OpenAI: Text Embedding 3 Large (batch)

OpenAI: Text Embedding 3 Large (batch) es un modelo de embeddings de OpenAI. Se sitúa en la categoría de embeddings, y OpenAI describe text-embedding-3-large como su modelo de embeddings más capaz tanto para tareas en inglés como en otros idiomas. La variante por lotes expuesta en api14 usa el id de modelo openai/text-embedding-3-large:batch y fue lanzada por el proveedor el 2025-10-30.

El modelo toma texto como entrada y devuelve embeddings como salida. Un embedding es una representación numérica de texto que puede usarse para medir la relación entre dos fragmentos de texto. La ventana de contexto es de 8192 tokens, y la salida máxima es 7372, lo que refleja el tamaño del vector que produce el modelo en lugar de prosa generada. Aquí no hay generación de texto: envías texto y recibes vectores.

Como devuelve vectores en lugar de respuestas, los usos prácticos se derivan de comparar esos vectores. La búsqueda semántica es la más obvia: genera embeddings de tus documentos y de tu consulta, luego clasifica los documentos por similitud. El mismo mecanismo sirve para la recuperación en canalizaciones RAG, donde los embeddings seleccionan los pasajes que leerá un modelo de generación aparte. El agrupamiento y el descubrimiento de temas funcionan agrupando textos cuyos embeddings quedan cerca entre sí. La deduplicación y la detección de casi duplicados usan las mismas comparaciones de distancia, y la clasificación puede hacerse generando embeddings de ejemplos etiquetados y asignando los textos nuevos al grupo más cercano. La fortaleza declarada en tareas en inglés y otros idiomas lo convierte en una opción razonable para corpus multilingües, y la ventana de 8192 tokens permite generar embeddings de pasajes bastante largos en una sola llamada en lugar de dividirlos.

Lo llamas a través de la API compatible con OpenAI de api14 usando el id de modelo openai/text-embedding-3-large:batch. Como la interfaz es compatible con OpenAI, puedes apuntar un cliente de OpenAI existente a la URL base de api14 y enviar tu entrada como lo harías normalmente a un endpoint de embeddings. Ten en cuenta que este modelo no lista parámetros admitidos más allá de los campos de solicitud estándar, así que no esperes ajustes como dimensiones personalizadas u opciones específicas del proveedor; consulta la tabla de precios en vivo en la página para tarifas actuales en lugar de asumir cualquier precio aquí.

Un límite que conviene planificar es el lado de la entrada. El texto es la única modalidad aceptada, así que imágenes, audio y otros formatos necesitan un modelo diferente o un paso de preprocesamiento. El modelo además solo produce embeddings, así que no puede resumir, responder preguntas ni seguir instrucciones; combínalo con un modelo de generación cuando necesites eso. Si tu tarea es generación, razonamiento o uso de herramientas en lugar de similitud y recuperación, otro modelo del catálogo encajará mejor.