围绕语义建立检索关联
模型把文本内容转换为可计算的概念表示，让检索不必只依赖关键词是否完全相同。问题、段落和代码说明可以分别生成向量，再交给检索系统比较相似性。它负责提供表示，文档排序、过滤与最终答案则由应用流程完成。
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。
- 原生完整维度
- 最高 3072 维；不设置 dimensions 时默认输出完整维度
- 维度控制
- 支持 dimensions 缩短向量，官方示例包括 1024 维与 256 维
- 输入形式
- 非空文本、文本数组、token 整数数组或 token 序列批次
- 批次项数
- 文本数组或 token 序列批次最多 2048 项
- 输出编码
- float 数值数组或 base64 字符串，默认 float
- 调用入口
- POST /openai/embeddings；model 使用 text-embedding-3-large
- 返回信息
- 逐项 embedding 与 index，并返回 model、usage 和 created
向量维度属于模型原生规格；输入组织、批次项数与返回编码属于本平台嵌入接口的调用范围。
核心能力
了解 text-embedding-3-large 能为你的工作带来什么。
更适合重视多语言质量的任务
在发布时的多语言检索与英文任务评测中，large 的平均成绩均高于同代 small 和上一代 ada-002。对于多语言资料库、表达方式多样的查询，或需要区分相近主题的内容，可将它作为质量优先的候选，再用真实查询验证效果。
用维度调节索引规模
完整向量提供最高 3072 维表示，也可以通过 dimensions 缩短输出。较短向量能够减少向量存储及相似度计算的负担，但可能牺牲部分精度。已有向量库存在维度约束时，可先测试缩短配置，而不是立即更换整个嵌入模型。
适用场景
从具体任务出发，找到模型发挥作用的位置。
企业知识库的检索层
把产品手册、操作规范和常见问题拆成文本段落，批量生成向量并保存对应文档位置。用户提问时，对问题使用同一模型与维度生成向量，检索相关段落后交给回答模型。交付物是可检索的内容索引，而非嵌入接口直接写出的答案。
多语言资料的统一搜索
面向包含不同语言资料的帮助中心或研究库，将标题、摘要和正文片段转成向量，建立语义检索基础。上线前准备各语言的代表性查询，检查相关内容能否进入候选结果；随后结合语言、产品和时间筛选，形成可用的搜索列表。
反馈归类与相似内容发现
输入工单描述、用户反馈或代码说明，获得逐条对应的向量，供后续聚类和相似度分析使用。可据此发现主题接近的反馈、潜在重复内容及相关技术说明。最终分类标签和重复判断应由业务规则或人工抽检确认，而非直接读取向量数值。
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。
与 small 的取舍：先确定质量目标
text-embedding-3-small 更偏向高效应用，large 更适合把检索质量放在优先位置的任务。不要只因型号更大就替换所有索引：先固定语料、查询和检索流程，对比相关文档召回情况，再评估向量体积与计算负担。若 small 已满足需求，可保留；若难例仍多，再测试 large。
从 ada-002 迁移：重新设计向量配置
与 text-embedding-ada-002 相比，large 提供更强的发布评测表现和原生维度缩短能力。官方还给出了 large 的 256 维表示在 MTEB 上超过完整 ada-002 的示例。迁移时应重新生成文档与查询向量，并统一模型和维度；不能仅修改查询端型号，就继续沿用旧索引。
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。
- 它是嵌入模型，不是聊天、翻译或摘要生成模型。返回的是数值表示，不能直接作为可读答案或分类理由；知识库问答仍需要检索逻辑和回答模型配合，也不会因为生成了向量就自动完成文档搜索。
- 缩短维度不是无损压缩，完整向量也不代表所有任务都能获得最佳检索结果。选择维度时应同时评估相关内容召回与索引规模；文档端和查询端需保持一致配置，不应混合不同模型生成的向量进行比较。
- 批次最多 2048 项是输入条目约束，不等于每条文本可以任意长。长文档宜先拆分为语义完整的段落，空文本应清理；PDF、图片或音频需要先提取成文本，不能作为这些文本输入形式直接提交。
常见问题
解答使用 text-embedding-3-large 时的常见疑问。
text-embedding-3-large 能直接回答知识库问题吗？
不能直接生成答案。它将问题和文档片段转成向量，帮助检索系统找到相关内容。完整问答流程通常先取回相关段落，再由生成模型组织回答；嵌入接口返回的 embedding 本身不是答案，也不附带解释。
应该使用完整 3072 维，还是缩短维度？
质量优先时可以从完整维度开始；向量库有维度限制或索引体积较大时，可测试缩短配置。官方提供了 1024 维和 256 维示例，但具体取舍应依据自己的查询集，比较召回效果与存储负担后确定。
为什么要选择 large，而不是 text-embedding-3-small？
large 在发布时的多语言检索和英文任务评测中平均表现更高，适合检索质量要求较高的应用。small 偏向高效选择。建议用相同语料和真实查询进行对比，重点检查难例，而不是仅根据型号名称决定。
批量输入后，怎样对应每一条结果？
可将多条非空文本放入 input 数组，一次请求生成多项向量。响应的 data 中，每项包含 index 与 embedding，可据此关联原始输入。保存向量时也应保存文档标识、片段位置和所用维度，方便后续检索。
float 和 base64 应该如何选择？
float 默认返回数值数组，适合直接接入需要数字向量的程序或向量库。base64 返回编码字符串，适合已有对应解码流程的系统。两者改变的是返回表示方式，不是嵌入任务，也不会替代 dimensions 的维度控制。
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
$0.0173per 1M tokens
Official $0.13
−86%vs official
Top-up
You pay$13,584for 142,800 credits · $0.0951 / credits46% OFF
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
This is only a basic call example. See the full docs for more parameters and advanced usage.
View Docs