichbare Modelle

Alle dieser Kategorie

OpenAI text-embedding-3-smallOpenAI
OpenAI's small, low-cost embedding model. Returns 1536-dim vectors by default and supports shortening output dimensions via the dimensions parameter without retraining. Replaced text-embedding-ada-002 with better retrieval quality at a fraction of the price, and is the default choice for general-purpose semantic search and RAG.
$ 0,024/1 Mio. In
85 % günstiger je Einheit
OpenAI text-embedding-3-large und OpenAI text-embedding-3-small vergleichen

OpenAI text-embedding-3-large über die API nutzen

Ein API-Schlüssel für alle Modelle auf Railwail. Abgerechnet wird über vorab gekaufte Credits, 1 Credit = $ 0,01.

API-Schlüssel holen Alle Modelle ansehen