用语义连接不同表达
模型把文本内容映射为数字向量，为相似度检索提供基础。用户提问与资料即使措辞不同，也可以通过向量比较寻找相关内容。它负责语义表示，检索排序、过滤条件和最终答案仍由应用完成，适合与关键词检索配合使用。
Overview
API
Pricing
规格与接口特性
在选型前明确容量、输入输出与调用方式。
- 模型类型
- 文本嵌入；输出语义向量，不生成回答
- 调用入口
- POST /openai/embeddings；model=text-embedding-3-small
- 输入形式
- 非空文本、文本数组、非负整数 token 数组或其批次
- 批次规模
- 文本批次或 token 数组批次最多 2048 项
- 维度控制
- dimensions 可缩短向量；不指定时输出完整维度
- 输出编码
- float 或 base64，默认 float；结果附带 index 与 token 用量
维度缩短属于模型原生能力；上述输入形式、批次规模与返回编码对应本平台的调用入口。
核心能力
了解 text-embedding-3-small 能为你的工作带来什么。
兼顾多语言检索任务
官方发布评测中，text-embedding-3-small 的 MIRACL 平均分为 44.0%，高于 ada-002 的 31.4%；MTEB 平均分为 62.3%。这些结果体现了相较旧版的检索改进，但具体语言、行业术语和文本切分方式仍会影响业务表现。
按检索需求调整维度
通过 dimensions 可以缩短输出向量，减少每条记录的数字数量，便于权衡向量库空间和计算开销。不指定时输出完整维度。缩短后应重新评估召回效果，并让资料向量与查询向量采用相同模型、相同维度配置。
适用场景
从具体任务出发，找到模型发挥作用的位置。
知识库召回
将产品手册、帮助文档或内部制度先提取为文本并分段，再批量生成向量写入检索库。提问时对问题生成向量，查找相关段落，交付给回答模型作为参考。该型号承担资料召回环节，不直接产出带引用的知识库答案。
相似内容查找
把客服工单、问题标题或商品说明转换为向量，比较新内容与已有记录的相似度，返回候选列表。可用于寻找相似故障、关联历史处理案例或发现近似描述；是否重复、是否可合并，应结合业务规则和人工审核判断。
文本聚类与主题整理
将反馈、评论或短文批量向量化，再使用聚类算法整理内容群组，交付主题簇和代表性文本。应用可利用返回的 index 对齐原始记录，便于回看每组内容。模型提供向量表示，主题命名与总结需另行完成。
如何选择这个模型
结合任务复杂度、输入材料与预期结果选择。
新建系统优先评估 small
如果目标是日常语义搜索、相似文本匹配或知识库召回，可以先用 small 建立基线。相较 ada-002，它在官方发布时的多语言检索和英语任务评测中表现更好，并支持维度缩短。已有旧版索引迁移时，应重新生成资料向量，不要直接混用不同模型的结果。
精度优先时比较 large
若业务对召回精度更敏感，可将 small 与 text-embedding-3-large 放在同一测试集上比较。官方发布评测中的 large 得分更高，但不代表每项业务都有同样收益。建议结合实际问题、相关段落标注和索引配置，判断增强效果是否值得采用更大的模型。
开始使用
从一次小规模任务到正式接入。
准备任务与材料
明确目标、必要输入与输出要求，使用真实业务样例作为起点。
在 API 调试区试用
打开试用页，确认此入口支持的参数，再提交小规模任务查看结果。
按 API 文档接入
保留完整模型 ID，使用文档规定的请求格式，并在 Pricing 页确认计费规则。
使用边界
在正式使用前，了解输出质量与能力范围。
- 它输出的是数字向量，不会直接生成自然语言回答，也不会自动建立向量库、运行聚类或完成检索。完整应用仍需文本处理、存储与相似度计算等环节，RAG 场景还需另外的回答模型。
- 输入应为非空文本或符合要求的 token 数组，不能把 PDF 文件直接当作文本提交。批次最多 2048 项指输入项数量，不代表任意长度的文档都可一次处理；长文宜先提取正文并按语义切分。
- dimensions 不是越小越好，也不能理解为可任意扩展向量。调整维度或更换模型后，应同步更新索引配置和资料向量；检索效果需要用真实查询验证，不能用评测平均分代替业务验收。
常见问题
解答使用 text-embedding-3-small 时的常见疑问。
text-embedding-3-small 能直接回答问题吗？
不能。它把问题或资料转换为向量，供应用比较语义相似度。知识库问答通常先用它召回相关段落，再交给回答模型组织答案；仅调用嵌入接口得到的是向量，而不是解释、摘要或对话回复。
与 text-embedding-ada-002 有什么区别？
它是第三代嵌入模型，不是 ada-002 的别名。官方发布评测显示其多语言检索与英语任务平均分更高，并支持通过 dimensions 缩短向量。迁移时应重建资料向量，避免把两种模型的结果放在同一空间比较。
什么时候应该选择 text-embedding-3-large？
当召回精度比轻量化更重要时，值得比较 large。它在同次官方发布评测中得分更高，但选择仍应依据自己的问题集与资料库。可以先建立 small 基线，再评估 large 是否改善关键问题的相关段落召回。
如何批量提交并对应返回结果？
向 POST /openai/embeddings 提交 model 和 input，input 可使用文本数组或 token 数组批次，最多 2048 项。返回 data 中的每项包含 index 和 embedding，可按 index 对齐原始输入，并从 usage 查看 token 用量。
dimensions 和 encoding_format 分别控制什么？
dimensions 控制向量缩短，不指定时输出完整维度；encoding_format 控制返回表示，可选 float 或 base64，默认 float。前者需要评估检索效果，后者用于适配数据处理方式，不能把编码选择理解为模型精度等级。
模型资料 · 更新日期：2026-10-01。调用参数与计费规则请查看 API 和定价栏目。
Input
$0.0027per 1M tokens
Official $0.02
−87%vs official
Top-up
You pay$13,584for 142,800 credits · $0.0951 / credits
You're billed in credits. Pick a top-up tier to see its per-credit rate — the larger the top-up, the cheaper each credit.
Quickstart
Try the API
API Key
Please obtain an API Key first
Your API key is pre-filled in the snippet — copy and run it in your terminal or IDE.
This is only a basic call example. See the full docs for more parameters and advanced usage.