Text Embedding 3 Small
Rede Neural
Text Embedding 3 Small é um modelo de embedding da OpenAI que converte texto em vetores para busca semântica e sistemas RAG.
Especificações
- Entrada
- texto
- Saída
- vetores (embeddings)
- Tamanho do contexto
- 8 192 tokens
- Dimensões do vetor
- 1 536
Custo do prompt
(por 1M tokens)
Como funciona Text Embedding 3 Small?
Text Embedding 3 Small é um modelo vetorial da OpenAI, uma evolução da linha ada: ele codifica texto em vetores numéricos, usados para medir a proximidade semântica entre fragmentos. A comparação não é feita por correspondência de palavras, mas pela distância entre vetores, servindo como base para busca, classificação e ranqueamento. No BotHub, as chamadas são feitas via API compatível com OpenAI: acesso sem restrições, pagamento conforme o uso e mais de 250 modelos disponíveis. É utilizado para busca semântica em bases de documentos, RAG em wikis corporativas, desduplicação e clusterização de solicitações, recomendação de materiais similares e preenchimento de bancos de dados vetoriais como Qdrant ou pgvector.Perguntas frequentes sobre Text Embedding 3 Small
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.
É um modelo de embedding da OpenAI: ele transforma texto em um vetor numérico, facilitando o cálculo da proximidade semântica. Adequado para busca semântica, pipelines RAG, clusterização e classificação de documentos, desduplicação e recomendações. Aceita até 4095 tokens, por isso textos longos são divididos em fragmentos.
O resultado não é texto, mas um vetor de dimensão fixa — um array de números de ponto flutuante. Ele é armazenado em bancos de dados vetoriais como Qdrant ou pgvector e pesquisado por similaridade de cosseno. A solicitação é feita via API BotHub compatível com OpenAI.
Não há indicações de raciocínio antes da resposta em nossos dados. A tarefa do embedder é outra: ele codifica o significado do texto em um vetor, não desenvolve uma cadeia de pensamentos. Se precisar de raciocínio e explicações, conecte um modelo de texto na mesma API — não será necessário reescrever a integração.
Em nossos dados, function calling e saída estruturada não estão marcados. A resposta do modelo de embedding é um vetor, que sua aplicação coloca na estrutura necessária. Para ferramentas e esquemas JSON, é mais conveniente usar um modelo de texto do BotHub, acessando-o pela mesma chave.
A aceitação de outras modalidades além de texto não está marcada em nossos dados: você envia fragmentos de texto e recebe vetores. Se o projeto precisar de imagens, áudio ou vídeo, modelos especializados estão disponíveis no BotHub — eles podem ser conectados no mesmo interface e API.
A família text-embedding-3 da OpenAI foi treinada em dados multilingues, portanto, textos em português são vetorizados corretamente e a busca cross-lingual funciona. A precisão depende da sua área de atuação, então, antes de colocar em produção, execute uma amostra de teste e compare as métricas em seus documentos.