OpenAI: Text Embedding 3 Large

OpenAI: Text Embedding 3 Large är en inbäddningsmodell från OpenAI, listad på api14 under modell-id openai/text-embedding-3-large. Den ligger i kategorin embeddings snarare än kategorin chat, vilket innebär att den är byggd för att omvandla text till vektorer snarare än att generera konversationssvar. OpenAI beskriver text-embedding-3-large som sin mest kapabla inbäddningsmodell för både engelska och icke-engelska uppgifter.

Modellen tar text som enda indata och returnerar inbäddningar som utdata: numeriska representationer av text som kan användas för att mäta släktskapet mellan två textstycken. Den stöder en kontextlängd på 8192 tokens, och dess maximala utdata är 7372. Inga ytterligare begärandeparametrar stöds för denna modell, så det finns inga justeringsrattar utöver vad själva inbäddningsslutpunkten accepterar.

Eftersom utdata är en vektor snarare än prosa följer de praktiska användningsområdena av att jämföra dessa vektorer. Typiska tillämpningar inkluderar semantisk sökning, där du bäddar in en fråga och en korpus och rangordnar dokument efter likhet; hämtning för en RAG-pipeline, där inbäddningar avgör vilka avsnitt som matas till en chattmodell; klustring eller avduplicering av stora textsamlingar; klassificering och dirigering efter närmaste exempel; samt rekommendations- eller släktskapspoäng mellan två stycken. Leverantörens notering att modellen hanterar både engelska och icke-engelska uppgifter gör den till ett rimligt val för flerspråkiga korpusar där du vill ha ett enda inbäddningsutrymme över språkgränserna.

För att anropa den via api14, använd det OpenAI-kompatibla API:et med modell-id openai/text-embedding-3-large. Skicka din text till inbäddningsslutpunkten på samma sätt som du skulle göra direkt mot OpenAI, och läs tillbaka vektorerna från svaret. Eftersom supported_parameters är tom bör du inte förvänta dig att kunna skicka extra alternativ såsom dimensions eller encoding format genom denna gateway; håll begärandena till den text du vill bädda in.

De främsta begränsningarna att ha i åtanke är indatamodaliteten och kontextlängden. Endast text går in, så bilder, ljud och andra format ligger utanför denna modells omfång. Varje enskild indata måste rymmas inom 8192 tokens, vilket innebär att långa dokument måste delas upp före inbäddning. Och eftersom den producerar inbäddningar snarare än text kan den inte svara på frågor eller skriva innehåll på egen hand; kombinera den med en chattmodell när du behöver generering ovanpå hämtning.