Nous utilisons des cookies. Les cookies et le stockage du navigateur vous gardent connecté et mémorisent vos préférences. Avec votre accord, nous mesurons aussi l’utilisation du site. Vous pouvez à tout moment. Consultez notre politique relative aux cookies.

Nouveau ici ? Découvrez comment ça marche Une visite d’une minute du bac à sable, des modèles et de votre clé API.

Gemini Embedding 2 vs Text Embedding 3 Large : prix de l’API, contexte et fonctionnalités · api14

Google: Gemini Embedding 2 contre OpenAI: Text Embedding 3 Large

Un comparatif côte à côte de Google: Gemini Embedding 2 (0,70 $US / 1M jetons (≈ 0,62 €)) et OpenAI: Text Embedding 3 Large (0,45 $US / 1M jetons (≈ 0,41 €)) d’après les prix actuels en USD et les capacités du catalogue api14. Les deux passent par la même API compatible OpenAI.

Caractéristiques

	Google: Gemini Embedding 2	OpenAI: Text Embedding 3 Large
Fournisseur	Google	OpenAI
Entrée	0,70 $US / 1M jetons (≈ 0,62 €)	0,45 $US / 1M jetons (≈ 0,41 €)
Audio en entrée	22,75 $US / 1M jetons (≈ 20,26 €)	-
Visuel	0,000002 $US / visuel (≈ 0,0000014 €)	-
Fenêtre de contexte	8 192	8 192
Sortie max.	7 372	7 372
Entrée	text, image, file, audio, video	text
Sortie	embeddings	embeddings
Appel d’outils
Sortie structurée
Contrôle du raisonnement
Ajouté le	20 mai 2026	30 oct. 2025

Principales différences

OpenAI: Text Embedding 3 Large est 35% moins cher sur les tokens d’entrée.

En détail

Google : Gemini Embedding 2 est un modèle d'embeddings de Google, répertorié sous l'identifiant de modèle google/gemini-embedding-2. OpenAI : Text Embedding 3 Large est un modèle d'embeddings d'OpenAI, répertorié sous l'identifiant de modèle openai/text-embedding-3-large. Les deux appartiennent à la catégorie embeddings, et les deux renvoient des embeddings comme seule sortie, donc aucun n'est un modèle de chat ou de complétion que vous utiliseriez pour générer du texte. Le choix entre eux se résume à ce que vous vectorisez et au prix que vous êtes prêt à payer pour cela.

Les deux modèles partagent la même fenêtre de contexte de 8192 tokens, donc aucun ne vous offre plus de place par requête que l'autre. Là où ils divergent, c'est sur l'entrée. Gemini Embedding 2 accepte le texte, l'image, le fichier, l'audio et la vidéo en entrée, tandis que Text Embedding 3 Large accepte uniquement le texte. Si votre pipeline doit vectoriser autre chose que du texte, Gemini Embedding 2 est celui qui peut le faire, et Text Embedding 3 Large ne peut tout simplement pas prendre cette entrée du tout. Aucun des deux modèles n'expose de paramètres pris en charge dans la fiche, donc vous ne choisissez pas entre eux sur la base de réglages ajustables. Côté prix, Text Embedding 3 Large est le moins cher des deux pour l'entrée, donc les charges de travail uniquement textuelles paient moins cher avec lui.

Pour une charge de travail uniquement textuelle, comme vectoriser des documents, des descriptions de produits, des tickets de support ou des requêtes de recherche, Text Embedding 3 Large est le choix évident : il traite le texte, il partage la même longueur de contexte, et il est moins cher en entrée. Optez pour Gemini Embedding 2 lorsque vos données ne sont pas purement textuelles. Les collections multimédias mixtes, les bibliothèques d'images, les archives audio ou le matériel vidéo entrent tous dans ses modalités d'entrée, et un seul modèle qui couvre ces cas vous évite d'exécuter un pipeline séparé par type de média. Si vous hésitez, commencez par le modèle uniquement textuel pour le texte et passez à Gemini Embedding 2 uniquement là où vous avez réellement une entrée non textuelle à vectoriser.

Appeler l'un ou l'autre modèle via api14 fonctionne de la même manière, car l'API est compatible OpenAI. Vous envoyez votre requête au point de terminaison embeddings avec votre clé api14, et la seule chose qui change entre les deux est la chaîne d'identifiant de modèle. Utilisez google/gemini-embedding-2 pour le modèle de Google et openai/text-embedding-3-large pour celui d'OpenAI. La forme de votre requête, votre bibliothèque cliente et l'analyse de votre réponse restent identiques, donc vous pouvez déplacer une charge de travail textuelle de l'un à l'autre en modifiant ce seul champ, ou router l'entrée non textuelle vers Gemini Embedding 2 tout en gardant le texte sur Text Embedding 3 Large dans le même code.

Il existe un cas où Text Embedding 3 Large reste le meilleur choix même si Gemini Embedding 2 couvre plus de types d'entrée. Si tout ce que vous vectorisez est du texte et que le coût d'entrée compte pour vous, le prix d'entrée moins élevé du modèle OpenAI est une vraie raison de rester avec lui plutôt que de payer pour une capacité multimodale que vous n'appellerez jamais. L'inverse est également vrai : si vous avez une entrée non textuelle, aucun avantage de prix ne rend Text Embedding 3 Large utilisable pour cela, puisque le texte est la seule modalité qu'il accepte. Faites correspondre le modèle aux données que vous avez réellement.

Changer de modèle en une chaîne

Les deux modèles utilisent le même endpoint et la même structure de requête. Remplacez la valeur de model "google/gemini-embedding-2" par "openai/text-embedding-3-large" : prompts, streaming et outils continuent de fonctionner.

Google: Gemini Embedding 2 : détails et bac à sable →OpenAI: Text Embedding 3 Large : détails et bac à sable →

import OpenAI from "openai";

const client = new OpenAI({
  baseURL: "https://api14.com/api/v1",
  apiKey: process.env.API14_API_KEY,
});

const result = await client.embeddings.create({
  "model": "openai/text-embedding-3-large",
  "input": [
    "The quick brown fox",
    "Lorem ipsum"
  ]
});
console.log(result.data.map((d) => d.embedding.length));

Google: Gemini Embedding 2 contre OpenAI: Text Embedding 3 Large

Caractéristiques

Principales différences

En détail

Changer de modèle en une chaîne

Plus de comparatifs