OpenAI: Text Embedding 3 Large

OpenAI: Text Embedding 3 Large ist ein Embedding-Modell von OpenAI, das auf api14 unter der Modell-ID openai/text-embedding-3-large gelistet ist. Es befindet sich in der Kategorie Embeddings und nicht in der Kategorie Chat, was bedeutet, dass es dazu dient, Text in Vektoren umzuwandeln, statt konversationelle Antworten zu generieren. OpenAI beschreibt text-embedding-3-large als sein leistungsfähigstes Embedding-Modell sowohl für englische als auch für nicht-englische Aufgaben.

Das Modell nimmt Text als einzige Eingabe und gibt Embeddings als Ausgabe zurück: numerische Darstellungen von Text, mit denen die Verwandtschaft zwischen zwei Textstücken gemessen werden kann. Es unterstützt eine Kontextlänge von 8192 Tokens, und seine maximale Ausgabe beträgt 7372. Für dieses Modell werden keine zusätzlichen Anfrageparameter unterstützt, es gibt also keine Abstimmungsmöglichkeiten über das hinaus, was der Embedding-Endpunkt selbst akzeptiert.

Da die Ausgabe ein Vektor und keine Prosa ist, ergeben sich die praktischen Anwendungen aus dem Vergleich dieser Vektoren. Typische Einsatzbereiche sind die semantische Suche, bei der Sie eine Anfrage und einen Korpus einbetten und Dokumente nach Ähnlichkeit sortieren; das Retrieval für eine RAG-Pipeline, bei der Embeddings entscheiden, welche Passagen einem Chat-Modell zugeführt werden; das Clustering oder Deduplizieren großer Textsammlungen; die Klassifizierung und Weiterleitung nach dem nächstgelegenen Beispiel; und die Bewertung von Empfehlungen oder Verwandtschaft zwischen zwei Passagen. Der Hinweis des Anbieters, dass das Modell sowohl englische als auch nicht-englische Aufgaben bewältigt, macht es zu einer vernünftigen Wahl für mehrsprachige Korpora, bei denen Sie einen einheitlichen Embedding-Raum über Sprachen hinweg wünschen.

Um es über api14 aufzurufen, verwenden Sie die OpenAI-kompatible API mit der Modell-ID openai/text-embedding-3-large. Senden Sie Ihren Text an den Embeddings-Endpunkt auf dieselbe Weise, wie Sie es direkt gegen OpenAI tun würden, und lesen Sie die Vektoren aus der Antwort zurück. Da supported_parameters leer ist, sollten Sie nicht erwarten, zusätzliche Optionen wie dimensions oder encoding format über dieses Gateway übergeben zu können; beschränken Sie Anfragen auf den Text, den Sie einbetten möchten.

Die wichtigsten Grenzen, die Sie beachten sollten, sind die Eingabemodalität und die Kontextlänge. Es geht nur Text hinein, Bilder, Audio und andere Formate liegen für dieses Modell außerhalb des Rahmens. Jede einzelne Eingabe muss innerhalb von 8192 Tokens passen, was bedeutet, dass lange Dokumente vor dem Einbetten aufgeteilt werden müssen. Und da es Embeddings statt Text erzeugt, kann es nicht selbst Fragen beantworten oder Inhalte schreiben; kombinieren Sie es mit einem Chat-Modell, wenn Sie zusätzlich zum Retrieval eine Generierung benötigen.