OpenAI: Text Embedding 3 Small

OpenAI : Text Embedding 3 Small est un modèle d'embedding d'OpenAI, référencé sur api14 sous l'identifiant de modèle openai/text-embedding-3-small. Il appartient à la catégorie des embeddings, et OpenAI le décrit comme une version améliorée et plus performante du modèle d'embedding ada. Plutôt que de générer des réponses de chat, il produit des embeddings, qui sont des représentations numériques de texte utilisées pour mesurer le degré de parenté entre deux extraits de texte.

Le modèle accepte le texte comme unique modalité d'entrée et renvoie des embeddings comme unique modalité de sortie, ce qui le destine aux pipelines où l'on convertit des chaînes en vecteurs plutôt qu'aux systèmes conversationnels. Sa longueur de contexte est de 8192 tokens, ce qui fixe la limite maximale de texte qu'une seule requête peut couvrir avant qu'il faille le découper. Les détails indiquent aussi une sortie maximale de 7372, un chiffre utile à garder en tête lorsqu'on décide comment découper des documents plus longs.

Les usages pratiques découlent directement de cette forme. Comme les embeddings permettent de mesurer la parenté entre des textes, le modèle convient à la recherche sémantique, où l'on calcule l'embedding d'une requête et d'un corpus puis classe les documents par similarité. La génération augmentée par récupération est un autre cas d'usage courant, puisqu'une couche de récupération fondée sur les embeddings peut alimenter un modèle de génération distinct avec les passages pertinents. Cette même propriété prend en charge le clustering et le regroupement thématique sur de grandes collections de textes, la déduplication de contenus quasi identiques, la classification lorsqu'on entraîne un classifieur léger au-dessus des vecteurs, ainsi que les fonctionnalités de recommandation ou de similarité qui comparent des éléments par leurs descriptions textuelles. Le contexte de 8192 tokens signifie que chaque entrée peut être un passage substantiel, et pas seulement une phrase isolée, ce qui aide lorsqu'on calcule l'embedding de sections entières plutôt que de lignes isolées.

Vous appelez le modèle via l'API compatible OpenAI d'api14 en utilisant l'identifiant de modèle openai/text-embedding-3-small. Comme l'interface suit le format OpenAI, les bibliothèques clientes OpenAI existantes et le code ciblant le point de terminaison embeddings peuvent pointer vers api14 avec un minimum de modifications. La liste des paramètres pris en charge par le modèle est vide, donc aucun paramètre de requête supplémentaire n'est documenté au-delà de la structure de requête standard pour un appel d'embeddings : vous fournissez l'identifiant de modèle et le texte d'entrée, et vous recevez le vecteur en sortie. Tout réglage souhaité, comme la façon de découper le texte ou de comparer les vecteurs obtenus, se fait dans votre propre pipeline plutôt que via des paramètres du modèle.

Comme il ne gère que du texte en entrée et des embeddings en sortie, ce modèle n'est pas le bon choix lorsqu'il vous faut du texte généré, des appels d'outils ou un comportement conversationnel quelconque ; un modèle de chat ou de complétion couvre ces cas. C'est aussi un modèle d'embedding avec une fenêtre de contexte fixe, donc les documents très longs doivent tout de même être découpés avant l'embedding. Dans ces limites, c'est un choix par défaut raisonnable pour les équipes qui veulent un petit modèle d'embedding OpenAI récent derrière un point de terminaison compatible OpenAI.