OpenAI text-embedding-3-small

Name: OpenAI text-embedding-3-small
Brand: OpenAI
SKU: text-embedding-3-small
Price: 0.024 USD
Availability: InStock

EmbeddingsVerfügbar

von OpenAItext-embedding-3-small

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.

Ausprobieren API-Schlüssel holen Vergleichen

Preis: $ 0.024/1 Mio. In
Kontext: 8'191 Token
Eingabe → Ausgabe: Text → Vektor
Entwickler: OpenAI
Aktualisiert: 23. September 2026

Playground

OpenAI text-embedding-3-small ausprobieren

Eingabe & Ergebnis

$ 0.024/1 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-small

Kurz gesagtStand: 23. September 2026

OpenAI text-embedding-3-small ist ein Modell von OpenAI aus der Kategorie Embeddings. Über Railwail kostet OpenAI text-embedding-3-small $ 0.024 / 1 Mio. Input-Token. Das Kontextfenster umfasst 8'191 Token.

text-embedding-3-small is the cheaper of OpenAI's third-generation embedding models. It outputs 1536-dim embeddings by default but supports the dimensions parameter, which uses Matryoshka-style truncation so you can request shorter vectors (for example 512 dims) and trade a small amount of accuracy for lower storage and faster similarity search. It scores higher than the older ada-002 on the MTEB benchmark while costing significantly less, which makes it the common default for production retrieval, clustering and classification pipelines. Accepts a single string or a batch of strings 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 a capped-profit company in 2019. The embedding line started with text-embedding-ada-001 (2021), was unified into ada-002 (December 2022) and replaced in January 2024 by the v3 generation. text-embedding-3-small is the smaller, cheaper sibling of text-embedding-3-large: it beats ada-002 by ~5 points on MTEB at one fifth the price ($0.00002 per 1k tokens). Together with the large variant it was the first OpenAI embedding model to support Matryoshka-style dimension shortening, allowing callers to choose any vector size between 256 and 1,536 without retraining or quality drop.

OpenAI besuchen

Architektur

Transformer bi-encoder with Matryoshka representation learning

OpenAI text-embedding-3-small is the entry-level embedding model in the v3 generation. It produces 1,536-dimensional vectors by default and supports the same Matryoshka shortening as the large variant, so callers can request any dimension between 256 and 1,536 in the API and OpenAI will truncate-and-renormalise on the fly. Maximum input length is 8,191 tokens. Training used a contrastive retrieval objective on a curated multilingual web corpus including search-query/document pairs. The model scores around 62.3% MTEB and 44.0% MIRACL multilingual retrieval, a clear step up from 61.0% / 31.4% for ada-002, while being roughly five times cheaper and faster. It is positioned as the default embedding model for cost-sensitive production RAG and large-scale search. Like all OpenAI models the system is closed-source and hosted only.

Parameter: Undisclosed (smaller than text-embedding-3-large)
Kontext: 8'191 Token

Fähigkeiten

1,536-dim vectors with Matryoshka truncation to any 256-1,536 size
8,191-token context window for long-document embedding
Multilingual coverage across 100+ languages
$0.00002 per 1k tokens (~5x cheaper than text-embedding-3-large)
Drop-in upgrade from ada-002 via the same /embeddings endpoint
L2-normalised vectors with cosine similarity
Best for: cost-sensitive RAG, large-scale search, embeddings at high QPS

Training & Lizenz

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

Bekannte Grenzen

Closed weights, hosted only
Cannot fine-tune the model
Lower MTEB / MIRACL scores than text-embedding-3-large
Multilingual quality below Cohere v3 for some low-resource languages
8,191-token cap may force chunking for long documents

Fachartikel

Preise

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

Eingabe	$ 0.024 / 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

$ 0.01

1 Credits

Je Anfrage

$ 0.0001 · 0.01 Credits

Jede Anfrage wird auf 0,01 Credits aufgerundet.

API

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

text-embedding-3-smallAPI-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-small",
    "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-small",
    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-small",
  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-small
Entwickler: OpenAI
Kategorie: Embeddings
Eingabe: Text
Ausgabe: Vektor
Kontextfenster: 8'191 Token
Abrechnung: Nach Verbrauch (Token bzw. GPU-Zeit)
Modellgrösse: Undisclosed (smaller than text-embedding-3-large)
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: 1536
Erlaubte Werte: 64 bis 1'536
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.

Semantic Search
How to deploy a Node.js app to production
Document Clustering
Machine learning model training techniques

Einsatzgebiete

Wofür es genutzt wird

Cost-sensitive production RAG
Large-scale semantic search across millions of documents
Embeddings for high-QPS personalisation pipelines
Clustering and topic discovery at low cost
Embeddings for downstream classification

Passende Übersichten

Embedding Models for Search & Science

Alle Modelle: Embeddings

Häufige Fragen

Was ist OpenAI text-embedding-3-small?

OpenAI text-embedding-3-small 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-small bei Railwail?

Über Railwail kostet OpenAI text-embedding-3-small $ 0.024 / 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-small?

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

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

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

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

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

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

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

Vergleichbare Modelle

Alle dieser Kategorie

OpenAI text-embedding-3-largeOpenAI
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.
$ 0.156/1 Mio. In
550 % teurer je Einheit
OpenAI text-embedding-3-small und OpenAI text-embedding-3-large vergleichen

OpenAI text-embedding-3-small 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