OpenAI text-embedding-3-small

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

EmbeddingsΔιαθέσιμο

από 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.

Δοκιμάστε το Λήψη API κλειδιού Σύγκριση

Τιμή: 0,024 $/1M in
Περιεχόμενο: 8.191 tokens
Είσοδος → Έξοδος: Κείμενο → Διάνυσμα
Προγραμματιστής: OpenAI
Ενημερώθηκε: 23 Σεπτεμβρίου 2026

Playground

Δοκιμάστε OpenAI text-embedding-3-small

Είσοδος & Έξοδος

0,024 $/1M in

Είσοδος

0 / 32.000

Σύγκριση με (προαιρετικό)

Εκτελεί το μοντέλο δύο φορές (χρέωση δύο φορές).

⌘/Ctrl + Enter

Αποτέλεσμα

Το διάνυσμα εμφανίζεται εδώ.

Αυτή η εκτέλεση

Η τιμή εμφανίζεται μόλις ολοκληρωθεί η είσοδος.

Νέος εδώ;

10 δωρεάν πιστωτικές μονάδες (0,10 $) όταν εγγραφείς με Google

Χρησιμοποιήσιμο 24 ώρες μετά την εγγραφή, έως 5 εκτελέσεις ανά ημέρα και το πολύ 2 πιστωτικές μονάδες ανά εκτέλεση. Άλλες μέθοδοι σύνδεσης ξεκινούν χωρίς πιστωτικές μονάδες.

Σχετικά με το OpenAI text-embedding-3-small

ΣύντομαΗμερομηνία: 23 Σεπτεμβρίου 2026

Το OpenAI text-embedding-3-small είναι ένα μοντέλο του OpenAI στην κατηγορία Embeddings. Στο Railwail, το OpenAI text-embedding-3-small κοστίζει 0,024 $ / 1M tokens εισόδου. Το παράθυρο περιεχομένου περιέχει 8.191 tokens.

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.

Φόντο

Σχετικά με OpenAI

Ιδρύθηκε 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.

Επισκεφθείτε OpenAI

Αρχιτεκτονική

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.

Παράμετροι: Undisclosed (smaller than text-embedding-3-large)
Περιεχόμενο: 8.191 tokens

Δυνατότητες

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

Εκπαίδευση & άδεια

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

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

Δοκιμές ασφάλειας: Embeddings are not subject to content-filter constraints; OpenAI publishes general bias and fairness statements.

Γνωστοί περιορισμοί

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

Ερευνητικές εργασίες

Τιμολόγηση

Οι τιμές είναι σε δολάρια ΗΠΑ. Η χρήση χρεώνεται από προπληρωμένα πιστωτικά.

Είσοδος	0,024 $ / 1M tokens

Χρέωση με βάση τα tokens που χρησιμοποιεί πραγματικά κάθε αίτημα.
1 πιστωτική μονάδα = 0,01 $

Αριθμομηχανή κόστους

Αριθμομηχανή τιμών

Tokens εισόδου

/ αίτημα

Tokens εξόδου

/ αίτημα

Αιτήματα

Σύνολο

0,01 $

1 πιστωτικές μονάδες

Ανά αίτημα

0,0001 $ · 0,01 πιστωτικές μονάδες

Κάθε αίτημα στρογγυλοποιείται προς τα πάνω σε 0,01 πιστωτικές μονάδες.

API

Καλέστε το OpenAI text-embedding-3-small με το κλειδί Railwail API. Χρησιμοποιήστε αυτό το ID μοντέλου στο αίτημα:

text-embedding-3-smallΤεκμηρίωση API Λήψη κλειδιού API

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);

Ορίστε το κλειδί σας ως RAILWAIL_API_KEYΔημιουργία κλειδιού API

Προδιαγραφές

ID μοντέλου: text-embedding-3-small
Ανάπτυξη: OpenAI
Κατηγορία: Embeddings
Είσοδος: Κείμενο
Έξοδος: Διάνυσμα
Παράθυρο περιεχομένου: 8.191 tokens
Χρέωση: Κατά χρήση (tokens ή χρόνος GPU)
Μέγεθος μοντέλου: Undisclosed (smaller than text-embedding-3-large)
Άδεια: Proprietary commercial API. Generated embeddings may be stored and used commercially under the OpenAI Usage Policy.
Καταχώρηση καταλόγου ενημερώθηκε: 23 Σεπτεμβρίου 2026

Παράμετροι εισόδου

Εισόδους και ρυθμίσεις από το σχήμα εισόδου του μοντέλου. Το παράδειγμα στην ενότητα API δείχνει ποιες από αυτές δέχεται το API.

ΠαράμετροςΤύποςΠροεπιλογήΕπιτρεπόμενες τιμές

inputΥποχρεωτικό
Text to embed (single string or array of strings)
Τύπος: Κείμενο
Προεπιλογή: –
Επιτρεπόμενες τιμές: Έως 32.000 χαρακτήρες
dimensions
Τύπος: Ακέραιος αριθμός
Προεπιλογή: 1536
Επιτρεπόμενες τιμές: 64 έως 1.536
encoding_format
Τύπος: Επιλογή
Προεπιλογή: float
Επιτρεπόμενες τιμές: float ή base64

Ετικέτες

openai
embedding
retrieval
rag
matryoshka
general

Παράδειγμα προτροπών

Παραδείγματα από τον κατάλογο Railwail. Δεν δημιουργήθηκαν ζωντανά σε αυτήν τη σελίδα.

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

Περιπτώσεις χρήσης

Για τι χρησιμοποιείται

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

Σχετικοί οδηγοί

Embedding Models for Search & Science

Όλα τα μοντέλα: Embeddings

Συχνές ερωτήσεις

Τι είναι OpenAI text-embedding-3-small;

Το OpenAI text-embedding-3-small είναι ένα μοντέλο του OpenAI στην κατηγορία Embeddings. Στο Railwail μπορείτε να το καλέσετε με ένα API key μέσω του Railwail API.

Πόσο κοστίζει το OpenAI text-embedding-3-small στο Railwail;

Στο Railwail, το OpenAI text-embedding-3-small κοστίζει 0,024 $ / 1M tokens εισόδου. Χρεώνεστε για αυτό που χρησιμοποιεί πραγματικά κάθε αίτημα. Η χρήση πληρώνεται από προπληρωμένες πιστωτικές μονάδες· 1 πιστωτική μονάδα ισούται με 0,01 $.

Ποιο είναι το παράθυρο περιεχομένου του OpenAI text-embedding-3-small;

Το παράθυρο περιεχομένου του OpenAI text-embedding-3-small περιέχει 8.191 tokens.

Πόσο γρήγορο είναι το OpenAI text-embedding-3-small;

Δεν υπάρχουν αρκετές μετρημένες εκτελέσεις του OpenAI text-embedding-3-small στο Railwail ακόμα για να δηλωθεί ένας χρόνος εκτέλεσης. Εξαρτάται από την είσοδο, τις ρυθμίσεις και το φορτίο στον πάροχο.

Είναι το OpenAI text-embedding-3-small καλύτερο από το OpenAI text-embedding-3-large;

Αυτό εξαρτάται από την εργασία. Το OpenAI text-embedding-3-small (OpenAI) και το OpenAI text-embedding-3-large (OpenAI) είναι και τα δύο μοντέλα στην κατηγορία Embeddings. Η σελίδα σύγκρισης δείχνει τις τιμές και τις προδιαγραφές τους παράλληλα.

Σύγκριση OpenAI text-embedding-3-small και OpenAI text-embedding-3-large

Πώς χρησιμοποιώ το OpenAI text-embedding-3-small μέσω του API;

Δημιουργήστε ένα Railwail API key και στείλτε το αίτημά σας με το ID μοντέλου text-embedding-3-small. Παραδείγματα κώδικα για curl, Python και JavaScript βρίσκονται στην ενότητα API αυτής της σελίδας.

Συγκρίσιμα μοντέλα

Όλα σε αυτήν την κατηγορία

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 $/1M in
550 % ακριβότερο ανά μονάδα
Σύγκριση OpenAI text-embedding-3-small και OpenAI text-embedding-3-large

Χρησιμοποιήστε το OpenAI text-embedding-3-small μέσω του API

Ένα κλειδί API για κάθε μοντέλο στο Railwail. Η χρήση χρεώνεται από προπληρωμένα πιστωτικά, 1 πιστωτικό = 0,01 $.

Λήψη κλειδιού API Περιήγηση σε όλα τα μοντέλα