Text Embedding 3 Large
Rede Neural
text-embedding-3-large é um modelo de embedding da OpenAI para busca semântica, RAG e agrupamento de textos.
Especificações
- Entrada
- texto
- Saída
- vetores (embeddings)
- Tamanho do contexto
- 8 192 tokens
- Dimensões do vetor
- 3 072
Custo do prompt
(por 1M tokens)
Como funciona Text Embedding 3 Large?
text-embedding-3-large é um modelo de embedding da OpenAI que traduz texto em um vetor numérico: quanto mais próximos os vetores, mais próximo o significado dos fragmentos originais. O modelo funciona com textos em vários idiomas, e a proximidade dos vetores é calculada pela medida de cosseno — a base da busca semântica, não por correspondência de palavras. No BotHub, ele é conectado via API compatível com OpenAI sem VPN ou cartão estrangeiro, com pagamento via cartões locais e criptografia AES-GCM. Armazene vetores prontos no Qdrant ou pgvector: busca semântica em documentação, RAG sobre base de conhecimento, agrupamento e desduplicação de solicitações, recomendações de materiais similares, classificação de tickets. Para equipes — contrato, fatura e limites.Perguntas frequentes sobre Text Embedding 3 Large
Você pode usar os resultados da geração para fins comerciais. Todos os direitos sobre o conteúdo criado pertencem a você. A única restrição: certifique-se de que a solicitação não inclua materiais de terceiros protegidos por direitos autorais. A responsabilidade pelo cumprimento dos direitos sobre os dados de entrada é do usuário.
O modelo da OpenAI transforma texto em vetores numéricos, pelos quais é possível calcular a proximidade semântica. Adequado para busca semântica, sistemas RAG sobre sua base de conhecimento, agrupamento e desduplicação de documentos, classificação de solicitações e recomendações. Contexto — 4095 tokens por fragmento.
Na saída, você não recebe texto, mas um array de números de ponto flutuante — uma representação vetorial do fragmento de entrada. Esse vetor é colocado diretamente no Qdrant, pgvector, Milvus ou qualquer outro armazenamento vetorial, e a proximidade é calculada via distância de cosseno.
Este é um modelo de embedding, não um modelo de chat: ele não conduz diálogos nem constrói cadeias de raciocínio, mas codifica o significado do texto em um vetor. Construa a lógica de raciocínio no nível do pipeline — busca por vetores e, em seguida, resposta por um modelo generativo através da mesma API do BotHub.
Em nossos dados, tais marcações não existem e, por natureza, um modelo de embedding retorna um vetor, não uma estrutura arbitrária. No entanto, a resposta da API chega em formato JSON padrão, compatível com OpenAI, portanto, integrá-lo ao código existente não é difícil.
Em nossos dados, a aceitação de arquivos além de texto não está marcada — o modelo é projetado para fragmentos de texto. Se você precisar trabalhar com outras modalidades, modelos multimodais estão disponíveis no BotHub via API compatível com OpenAI, e a troca não exigirá reescrever a integração.
A linha de embeddings da OpenAI foi treinada em dados multilíngues, e o português está presente nela: frases em português com significados próximos recebem vetores próximos. Antes de iniciar, verifique a qualidade em sua amostra — o resultado depende do domínio, do comprimento dos fragmentos e do método de segmentação dos documentos.