嵌入（Embeddings）API 指南

概述

新模型发布

text-embedding-3-small

text-embedding-3-large
特点：更低成本、更好的多语言性能、可控制维度

主要应用场景

🔍 搜索（相关性排序）

📊 聚类（相似性分组）

👍 推荐系统

⚠️ 异常检测

📈 多样性分析

🏷️ 文本分类

基础使用

获取嵌入向量

响应格式

{
  "object": "list",
  "data": [
    {
      "object": "embedding",
      "index": 0,
      "embedding": [
        -0.006929283495992422,
        -0.005336422007530928,
        // ... 更多数值
      ],
    }
  ],
  "model": "text-embedding-3-small",
  "usage": {
    "prompt_tokens": 5,
    "total_tokens": 5
  }
}

模型对比

模型	每美元页面数	MTEB性能评估	最大输入
text-embedding-3-small	62,500	62.3%	8191
text-embedding-3-large	9,615	64.6%	8191
text-embedding-ada-002	12,500	61.0%	8191

实际应用示例

处理评论数据

技术细节

维度说明

text-embedding-3-small: 默认 1536 维

text-embedding-3-large: 默认 3072 维

可通过 Dimensions 参数调整维度

注意事项

计费基于输入令牌数

每页约 800 个令牌

所有模型最大输入均为 8191 个令牌

Python 使用 Embeddings 向量化

嵌入（Embeddings）API 指南#

概述#

新模型发布#

主要应用场景#

基础使用#

获取嵌入向量#

响应格式#

模型对比#

实际应用示例#

处理评论数据#

技术细节#

维度说明#

注意事项#