Text Embedding Ada 002 API — миграция индекса 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-ada-002",
  messages: [{ role: "user", content: "Ваш запрос" }],
});

Открыть инструкцию по подключению →

ПОДРОБНЫЙ ОБЗОР

Возможности модели

OpenAI относит `text-embedding-ada-002` к older embedding model, а `text-embedding-3-small` описывает как улучшенную и более производительную замену ada. Tokenmost указывает контекст 8 192 токена, текстовый ввод и векторный выход. Перед миграцией preflight фиксирует actual model ID, endpoint, размерность, нормализацию, usage и максимальный размер строки. Векторы разных моделей нельзя сравнивать в одном пространстве, даже если база принимает одинаковый числовой тип. Контрольный корпус сохраняет старые query-document relevance labels, сложные отрицания, новые документы и запрос без ответа. Новый индекс получает собственное имя, model version и preprocessing hash. Оба поиска работают параллельно, затем сравниваются Recall@K, nDCG, latency и доля пустых результатов. Документы с изменившейся редакцией переиндексируются по актуальному тексту. Переключение указателя выполняется атомарно с возможностью rollback, а старый индекс удаляется только после срока наблюдения и проверки потребителей.

Зафиксируйте старый pipeline

Сохраните chunking, очистку, размерность, similarity metric, порог и фильтры metadata. Часто качество зависит не только от модели. Если одновременно поменять все этапы, нельзя понять источник улучшения или регрессии.

Постройте новый индекс отдельно

Каждый документ получает новый вектор в коллекции с явной версией. Частичное обновление старых строк новым embedding запрещено. Ошибка одного документа сохраняется в очереди и не делает коллекцию полностью готовой.

Сравните на сохранённом benchmark

Одинаковые запросы запускаются против обоих индексов. Считайте качество по сегментам и критичным документам. Более высокая средняя метрика не оправдывает исчезновение обязательной инструкции или рост устаревших результатов.

Переключите чтение с rollback

Сначала shadow, затем малая доля трафика. Логи содержат index version и query ID без лишних персональных данных. При регрессии указатель возвращается, а новые документы не теряются благодаря синхронной очереди обновления.

Токены и цена миграции

Считайте повторную индексацию всего корпуса, двойные запросы, хранение и QA. Низкая цена одного embedding не отражает полный проект. Сравнивайте стоимость перехода и поиска после него по актуальным ставкам Tokenmost.

Вопросы и ответы

Ada 002 является новой embedding-моделью?

Нет, OpenAI относит её к старым моделям.

Какой контекст показывает Tokenmost?

8 192 токена.

Можно дописать новые векторы в старый индекс?

Только той же моделью и pipeline; при смене создают новую коллекцию.

Нужно ли переиндексировать весь корпус?

Да, пространства разных embedding-моделей несовместимы.

Как оценивать цену?

По полному переходу, включая двойное чтение, хранение и QA.