تضمينات نصية عالية الجودة عبر OrcaRouter بسعر 0.13 دولار لكل مليون رمز، بدون هامش ربح، حتى 3072 بُعدًا.
نموذج OpenAI text-embedding-3-large هو نموذج تضمين واسع النطاق من الجيل الثالث لسلسلة تضمين النصوص من OpenAI. يحول إدخال النص إلى تمثيلات متجهة كثيفة تلتقط المعنى الدلالي. يدعم النموذج أبعادًا تتراوح…
تتميز text-embedding-3-large في التشابه الدلالي، وتصنيف النصوص، والتجميع، واسترجاع المعلومات. يسمح مخرجاتها عالية الأبعاد بتمييز دقيق بين النصوص المتشابهة. وهي خيار شائع لبناء قواعد بيانات المتجهات لنظام RAG، حيث تعتمد جودة الاسترجاع على دقة التضمين. كما يؤدي النموذج أداءً جيدًا في الاستدلال اللغوي الطبيعي وكشف التكرار. ومع ذلك، فهو غير مصمم لمهام التوليد مثل إكمال النص أو الحوار—استخدم GPT-4 أو نماذج لغوية أخرى لتلك المهام.
يمكن للنموذج إخراج تضمينات بأبعاد تتراوح بين 256 و3072. يتم تعيين البعد عبر المعامل `dimensions` في طلب API. استخدام بعد أقل يقلل من مساحة التخزين والحسابات اللاحقة ولكنه قد يفقد بعض الدقة الدلالية. البعد الافتراضي هو 3072، والذي يوفر أعلى قوة تمييزية. لا توجد أبعاد مدعومة خارج هذا النطاق. بالنسبة لمعظم مهام الاسترجاع، فإن البعد من 1024 إلى 2048 يمثل توازنًا جيدًا بين الدقة والتكلفة.
إذا كان تطبيقك حساسًا لزمن الاستجابة أو كنت تقوم بتضمين مليارات النصوص، فقد تتراكم تكلفة $0.13 لكل مليون رمز (token). فكر في استخدام text-embedding-3-small ($0.02/مليون رمز) أو النماذج مفتوحة المصدر مثل التضمينات القائمة على BERT للميزانيات الأقل. يكون text-embedding-3-large هو الأفضل عندما تكون دقة الاسترجاع أمرًا بالغ الأهمية، كما في البحث القانوني أو الطبي أو العلمي، حيث يكون لفقدان مستند ذي صلة عواقب كبيرة.
لا تقدم OpenAI حاليًا ضبطًا دقيقًا لسلسلة text-embedding-3. يُستخدم النموذج كمشفر ثابت. لتكييفه مع مجال معين، يمكنك استخدام استراتيجيات تعزيز الاسترجاع، مثل إضافة مقاطع خاصة بالمجال إلى قاعدة بيانات المتجهات الخاصة بك. بدلاً من ذلك، يمكنك استخدام التضمينات كميزات لمصنف لاحق يتم تدريبه على بياناتك الموسومة. سير العمل هذه شائعة في بيئات المؤسسات.
يحقق النموذج text-embedding-3-large نتائج متطورة في اختبار Massive Text Embedding Benchmark (MTEB) عبر مهام مثل التجميع والتصنيف وإعادة الترتيب. على الرغم من عدم توفير الدرجات الدقيقة هنا، إلا أن النموذج يحتل باستمرار المراتب الأولى بين نماذج التضمين المتاحة للعموم. يوفر إصداره ذو 3072 بُعدًا أعلى دقة، بينما تتخلى الأبعاد المنخفضة عن انخفاض طفيف في الأداء مقابل تقليل التخزين والحوسبة. يتفوق على سابقه، text-embedding-ada-002، في معظم المهام.
تعتمد زمن الاستجابة على عدد الرموز المُدخلة وحمل النموذج. بالنسبة لنص قصير واحد (أقل من 100 رمز)، يستجيب النموذج عادةً في أقل من 200 مللي ثانية عبر OrcaRouter. أما النصوص الأطول (8000 رمز) فقد تستغرق من 1 إلى 2 ثانية. تؤثر التزامنية وحجم الدفعة على الإنتاجية—يمكن للطلبات المجمعة (نصوص متعددة في استدعاء واجهة برمجة تطبيقات واحد) أن تحقق إنتاجية أعلى. لا يُضيف OrcaRouter أي عبء إضافي يتجاوز زمن استجابة المزوّد.
النموذج غير مصمم لدعم متعدد اللغات يتجاوز الإنجليزية (رغم أنه يتعامل مع بعض اللغات الأخرى، إلا أن الأداء أقل). كما يفتقر إلى القدرة المضمنة على اتباع التعليمات—فهو مشفر (encoder) بحت. حد الـ8192 رمزًا (token) يعني أن المستندات الطويلة جدًا يجب تقسيمها إلى أجزاء. بالإضافة إلى ذلك، قد تُشفّر التضمينات (embeddings) تحيزات ديموغرافية موجودة في بيانات التدريب، لذا يجب اختبار التطبيقات النهائية للتأكد من العدالة. أخيرًا، لا يوفر النموذج قابلية للتفسير لأحكام التشابه الخاصة به.
يتفوق نموذج text-embedding-3-large بشكل ملحوظ على النموذج الأقدم ada-002 في اختبار MTEB، خاصة في المهام التي تتطلب تمييزًا دقيقًا. كما يقدم النموذج الأحدث معلمة `dimensions`، مما يسمح بتقليل حجم المتجه دون إعادة تدريب. التسعير أعلى قليلاً (0.13 دولار مقابل 0.10 دولار لكل مليون رمز لنموذج ada-002)، لكن التحسن في الدقة يبرر التكلفة غالبًا في سيناريوهات الاسترجاع عالية المخاطر. بالنسبة للحالات البسيطة، يظل نموذج ada-002 بديلاً أقل تكلفة وقابلاً للتطبيق.
التسعيرة هي 0.13 دولار لكل مليون رمز إدخال، تُحتسب بسعر المزوّد دون أي زيادة. رموز الإخراج أيضًا بسعر 0.13 دولار لكل مليون رمز، ومع ذلك بالنسبة لنماذج التضمين تكون رموز الإخراج ضئيلة لأن النموذج يُرجع متجهًا. تشمل رموز الإدخال النص الذي ترسله. لا توجد رسوم إضافية لاستخدام واجهة برمجة تطبيقات OrcaRouter. وهذا يجعل التكلفة الإجمالية مماثلة تمامًا لما تفرضه OpenAI، دون أي رسوم مخفية أو زيادات في حدود المعدل.
سعر $0.13 لكل مليون رمز هو سعر المزود القياسي. لا تقدم OrcaRouter خصومات إضافية على تسعير المزود. ومع ذلك، فإن استخدام أبعاد إخراج أصغر (مثل 1024) لا يؤثر على عدد الرموز—فأنت تدفع مقابل كل رمز إدخال بغض النظر عن البعد. بالنسبة للمستخدمين ذوي الحجم الكبير جدًا، قد تقدم OpenAI خصومات استخدام مضمونة من خلال اتفاقيات مخصصة، يمكنك الاستفادة منها بشكل مستقل.
لا يقوم OrcaRouter بتخزين استجابات التضمين مؤقتًا. يتم إعادة توجيه كل طلب إلى المزود في الوقت الفعلي ويتم الفوترة وفقًا لذلك. إذا قمت بتضمين نصوص متطابقة بشكل متكرر، فسيتم تحصيل الرسوم منك في كل مرة. لتوفير التكاليف، قم بتنفيذ طبقة تخزين مؤقت خاصة بك على جانب العميل، مع تخزين التضمينات للاستعلامات المتكررة. هذا فعال بشكل خاص لمجموعات البيانات الثابتة مثل أوصاف المنتجات أو محتوى الأسئلة الشائعة.
تمرر OrcaRouter الطلبات إلى المزود دون تقييد صناعي، لكن المزود يفرض حدوده الخاصة للمعدل. بالنسبة لنموذج text-embedding-3-large، تتراوح الحدود النموذجية حوالي 3000–5000 طلب في الدقيقة للفئة القياسية. يمكنك زيادة الحدود بالتواصل المباشر مع OpenAI. تقوم OrcaRouter بإعادة المحاولة تلقائيًا عند أخطاء 429، لكن إعادة المحاولة المفرطة قد تؤدي إلى تكاليف إضافية. راقب استخدامك لتبقى ضمن الحدود.
أرسل طلب POST إلى https://api.orcarouter.ai/v1/embeddings مع تعيين معامل النموذج (model) إلى "openai/text-embedding-3-large". قم بتضمين سلسلة نصية أو مصفوفة من السلاسل النصية كمدخل. يمكنك اختيارياً تعيين معامل `dimensions` إلى قيمة تتراوح بين 256 و3072. يمكنك تقديم مفتاح API خاص بالمستخدم في رأس التفويض (Authorization) (رمز مميز من نوع Bearer). يتبع الرد نفس بنية واجهة برمجة تطبيقات التضمينات (Embeddings API) من OpenAI، حيث يحتوي على قائمة كائنات مع التضمينات وإحصائيات عدد الرموز المستخدمة.
المعلمات الرئيسية هي `model` (مطلوب: `"openai/text-embedding-3-large"`) و `input` (سلسلة نصية أو مصفوفة من السلاسل النصية، يصل طول كل منها إلى 8192 رمزًا) و `dimensions` (عدد صحيح، اختياري، القيمة الافتراضية 3072). كما يدعم OrcaRouter معامل `user` لتتبع الاستخدام لكل مستخدم نهائي. يتم دعم معاملات أخرى لواجهة OpenAI Embeddings API مثل `encoding_format` (float أو base64). راجع وثائق OpenAI للحصول على المجموعة الكاملة.
غيّر عنوان URL الأساسي من https://api.openai.com/v1 إلى https://api.orcarouter.ai/v1 وقم بتحديث معرف النموذج من "text-embedding-3-large" إلى "openai/text-embedding-3-large". يجب أن تعمل شفرتك الحالية باستخدام عميل OpenAI Python أو مكتبة HTTP دون تعديلات أخرى. واجهة OrcaRouter متوافقة بالكامل، لذا لا حاجة لتغييرات في تنسيق جسم الطلب. تأكد من أن لديك مفتاح API لـ OrcaRouter.
نعم. قم بتمرير مصفوفة من السلاسل النصية كمعامل `input`. ستعيد API مصفوفة من التضمينات بنفس الترتيب. هذا أكثر كفاءة من إرسال طلبات فردية بسبب انخفاض الحمل الزائد. لتحقيق الإنتاجية المثلى، قم بتجميع النصوص ذات الطول المتشابه لتقليل وقت الخمول. يدعم النموذج ما يصل إلى 2048 سلسلة لكل دفعة (تحقق من حدود المزود) ويجب ألا يتجاوز إجمالي رموز الإدخال عبر الدفعة 2048000 رمز في الدقيقة.
النموذج الصغير يستخدم 512 بُعدًا فقط ويكلف 0.02 دولار لكل 1M رمز—أي أرخص بحوالي 6.5×. إنه أسرع وأكثر كفاءة في التخزين لكنه يضحي بالدقة، خاصة في المهام الدلالية الدقيقة. بالنسبة للتجميع البسيط أو البحث عن التشابه على مستوى الموضوع، قد يكون النموذج الصغير كافيًا. يُوصى باستخدام text-embedding-3-large في عمليات الاسترجاع عالية الأهمية حيث يكون الاستدعاء هو الأهم.
all-MiniLM-L6-v2 هو نموذج مجاني يستضاف محليًا بأبعاد 384 وسرعة عالية. يؤدي بشكل جيد في العديد من المهام لكنه يقصر أمام text-embedding-3-large في المعايير المعقدة مثل MTEB. المفاضلة هي بين التكلفة والجودة: النماذج مفتوحة المصدر لها تكلفة صفرية لكل رمز لكنها تتطلب أجهزة حوسبة. يوفر text-embedding-3-large دقة فائقة بينما قد تكون تكلفة $0.13/M tokens مبررة للأنظمة الإنتاجية التي تكون جودة الاسترجاع أولوية لها.
نماذج embed-v3 من Cohere تدعم أيضًا أبعادًا متغيرة وقدرات متعددة اللغات. وهي قابلة للمقارنة في معايير اللغة الإنجليزية لكنها قد تتعامل مع النصوص غير الإنجليزية بشكل أفضل. التسعير مشابه (تقريبًا 0.10–0.15 دولار لكل مليون رمز). يعتمد الاختيار غالبًا على تفضيل النظام البيئي والمتطلبات المتعددة اللغات المحددة. text-embedding-3-large يحتوي على نافذة سياق أكبر (8192 مقابل 512 لـ Cohere) وهو متكامل بشكل أفضل مع أدوات OpenAI.
فكر في بدائل إذا كانت حالة الاستخدام لديك تتطلب دعمًا متعدد اللغات يتجاوز الإنجليزية، أو تحتاج إلى نشر محلي (on-premise) لخصوصية البيانات، أو تتطلب زمن استجابة منخفض جدًا مع إنتاجية عالية. بالنسبة لمهام مثل توليد النصوص، استخدم GPT-4. بالنسبة لتضمينات الصور والنصوص (image-text embeddings)، استخدم CLIP أو النماذج متعددة الوسائط. text-embedding-3-large هو مشفر إنجليزي عام؛ إذا كان مجالك متخصصًا للغاية، فاستكشف النماذج مفتوحة المصدر المعدلة (fine-tuned).
متوافق مع OpenAI — أبقِ على SDK الحالي
https://api.orcarouter.ai/v1dimensionsencoding_format| الإدخال / 1M توكن | $0.130 |
|---|---|
| الإخراج / 1M توكن | $0.130 |
| العملة | USD |
تقدير بناءً على السعر المُعلن
تقدير فقط — يعتمد العدد الفعلي للرموز على مُجزّئ الرموز الخاص بالمزوّد.
ما يتحدث عنه المطورون هذا الأسبوع
GET /api/public/models/openai/text-embedding-3-largeفتح @misc{orcarouter_text_embedding_3_large,
title = {openai/text-embedding-3-large API},
author = {openai},
year = {n.d.},
howpublished = {OrcaRouter},
url = {https://www.orcarouter.ai/models/openai/text-embedding-3-large}
}openai. (n.d.). openai/text-embedding-3-large API. OrcaRouter. https://www.orcarouter.ai/models/openai/text-embedding-3-large