OpenAI: Text Embedding 3 Large

OpenAI : Text Embedding 3 Large est un modèle d'embedding d'OpenAI, listé sur api14 sous l'identifiant de modèle openai/text-embedding-3-large. Il se situe dans la catégorie embeddings plutôt que dans la catégorie chat, ce qui signifie qu'il est conçu pour transformer du texte en vecteurs plutôt que pour générer des réponses conversationnelles. OpenAI décrit text-embedding-3-large comme son modèle d'embedding le plus performant pour les tâches en anglais et hors anglais.

Le modèle prend du texte comme seule entrée et renvoie des embeddings comme sortie : des représentations numériques de texte qui peuvent être utilisées pour mesurer la proximité entre deux extraits de texte. Il prend en charge une longueur de contexte de 8192 tokens, et sa sortie maximale est de 7372. Aucun paramètre de requête supplémentaire n'est pris en charge pour ce modèle, il n'y a donc aucun réglage au-delà de ce que l'endpoint d'embedding lui-même accepte.

Comme la sortie est un vecteur plutôt que de la prose, les usages pratiques découlent de la comparaison de ces vecteurs. Les cas typiques incluent la recherche sémantique, où vous générez l'embedding d'une requête et d'un corpus puis classez les documents par similarité ; la récupération pour un pipeline RAG, où les embeddings déterminent quels passages fournir à un modèle de chat ; le clustering ou la déduplication de grandes collections de textes ; la classification et le routage par exemple le plus proche ; et le calcul de recommandation ou de score de proximité entre deux passages. La note du fournisseur indiquant que le modèle gère les tâches en anglais et hors anglais en fait un choix raisonnable pour les corpus multilingues où vous voulez un seul espace d'embedding pour toutes les langues.

Pour l'appeler via api14, utilisez l'API compatible OpenAI avec l'identifiant de modèle openai/text-embedding-3-large. Envoyez votre texte à l'endpoint d'embeddings de la même manière que vous le feriez directement contre OpenAI, et récupérez les vecteurs dans la réponse. Comme supported_parameters est vide, vous ne devez pas vous attendre à pouvoir passer des options supplémentaires telles que dimensions ou encoding format via cette passerelle ; limitez les requêtes au texte que vous voulez transformer en embedding.

Les principales limites à garder en tête sont la modalité d'entrée et la longueur de contexte. Seul le texte est accepté, donc les images, l'audio et les autres formats sont hors de portée pour ce modèle. Toute entrée unique doit tenir dans 8192 tokens, ce qui signifie que les documents longs doivent être découpés avant la génération de l'embedding. Et comme il produit des embeddings plutôt que du texte, il ne peut pas répondre à des questions ni rédiger de contenu par lui-même ; associez-le à un modèle de chat lorsque vous avez besoin de génération en plus de la récupération.