Text Embedding 3 Large
Red Neuronal
text-embedding-3-large: modelo de embeddings de OpenAI para búsqueda semántica, RAG y agrupación de textos.
Características
- Entrada
- texto
- Salida
- vectores (embeddings)
- Tamaño del contexto
- 8 192 tokens
- Dimensiones del vector
- 3 072
Costo del prompt
(por 1M tokens)
Cómo funciona Text Embedding 3 Large?
text-embedding-3-large es un modelo de embeddings de OpenAI que convierte texto en vectores numéricos: cuanto más cercanos estén los vectores, más similar será el significado de los fragmentos. El modelo funciona con textos en varios idiomas y la proximidad se calcula mediante la medida de coseno, base de la búsqueda semántica, no por coincidencia de palabras. En BotHub, se conecta a través de una API compatible con OpenAI sin VPN ni tarjetas extranjeras, con pago mediante tarjetas rusas y cifrado AES-GCM. Almacena los vectores en Qdrant o pgvector para búsqueda semántica en documentación, RAG sobre bases de conocimiento, agrupación y deduplicación de tickets, recomendaciones de materiales y clasificación. Para equipos: contrato, factura y límites.Preguntas frecuentes sobre Text Embedding 3 Large
Puede usar los resultados generados con fines comerciales. Todos los derechos sobre el contenido creado le pertenecen. La única restricción: asegúrese de que la solicitud no incluya material de terceros protegido por derechos de autor. El usuario es responsable de respetar los derechos sobre los datos de entrada.
El modelo de OpenAI convierte texto en vectores numéricos para calcular la similitud semántica. Es ideal para búsqueda semántica, sistemas RAG sobre su base de conocimientos, agrupación y deduplicación de documentos, clasificación de tickets y recomendaciones. Contexto: 4095 tokens por fragmento.
La salida no es texto, sino una matriz de números de punto flotante: una representación vectorial del fragmento de entrada. Este vector se almacena directamente en Qdrant, pgvector, Milvus o cualquier otro almacenamiento vectorial, y la proximidad se calcula mediante la distancia de coseno.
Es un modelo de embeddings, no un modelo de chat: no mantiene diálogos ni construye cadenas de razonamiento, sino que codifica el significado del texto en un vector. La lógica de razonamiento debe construirse a nivel de pipeline: búsqueda por vectores y luego respuesta mediante un modelo generativo a través de la misma API de BotHub.
Nuestros datos no indican esto; por naturaleza, un modelo de embeddings devuelve un vector, no una estructura arbitraria. Sin embargo, la respuesta de la API llega en formato JSON estándar compatible con OpenAI, por lo que es fácil integrarlo en el código existente.
Nuestros datos no indican la aceptación de archivos distintos al texto; el modelo está diseñado para fragmentos de texto. Si necesita trabajar con otras modalidades, en BotHub hay modelos multimodales disponibles a través de la misma API compatible con OpenAI, y el cambio no requerirá reescribir la integración.
La línea de embeddings de OpenAI se entrenó con datos multilingües y el ruso está incluido: las frases rusas con significados similares obtienen vectores cercanos. Antes de lanzar, verifique la calidad con su propia muestra; el resultado depende del dominio, la longitud de los fragmentos y el método de segmentación de documentos.