نموذج تضمين النصوص فعال من حيث التكلفة من OpenAI، مثالي للبحث الدلالي والتجميع، يتم الوصول إليه عبر OrcaRouter بدون هامش ربح.
openai/text-embedding-3-small هو نموذج تضمين أصدرته OpenAI في يناير 2024. ينتج تمثيلات متجهة للنص تلتقط المعنى الدلالي، مما يتيح المقارنة وحسابات التشابه. النموذج مخصص للنص فقط ويقبل مدخلات يصل طولها…
يؤدي هذا النموذج أداءً قويًا في المهام التي تتطلب استيعاب المعنى العام بدلاً من التفاصيل الدقيقة. يُستخدم على نطاق واسع في البحث الدلالي، حيث يتم تضمين الاستعلامات ومطابقتها مقابل مجموعة من تضمينات المستندات. كما يعمل بشكل جيد للتجميع—أي تجميع النصوص المتشابهة دون تصنيفات صريحة—والتصنيف عند تغذية التضمينات إلى مصنف خطي. في خطوط أنابيب التوليد المعزز بالاسترجاع (RAG)، يقوم بتشفير كل من الاستعلامات والمستندات بكفاءة، مما يتيح استرجاعًا سريعًا يعتمد على التشابه. سياقه البالغ 8,192 رمزًا يسمح له بمعالجة مقاطع أطول، مثل ملخصات الأبحاث أو تعليقات العملاء، في استدعاء تضمين واحد.
إذا كانت حالة استخدامك تتضمن نصوصًا قصيرة جدًا (مثل كلمات أو عبارات مفردة)، أو كنت تُعطي الأولوية للسرعة على حساب الدقة، فقد تبحث عن نماذج أخف وزنًا من مزودين آخرين متاحين على OrcaRouter، مثل تلك ذات الأبعاد المنخفضة أو المُخصصة للغات محددة. بالإضافة إلى ذلك، إذا كانت مهمتك خشنة للغاية—مثل التمييز بين عدد قليل من الفئات العريضة—فقد يكون النموذج الأبسط كافيًا. ومع ذلك، فإن openai/text-embedding-3-small يُعد بالفعل واحدًا من أكثر الخيارات الاقتصادية من OpenAI. بالنسبة للتطبيقات التي تؤثر فيها جودة التضمين بشكل مباشر على أداء المراحل اللاحقة (مثل ترتيب نتائج البحث)، فإن التكلفة الإضافية الصغيرة غالبًا ما تُبرر النتائج الأفضل مقارنة بالبدائل المجانية من الفئات الدنيا.
أظهر نموذج text-embedding-3-small من OpenAI قدرات قوية عبر اللغات، حيث يؤدي أداءً جيدًا على معايير متعددة اللغات مثل المجموعات الفرعية متعددة اللغات لمعيار MTEB. يمكنه تضمين النصوص بعشرات اللغات وإنتاج متجهات قابلة للمقارنة لمحتوى متشابه عبر اللغات. وهذا يجعله مفيدًا للتطبيقات العالمية مثل التوصية بالمنتجات الدولية أو توجيه تذاكر الدعم متعدد اللغات. ومع ذلك، بالنسبة للمجالات المتخصصة (مثل القانونية والطبية والبرمجية)، قد يحقق نموذج التضمين المتكيف مع المجال دقة أعلى. إذا كانت بياناتك تقنية جدًا، فقد ترغب في اختبار هذا النموذج مقابل البدائل لضمان الأداء الأمثل.
وفقًا للنتائج المتاحة للعموم، يحقق نموذج openai/text-embedding-3-small متوسط درجة حوالي 62% على معيار MTEB (معيار تضمين النصوص الضخم). يعكس هذا أداءً متينًا عبر مجموعة متنوعة من المهام بما في ذلك التصنيف، والتجميع، وتصنيف الأزواج، وإعادة الترتيب. بينما يتخلف عن النموذج الأكبر text-embedding-3-large (الذي يسجل حوالي 65%)، فإن تكلفته لكل رمز (token) تقريبًا عُشر تكلفة النموذج الكبير. أداء النموذج قوي بشكل خاص في مهام التجميع والتشابه الدلالي. بالنسبة للمهام التي تتطلب دقة عالية في STS (التشابه النصي الدلالي)، لا يزال النموذج الصغير يؤدي بشكل تنافسي.
تعتمد زمنية استجابة طلبات التضمين على طول الإدخال والحمل المتزامن. على OrcaRouter، يتم تقديم النموذج عبر بنية OpenAI التحتية، لذا فإن زمنيات الاستجابة النمطية مماثلة لاستدعاءات OpenAI API المباشرة. بالنسبة لاستعلام واحد بطول متوسط (100-200 رمز)، يكون وقت الاستجابة عادةً أقل من 200 مللي ثانية. يمكن زيادة الإنتاجية عن طريق تجميع نصوص متعددة في استدعاء API واحد. يدعم النموذج المعالجة المجمعة، ويمرر OrcaRouter نفس معلمات التجميع المستخدمة في OpenAI API. بالنسبة لأعباء العمل عالية الحجم، فإن التكلفة المنخفضة لكل رمز تجعل من الممكن تضمين ملايين السجلات دون تجاوز الميزانيات.
على الرغم من نقاط قوته، فإن نموذج openai/text-embedding-3-small يعاني من بعض القيود. فالمتجه الافتراضي ذو 512 بُعدًا قد يفقد بعض الفروق الدقيقة مقارنة بالنسخة الكبيرة ذات 1,536 بُعدًا، خاصةً في التمييزات الدقيقة الدلالية. كما أن أداء النموذج في المهام التي تتطلب معرفة عميقة بالمجال أو معالجة مستندات طويلة جدًا (تقترب من 8,192 رمزًا) قد يتدهور إذا كان النص مشوشًا أو ضعيف البنية. بالإضافة إلى ذلك، نظرًا لأنه نموذج عام، فقد يكون أداؤه أقل في المهام المتخصصة مثل البحث في الأكواد أو استخراج المفاهيم الطبية الحيوية مقارنة بالنماذج المخصصة. توفر OrcaRouter إمكانية الوصول إلى نماذج أخرى لتلك الاحتياجات المحددة.
openai/text-embedding-3-small بسعر 0.02 دولار لكل مليون رمز إدخال و0.02 دولار لكل مليون رمز إخراج. نظرًا لأن النموذج ينتج فقط التضمينات (رموز الإخراج هي التمثيل المتجه وليس النص)، فإن عدد رموز الإخراج يتناسب مع الإدخال. عمليًا، يتم محاسبتك على كل من رموز الإدخال والإخراج بنفس السعر. يقوم OrcaRouter بتمرير السعر الدقيق للمزوّد دون أي هامش ربح، وبالتالي فإن التكلفة الإجمالية هي بالضبط 0.02 دولار لكل مليون رمز إدخال و0.02 دولار لكل مليون رمز إخراج. لا توجد رسوم إضافية للمنصة أو رسوم مخفية. مما يجعل هذا النموذج أحد أكثر الخيارات فعالية من حيث التكلفة لتضمين النصوص على نطاق واسع.
مقارنةً بـ text-embedding-3-large من OpenAI (0.13 دولار لكل مليون رمز إدخال)، فإن النموذج الصغير أرخص بـ 6.5 مرات. بالنسبة للعديد من التطبيقات، يكون التدهور في الأداء متواضعًا، مما يجعل النموذج الصغير خيارًا أفضل قيمة. مقارنةً بـ ada-002 القديم (الذي تم إيقافه الآن)، فإن النموذج الصغير أرخص وأكثر قدرة. على OrcaRouter، يمكنك أيضًا العثور على نماذج تضمين من جهات خارجية بأسعار أقل؛ ومع ذلك، قد لا توفر نفس الجودة أو التوافق مع نظام OpenAI البيئي. يضمن النموذج بدون هامش ربح من OrcaRouter أن تدفع فقط ما ستدفعه مباشرة، دون أي علاوة.
قد يقوم OrcaRouter بتطبيق آليات التخزين المؤقت لتقليل استدعاءات API المتكررة. إذا أرسلت نفس النص المدخل عدة مرات، فقد يعيد النظام الأساسي التضمينات المخزنة مؤقتًا دون تكبد تكاليف إضافية للرموز. ومع ذلك، لم يتم توضيح سياسات التخزين المؤقت بشكل صريح في الحقائق المقدمة. لتقليل التكاليف، يمكنك تنفيذ طبقة التخزين المؤقت الخاصة بك على جانب العميل باستخدام متجهات التضمين التي تم إرجاعها. نظرًا لأن تكلفة الرموز منخفضة جدًا بالفعل، فإن التخزين المؤقت يوفر وفورات هامشية إلا إذا كانت لديك استعلامات متكررة للغاية. اتصل بدعم OrcaRouter للحصول على تفاصيل حول سلوك التخزين المؤقت من جانب الخادم.
لاستخدام نموذج `openai/text-embedding-3-small` عبر OrcaRouter، قم بتعيين عنوان URL الأساسي إلى `https://api.orcarouter.ai/v1` وحدد معرف النموذج كـ `'openai/text-embedding-3-small'`. تتوافق الواجهة البرمجية تمامًا مع نقطة نهاية التضمين الخاصة بـ OpenAI، لذا يمكنك استخدام مكتبة OpenAI بلغة Python أو أي عميل HTTP بنفس تنسيق الطلب. على سبيل المثال، في Python: ```python client = OpenAI(base_url='https://api.orcarouter.ai/v1', api_key='your_key') response = client.embeddings.create(model='openai/text-embedding-3-small', input='Your text here') ``` يحتوي الرد على متجه التضمين وتفاصيل الاستخدام.
تدعم واجهة API نفس المعاملات مثل نقطة نهاية التضمين (embedding endpoint) الخاصة بـ OpenAI. مطلوب: تعيين 'model' إلى 'openai/text-embedding-3-small' و 'input' (سلسلة نصية أو مصفوفة من السلاسل النصية). اختياري: 'dimensions' (عدد صحيح، من 128 إلى 512، الافتراضي 512) لتقليل حجم متجه الإخراج. يؤدي البعد الأصغر إلى تسريع المعالجة اللاحقة وتقليل التخزين مع الاحتفاظ بمعظم المعلومات الدلالية. يمكن استخدام معامل 'user' لتحديد المعدل لكل عميل. يقبل OrcaRouter أيضًا رؤوسًا قياسية مثل Authorization و Content-Type. بالنسبة للطلبات المجمعة، مرر مصفوفة من السلاسل النصية كمدخل؛ ستعيد واجهة API قائمة من التضمينات (embeddings) بالترتيب المقابل.
إذا كنت تستخدم حاليًا واجهة برمجة التطبيقات للتضمين من OpenAI، فإن الترحيل إلى OrcaRouter سهل. غيّر عنوان URL الأساسي من https://api.openai.com/v1 إلى https://api.orcarouter.ai/v1، وحدّث اسم النموذج إلى 'openai/text-embedding-3-small'. لا حاجة لأي تغييرات أخرى في الكود. ستعمل مكتبة العميل الحالية (Python, Node.js, curl، إلخ) بنفس الطريقة. يدعم OrcaRouter نفس نظام المصادقة باستخدام مفتاح API. يتيح لك هذا التبديل الاستفادة من تسعير بدون هامش ربح دون إعادة تجهيز خط أنابيب التضمين الخاص بك. تأكد من أن مفتاحك لديه صلاحية الوصول إلى النموذج على OrcaRouter.
الاختلافات الرئيسية هي الحجم والتكلفة والأداء. يُخرج text-embedding-3-large 1,536 بُعدًا (افتراضيًا) مقابل 512 للإصدار الصغير، وتكلفته $0.13 لكل مليون رمز إدخال—أي 6.5 أضعاف السعر. في معيار MTEB، يسجل النموذج الكبير حوالي 65%، والصغير حوالي 62%. بالنسبة لمعظم التطبيقات، يقدم النموذج الصغير نسبة قيمة إلى تكلفة أفضل. قد يُفضل النموذج الكبير عندما تحتاج إلى أعلى دقة ممكنة لمهام مثل البحث عن التشابه الدقيق أو عندما لا تستطيع تحمل أي انخفاض في الاستدعاء. يوفر OrcaRouter كلا النموذجين، لذا يمكنك اختبار كلاهما على بياناتك الخاصة.
نموذج التضمين السابق من OpenAI، text-embedding-ada-002، أصبح الآن قديمًا ولم يعد متاحًا عبر القنوات الرسمية. مقارنةً بـ ada-002، يقدم text-embedding-3-small أداءً متوسطًا أفضل على MTEB (62% مقابل ~61%)، ويدعم سياقًا أكبر (8,192 رمزًا مقابل 2,048 رمزًا)، وتكلفته أقل بكثير ($0.02 مقابل $0.10 لكل مليون رمز إدخال) بالأسعار الحالية. كما يقدم النموذج الجديد معامل dimensions، مما يتيح تحسينًا إضافيًا في التكلفة والتخزين. إذا كانت لديك سير عمل لا تزال تستخدم ada-002، فيجب عليك الترحيل إلى text-embedding-3-small للحصول على جودة أفضل وتكلفة أقل.
يستضيف OrcaRouter نماذج تضمين من مزودين متعددين، تختلف في السعر والأبعاد والجودة. على سبيل المثال، تقدم بعض النماذج مستويات مجانية أو تكاليف أقل لكل رمز. ومع ذلك، غالبًا ما تكون لهذه النماذج نوافذ سياق أصغر (مثل 512 رمزًا) أو نتائج اختبار معيارية أقل. يوازن نموذج openai/text-embedding-3-small بين التكلفة وطول السياق والجودة. إذا كانت بياناتك محددة النطاق للغاية، فقد يتفوق عليها نموذج مخصص (مثل نموذج مخصص للبرمجة أو القانون). يتيح لك كتالوج OrcaRouter مقارنة الأداء والتسعير. النموذج الصغير هو الخيار الافتراضي الموثوق للمهام العامة باللغة الإنجليزية والمهام متعددة اللغات.
نماذج التضمين مفتوحة المصدر (مثل تلك من Hugging Face) يمكن استضافتها ذاتيًا، مما قد يقلل التكلفة عند الأحجام العالية جدًا. ومع ذلك، فإنها تتطلب بنية تحتية وصيانة وخبرة لتحقيق زمن استجابة وموثوقية مماثلة لواجهة OpenAI API. النموذج openai/text-embedding-3-small الذي يتم الوصول إليه عبر OrcaRouter يوفر عدم وجود تكاليف بنية تحتية، ووقت تشغيل ثابت، وتوافق مع نظام OpenAI البيئي. بالنسبة لأحمال العمل الصغيرة إلى المتوسطة، تكون الواجهة المدارة غالبًا أكثر اقتصادية عند أخذ وقت الهندسة في الاعتبار. بالنسبة للنشر على نطاق واسع جدًا (مليارات التضمينات)، قد تصبح النماذج المستضافة ذاتيًا أرخص، على الرغم من أن تكافؤ الجودة غير مضمون.
متوافق مع OpenAI — أبقِ على SDK الحالي
https://api.orcarouter.ai/v1dimensionsencoding_format| الإدخال / 1M توكن | $0.020 |
|---|---|
| الإخراج / 1M توكن | $0.020 |
| 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-smallفتح @misc{orcarouter_text_embedding_3_small,
title = {openai/text-embedding-3-small API},
author = {openai},
year = {n.d.},
howpublished = {OrcaRouter},
url = {https://www.orcarouter.ai/models/openai/text-embedding-3-small}
}openai. (n.d.). openai/text-embedding-3-small API. OrcaRouter. https://www.orcarouter.ai/models/openai/text-embedding-3-small