OpenAI: Text Embedding 3 Large (batch)

OpenAI : Text Embedding 3 Large (batch) est un modèle d'embedding d'OpenAI. Il appartient à la catégorie des embeddings, et OpenAI décrit text-embedding-3-large comme son modèle d'embedding le plus performant pour les tâches en anglais et dans d'autres langues. La variante batch exposée sur api14 utilise l'identifiant de modèle openai/text-embedding-3-large:batch et a été publiée par le fournisseur le 2025-10-30.

Le modèle prend du texte en entrée et renvoie des embeddings en sortie. Un embedding est une représentation numérique d'un texte qui peut servir à mesurer la proximité entre deux extraits de texte. La fenêtre de contexte est de 8192 tokens, et la sortie maximale est de 7372, ce qui reflète la taille du vecteur produit par le modèle plutôt que du texte généré. Il n'y a pas de génération de texte ici : vous envoyez du texte et vous récupérez des vecteurs.

Comme il renvoie des vecteurs plutôt que des réponses, les usages pratiques découlent de la comparaison de ces vecteurs. La recherche sémantique est l'application évidente : calculez l'embedding de vos documents et de votre requête, puis classez les documents par similarité. Le même mécanisme prend en charge la récupération pour les pipelines RAG, où les embeddings sélectionnent les passages qu'un modèle de génération distinct lira. Le clustering et la découverte de thèmes fonctionnent en regroupant les textes dont les embeddings sont proches. La déduplication et la détection de quasi-doublons utilisent les mêmes comparaisons de distance, et la classification peut se faire en calculant l'embedding d'exemples étiquetés puis en affectant les nouveaux textes au groupe le plus proche. La force annoncée sur les tâches en anglais et dans d'autres langues en fait un choix raisonnable pour les corpus multilingues, et la fenêtre de 8192 tokens permet de traiter des passages assez longs en un seul appel au lieu de les découper.

Vous l'appelez via l'API compatible OpenAI d'api14 en utilisant l'identifiant de modèle openai/text-embedding-3-large:batch. Comme l'interface est compatible OpenAI, vous pouvez pointer un client OpenAI existant vers l'URL de base d'api14 et envoyer votre entrée comme vous le feriez normalement vers un endpoint d'embeddings. Notez que ce modèle ne liste aucun paramètre pris en charge au-delà des champs de requête standard, donc ne vous attendez pas à des réglages tels que des dimensions personnalisées ou des options propres au fournisseur ; consultez le tableau des prix en direct sur la page pour les tarifs actuels plutôt que de supposer un prix quelconque ici.

Une limite à anticiper concerne le côté entrée. Le texte est la seule modalité acceptée, donc les images, l'audio et les autres formats nécessitent un autre modèle ou une étape de prétraitement. Le modèle produit aussi uniquement des embeddings, il ne peut donc pas résumer, répondre à des questions ou suivre des instructions ; associez-le à un modèle de génération lorsque vous avez besoin de ces fonctions. Si votre tâche relève de la génération, du raisonnement ou de l'utilisation d'outils plutôt que de la similarité et de la récupération, un autre modèle du catalogue conviendra mieux.