Text Embedding 3 Small
Réseau Neuronal
Text Embedding 3 Small est un modèle d'embedding OpenAI qui convertit le texte en vecteurs pour la recherche sémantique et les systèmes RAG.
Caractéristiques
- Entrée
- texte
- Sortie
- vecteurs (embeddings)
- Taille du contexte
- 8 192 tokens
- Dimensions du vecteur
- 1 536
Coût du prompt
(par 1M tokens)
Comment ça marche Text Embedding 3 Small?
Text Embedding 3 Small est un modèle vectoriel d'OpenAI, évolution de la gamme ada : il encode le texte en vecteurs numériques permettant de mesurer la proximité sémantique des fragments. La comparaison ne se base pas sur la correspondance des mots, mais sur la distance entre les vecteurs, faisant de ce modèle une base pour la recherche, la classification et le classement. Sur BotHub, les appels passent par une API unique compatible OpenAI : accès sans VPN ni carte étrangère, paiement en roubles à l'usage, et plus de 250 modèles disponibles. Il est utilisé pour la recherche sémantique dans des bases de documents, le RAG sur des wikis d'entreprise, la déduplication et le clustering de requêtes, la recommandation de contenus et l'alimentation de bases de données vectorielles comme Qdrant ou pgvector.Questions fréquentes sur Text Embedding 3 Small
Vous pouvez utiliser les résultats générés à des fins commerciales. Tous les droits sur le contenu créé vous appartiennent. Seule restriction : vérifiez que la requête ne contient pas de contenus protégés par le droit d'auteur appartenant à des tiers. Le respect des droits sur les données d'entrée relève de votre responsabilité.
C'est un modèle d'embedding d'OpenAI : il transforme le texte en un vecteur numérique permettant de calculer facilement la proximité sémantique. Il est adapté à la recherche sémantique, aux pipelines RAG, au clustering et à la classification de documents, à la déduplication et aux recommandations. Il accepte jusqu'à 4095 jetons en entrée, les textes longs doivent donc être découpés en fragments.
En sortie, vous n'obtenez pas du texte, mais un vecteur de dimension fixe — un tableau de nombres à virgule flottante. Il est stocké dans des bases de données vectorielles comme Qdrant ou pgvector et recherché par similarité cosinus. La requête passe par l'API unique compatible OpenAI de BotHub.
Il n'y a aucune mention de raisonnement avant réponse dans nos données. La tâche de l'embedder est différente : il encode le sens du texte en vecteur, il ne développe pas de chaîne de pensée. Si vous avez besoin de raisonnements et d'explications, connectez un modèle textuel via la même API — vous n'aurez pas à réécrire l'intégration.
Dans nos données, le function calling et la sortie structurée ne sont pas indiqués. La réponse du modèle d'embedding est un vecteur que votre application place elle-même dans la structure souhaitée. Pour les outils et les schémas JSON, il est préférable d'utiliser un modèle textuel BotHub, en y accédant via la même clé.
La prise en charge d'autres modalités que le texte n'est pas indiquée dans nos données : vous transmettez des fragments de texte et recevez des vecteurs. Si votre projet nécessite des images, de l'audio ou de la vidéo, des modèles spécialisés sont disponibles sur BotHub — vous pouvez les connecter côte à côte dans la même interface et la même API.
La famille text-embedding-3 d'OpenAI a été entraînée sur des données multilingues, les textes en russe sont donc vectorisés correctement et la recherche interlingue fonctionne. La précision dépend toutefois de votre domaine, alors testez un échantillon et comparez les métriques sur vos documents avant la mise en production.