Text Embedding 3 Small API — база знаний и токены

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-small",
  messages: [{ role: "user", content: "Ваш запрос" }],
});

Открыть инструкцию по подключению →

ПОДРОБНЫЙ ОБЗОР

Возможности модели

OpenAI называет `text-embedding-3-small` улучшенной и более производительной версией ada embedding model. Embeddings используются для измерения смысловой близости, поиска, кластеризации, рекомендаций, аномалий и классификации. Tokenmost показывает текстовый ввод, векторный выход и контекст 8 192 токена. Preflight проверяет model ID, endpoint, размерность, поддержку параметра dimensions, нормализацию, usage и максимальный размер элемента. Индекс не смешивает векторы Small, Large или Ada. Контрольная база содержит короткие инструкции, похожие названия функций, отменённую статью, отрицание и вопрос без ответа. Chunk хранит article ID, revision, заголовок и статус публикации. Поисковый benchmark измеряет Recall@K, MRR, долю устаревших результатов и время. Векторная близость не является доказательством правильности ответа: downstream получает только действующие статьи и цитирует их. При миграции создаётся отдельная коллекция, выполняется двойное чтение и переключение с rollback. Цена прямого OpenAI API не подменяет тариф Tokenmost.

Подготовьте короткие самостоятельные chunks

Каждый фрагмент должен сохранять условие, действие и исключение. Заголовок и контекст раздела добавляются явно. Разрез внутри отрицания или списка шагов создаёт вектор, который похож на запрос, но ведёт к опасно неполному ответу.

Отфильтруйте недействующие версии

Published status, revision и valid-to применяются до выдачи генератору. Старые статьи можно хранить для аудита, но они не участвуют в обычном поиске. Модель embeddings не знает, какая инструкция утверждена сегодня.

Разметьте реальные запросы

Операторы отмечают релевантные документы для частых, редких и двусмысленных формулировок. Набор включает вопрос, на который базы недостаточно. Хорошая система должна вернуть низкую уверенность, а не всегда находить ближайший текст.

Настройте порог и top-K

Порог выбирается по benchmark, а не по удобному круглому числу. Слишком низкий добавляет шум, слишком высокий пропускает перефразирование. Reranker и генератор оцениваются отдельно, чтобы не приписывать им качество embedding.

Токены и цена полезного поиска

В бюджет входят первичная индексация, обновления, запросы, хранение и периодическая переоценка. Выход — векторы, не текстовые токены ответа. Сравнивайте стоимость запроса с релевантной статьёй в top-K по биллингу Tokenmost.

Вопросы и ответы

Что возвращает Text Embedding 3 Small?

Числовой вектор для поиска и сравнения текстов.

Какой контекст указан?

8 192 токена в карточке Tokenmost.

Чем Small отличается от Ada?

OpenAI называет Small улучшенной и более производительной версией ada.

Можно генерировать ответ этой моделью?

Нет, embedding-модель формирует вектор; ответ создаёт другой этап.

Как считать цену?

По поисковому запросу с релевантным результатом, включая индексацию.