Text Embedding 3 Small Batch — база поддержки и цена

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

Открыть инструкцию по подключению →

ПОДРОБНЫЙ ОБЗОР

Возможности модели

OpenAI описывает `text-embedding-3-small` как малую embedding-модель для преобразования текста в векторы. Tokenmost показывает `openai/text-embedding-3-small:batch`, text input, embeddings output и окно 8 192 токена. Суффикс маршрута не доказывает конкретный SLA или скидку прямого поставщика; проверяются формат файла, предел строк, dimensions, usage, состояния задания и политика повторов. База поддержки содержит статьи, troubleshooting steps, release notes и ответы с разным сроком действия. Перед индексацией удаляются навигация и повторяющиеся футеры, но сохраняются версия продукта, платформа и предупреждения. Каждый chunk получает source URL, revision, locale и access scope. Новая редакция создаёт новую запись, а старую деактивирует после успешного построения. Benchmark включает короткие пользовательские формулировки, опечатки, разные ОС и вопросы, для которых статьи нет. Для каждого запроса отмечается правильный источник и допустимый fallback. Большой объём не оправдывает низкую точность: Small сравнивается с Large на одинаковом наборе и одинаковом downstream reranker.

Очищайте шаблонный шум

Меню, cookie-текст и повторный footer не должны доминировать в векторах. При этом заголовок раздела и версия продукта добавляются к фрагменту. Очистка фиксируется хэшем, чтобы изменение preprocessing не прошло незаметно.

Обновляйте только изменившиеся статьи

Crawler сравнивает revision и checksum. Неизменённые документы не отправляются повторно, удалённые получают tombstone. Batch job хранит перечень принятых ID и отдельную очередь ошибок, что делает обновление воспроизводимым.

Проверяйте фильтры до similarity

Язык, продукт, версия и права доступа сужают кандидатов до векторного ранжирования. Иначе близкая инструкция для другой ОС может выглядеть убедительно. Фильтры и индекс тестируются вместе, а не как независимые компоненты.

Сравните Small и Large честно

Одинаковый корпус, queries, chunking и оценщики позволяют измерить реальную разницу. Считайте Recall@K, критичные промахи, latency и стоимость обновления. Более крупная модель выбирается лишь при заметной пользе для поддержки.

Считайте цену решённого поиска

Включите пакетную индексацию, ежедневные изменения, запросы, reranking, хранение и проверку выборки. Итоговая метрика — стоимость поиска, после которого пользователь открыл верную статью. Динамический тариф показывает Tokenmost.

Вопросы и ответы

Для чего подходит Embedding 3 Small Batch?

Для массовой индексации текста и регулярных обновлений поиска.

Возвращает ли модель готовый ответ?

Нет, результатом является embedding-вектор.

Batch сохраняет порядок строк?

Не полагайтесь на порядок; используйте собственные идентификаторы.

Нужно ли сравнивать с Large?

Да, на одном корпусе и списке запросов.

Как оценивать стоимость?

По полезному поиску с учётом индексации и обновлений.