OpenAI: Text Embedding 3 Large

OpenAI: Text Embedding 3 Large é um modelo de embedding da OpenAI, listado em api14 sob o id de modelo openai/text-embedding-3-large. Ele fica na categoria de embeddings e não na categoria de chat, o que significa que foi criado para transformar texto em vetores e não para gerar respostas conversacionais. A OpenAI descreve o text-embedding-3-large como seu modelo de embedding mais capaz tanto para tarefas em inglês quanto em outros idiomas.

O modelo recebe texto como sua única entrada e retorna embeddings como saída: representações numéricas de texto que podem ser usadas para medir a relação entre dois trechos de texto. Ele suporta um comprimento de contexto de 8192 tokens, e sua saída máxima é 7372. Nenhum parâmetro de requisição adicional é suportado para este modelo, então não há opções de ajuste além do que o próprio endpoint de embeddings aceita.

Como a saída é um vetor e não texto corrido, os usos práticos decorrem da comparação desses vetores. Encaixes típicos incluem busca semântica, em que você gera embeddings de uma consulta e de um corpus e classifica documentos por similaridade; recuperação para um pipeline de RAG, em que os embeddings decidem quais passagens alimentar um modelo de chat; agrupamento ou deduplicação de grandes coleções de texto; classificação e roteamento pelo exemplo mais próximo; e pontuação de recomendação ou de relação entre duas passagens. A observação do provedor de que o modelo lida tanto com tarefas em inglês quanto em outros idiomas o torna uma escolha razoável para corpora multilíngues em que você quer um único espaço de embedding entre idiomas.

Para chamá-lo através do api14, use a API compatível com OpenAI com o id de modelo openai/text-embedding-3-large. Envie seu texto para o endpoint de embeddings da mesma forma que você faria diretamente contra a OpenAI, e leia os vetores de volta a partir da resposta. Como supported_parameters está vazio, você não deve esperar passar opções extras como dimensions ou encoding format através deste gateway; mantenha as requisições restritas ao texto que você quer transformar em embedding.

Os principais limites a ter em mente são a modalidade de entrada e o comprimento de contexto. Apenas texto entra, então imagens, áudio e outros formatos estão fora do escopo deste modelo. Qualquer entrada única deve caber dentro de 8192 tokens, o que significa que documentos longos precisam ser divididos antes do embedding. E como ele produz embeddings e não texto, ele não consegue responder perguntas nem escrever conteúdo por conta própria; combine-o com um modelo de chat quando você precisar de geração sobre a recuperação.