OpenAI text-embedding-3-small

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

EmbeddingsPieejams

no 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.

Izmēģināt Iegūt API atslēgu Salīdzināt

Cena: 0,024 $/1M ievade
Konteksts: 8191 marķieri
Ievade → Izvade: Teksts → Vektors
Izstrādātājs: OpenAI
Atjaunināts: 2026. gada 23. septembris

Spēļu laukums

Izmēģiniet OpenAI text-embedding-3-small

Ievade un rezultāts

0,024 $/1M ievade

Ievade

0 / 32 000

Salīdzināt ar (neobligāti)

Palaiž modeli divas reizes (norēķināts divas reizes).

⌘/Ctrl + Enter

Rezultāts

Vektors parādīsies šeit.

Šis palaišanas gadījums

Cena parādās, kad ievade ir pabeigta.

Jauns šeit?

10 bezmaksas kredīti (0,10 $), reģistrējies ar Google

Pieejams 24 stundas pēc reģistrācijas, līdz 5 palaišanas gadījumi dienā un maksimāli 2 kredīti uz palaišanas gadījumu. Citas pierakstīšanās metodes sākas bez kredītiem.

Par OpenAI text-embedding-3-small

ĪsumāUz 2026. gada 23. septembris

OpenAI text-embedding-3-small ir OpenAI modelis kategorijā Embeddings. Railwail platformā OpenAI text-embedding-3-small maksā 0,024 $ / 1M ievades marķieru. Konteksta logs satur 8191 žetonus.

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.

Fons

Par OpenAI

Dibināts 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.

Apmeklēt OpenAI

Arhitektūra

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.

Parametri: Undisclosed (smaller than text-embedding-3-large)
Konteksts: 8191 marķieri

Iespējas

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

Apmācība un licence

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

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

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

Zināmi ierobežojumi

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

Pētniecības raksti

Cenas

Cenas ASV dolāros. Izmantošana tiek aprēķināta no iepriekš apmaksātiem kredītiem.

Ievade	0,024 $ / 1M marķieru

Tiek norēķināti marķieri, ko katra pieprasījuma faktiskā izmantošana.
1 kredīts = 0,01 $

Izmaksu kalkulators

Cenu kalkulators

Ievades marķieri

/ pieprasījums

Izvades marķieri

/ pieprasījums

Pieprasījumi

Kopā

0,01 $

1 kredīti

Uz pieprasījumu

0,0001 $ · 0,01 kredīti

Katrs pieprasījums tiek noapaļots līdz 0,01 kredītiem.

API

Izsauciet OpenAI text-embedding-3-small ar savu Railwail API atslēgu. Izmantojiet šo modeļa ID pieprasījumā:

text-embedding-3-smallAPI dokumentācija Iegūt API atslēgu

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);

Iestatiet savu atslēgu kā RAILWAIL_API_KEYIzveidot API atslēgu

Specifikācijas

Modeļa ID: text-embedding-3-small
Izstrādātājs: OpenAI
Kategorija: Embeddings
Ievade: Teksts
Izvade: Vektors
Konteksta logs: 8191 marķieri
Norēķini: Pēc lietojuma (tokeni vai GPU laiks)
Modeļa izmērs: Undisclosed (smaller than text-embedding-3-large)
Licence: Proprietary commercial API. Generated embeddings may be stored and used commercially under the OpenAI Usage Policy.
Kataloga ieraksts atjaunināts: 2026. gada 23. septembris

Ievades parametri

Ievades un iestatījumi no modeļa ievades shēmas. Piemērs API sadaļā parāda, kurus no tiem API pieņem.

ParametrsTipsNoklusējumsAtļautās vērtības

inputobligāts
Text to embed (single string or array of strings)
Tips: Teksts
Noklusējums: –
Atļautās vērtības: līdz 32 000 rakstzīmēm
dimensions
Tips: Vesels skaitlis
Noklusējums: 1536
Atļautās vērtības: 64 līdz 1536
encoding_format
Tips: Izvēle
Noklusējums: float
Atļautās vērtības: float vai base64

Tagi

openai
embedding
retrieval
rag
matryoshka
general

Paraugu uzvednes

Piemēri no Railwail kataloga. Tie netika ģenerēti tiešraidē šajā lapā.

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

Lietošanas gadījumi

Kam to izmanto

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

Saistītie ceļveži

Embedding Models for Search & Science

Visi modeļi: Embeddings

Bieži uzdotie jautājumi

Kas ir OpenAI text-embedding-3-small?

OpenAI text-embedding-3-small ir OpenAI izstrādāts modelis Embeddings kategorijā. Railwail platformā varat to izsaukt ar API atslēgu, izmantojot Railwail API.

Cik maksā OpenAI text-embedding-3-small Railwail?

Railwail platformā OpenAI text-embedding-3-small maksā 0,024 $ / 1M ievades marķieru. Jums tiek ņemta maksa par to, ko katra pieprasījuma izpilde faktiski izmanto. Izmantošana tiek apmaksāta no iepriekš nopirkto kredītu; 1 kredīts = 0,01 $.

Kāds ir OpenAI text-embedding-3-small konteksta logs?

OpenAI text-embedding-3-small konteksta logs satur 8191 žetonus.

Cik ātrs ir OpenAI text-embedding-3-small?

Railwail platformā OpenAI text-embedding-3-small vēl nav pietiekami daudz izmērītu izpilžu, lai norādītu izpildes laiku. Tas ir atkarīgs no ievades, iestatījumiem un sniedzēja slodzes.

Vai OpenAI text-embedding-3-small ir labāks par OpenAI text-embedding-3-large?

Tas ir atkarīgs no uzdevuma. OpenAI text-embedding-3-small (OpenAI) un OpenAI text-embedding-3-large (OpenAI) ir abi modeļi Embeddings kategorijā. Salīdzināšanas lapā to cenas un specifikācijas ir parādītas blakus.

Salīdzināt OpenAI text-embedding-3-small un OpenAI text-embedding-3-large

Kā es varu izmantot OpenAI text-embedding-3-small caur API?

Izveidojiet Railwail API atslēgu un nosūtiet savu pieprasījumu ar modeļa ID text-embedding-3-small. Koda piemēri curl, Python un JavaScript ir šīs lapas API sadaļā.

Salīdzināmi modeļi

Visi šajā kategorijā

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 ievade
550 % dārgāk uz vienību
Salīdzināt OpenAI text-embedding-3-small un OpenAI text-embedding-3-large

Izmantojiet OpenAI text-embedding-3-small caur API

Viena API atslēga visiem Railwail modeļiem. Izmantošana tiek aprēķināta no iepriekš apmaksātiem kredītiem, 1 kredīts = 0,01 $.

Iegūt API atslēgu Skatīt visus modeļus