Text Embedding 3 Large API — поиск и цена токенов

Контекст: 8 192токенов
Результат: Векторные представленияформат ответа
Стоимость: Тариф уточняетсяусловия — в блоке подключения

ПОДКЛЮЧЕНИЕ

От модели к первому запросу

Используйте идентификатор модели в совместимом API-клиенте. Полные параметры, ключи и ответы с ошибками описаны в документации.

const response = await client.chat.completions.create({
  model: "openai/text-embedding-3-large",
  messages: [{ role: "user", content: "Ваш запрос" }],
});

Открыть инструкцию по подключению →

ПОДРОБНЫЙ ОБЗОР

Возможности модели

OpenAI называет `text-embedding-3-large` наиболее способной embedding-моделью для английских и неанглийских задач. Embeddings представляют текст числовым вектором и применяются для поиска, кластеризации, рекомендаций, аномалий и классификации. Tokenmost указывает контекст 8 192 токена, текстовый ввод и векторный выход. Preflight проверяет фактический model ID, endpoint embeddings, размерность, параметр dimensions при наличии, нормализацию, usage и предел строки. Векторное пространство нельзя смешивать с другой моделью в одном индексе. Контрольный корпус содержит синонимы ответственности, отрицание, ссылку на приложение, разные языки и почти одинаковые пункты с противоположным смыслом. Документ режется по юридическим блокам с document ID, page и version. Retrieval оценивается по Recall@K, nDCG и критичным пропускам на размеченных запросах. Top-K остаётся списком кандидатов; юрист открывает исходный пункт. Смена модели или размерности требует нового индекса и параллельной проверки, а прямой тариф OpenAI не заменяет цену Tokenmost.

Режьте документ по смыслу

Заголовок, пункт, исключение и ссылка на приложение хранятся вместе. Случайный фиксированный размер может отделить отрицание от условия. Chunk получает документ, редакцию, страницу и стабильный ID для открытия источника.

Создайте размеченные запросы

Юристы формулируют обычные, редкие и двуязычные запросы и отмечают релевантные пункты. Набор включает близкие, но неверные ответы. Без ground truth нельзя понять, улучшился поиск или просто выдаёт убедительные совпадения.

Храните версию вектора

Индекс записывает model ID, dimensions, preprocessing и дату. Новый embedding не дописывается к старым векторам. Перестроение выполняется в отдельной коллекции с возможностью сравнить и откатить переключение.

Добавьте rerank и review осознанно

Embedding формирует кандидатов, затем при необходимости применяется reranker. Правовое значение подтверждает специалист по исходнику. Считайте качество каждого этапа отдельно, чтобы rerank не скрывал слабое первичное извлечение.

Токены и цена найденного пункта

В бюджет входят индексация, обновления, запросы, повторное построение и проверка. Выходные векторы имеют собственную тарифную логику. Сравнивайте стоимость релевантного пункта в top-K по биллингу Tokenmost и объёму корпуса.

Вопросы и ответы

Что возвращает Text Embedding 3 Large?

Числовой вектор, а не готовый текстовый ответ.

Какой контекст указан?

8 192 токена в карточке Tokenmost.

Можно смешивать векторы разных моделей?

Нет, для нового пространства создают отдельный индекс.

Модель даёт юридическое заключение?

Нет, она помогает найти кандидатов, которые проверяет юрист.

Как оценивать цену?

По найденному релевантному пункту с учётом индексации и обновлений.