Modelo de incrustación de texto rentable de OpenAI, ideal para búsqueda semántica y agrupamiento, accesible mediante OrcaRouter sin recargo.
openai/text-embedding-3-small es un modelo de incrustación lanzado por OpenAI en enero de 2024. Produce representaciones vectoriales del texto que capturan el significado semántico, permitiendo…
Este modelo funciona bien en tareas que requieren capturar el significado general en lugar de detalles precisos. Se utiliza ampliamente para búsqueda semántica, donde las consultas se incrustan y se comparan con un corpus de embeddings de documentos. También funciona bien para clustering—agrupar textos similares sin etiquetas explícitas—y para clasificación cuando los embeddings se introducen en un clasificador lineal. En los pipelines de generación aumentada por recuperación (RAG), codifica eficientemente tanto consultas como documentos, permitiendo una recuperación rápida basada en similitud. Su contexto de 8 192 tokens le permite procesar pasajes más largos, como resúmenes de investigaciones o comentarios de clientes, en una sola llamada de embedding.
Si tu caso de uso involucra textos muy cortos (por ejemplo, palabras o frases sueltas) o priorizas la velocidad sobre la precisión, podrías explorar modelos aún más ligeros de otros proveedores disponibles en OrcaRouter, como aquellos con menor dimensionalidad o especializados en idiomas específicos. Además, si tu tarea es extremadamente básica—como distinguir solo entre unas pocas categorías amplias—un modelo más simple puede ser suficiente. Sin embargo, openai/text-embedding-3-small ya es una de las opciones más asequibles de OpenAI. Para aplicaciones donde la calidad de los embeddings impacta directamente en el rendimiento posterior (por ejemplo, clasificación para búsquedas), el pequeño costo adicional a menudo justifica los mejores resultados en comparación con las alternativas gratuitas.
El text-embedding-3-small de OpenAI ha demostrado sólidas capacidades multilingües, obteniendo buenos resultados en puntos de referencia multilingües como los subconjuntos multilingües de MTEB. Puede incrustar texto en docenas de idiomas y producir vectores comparables para contenido similar en diferentes idiomas. Esto lo hace útil para aplicaciones globales como la recomendación internacional de productos o el enrutamiento de tickets de soporte multilingüe. Sin embargo, para dominios especializados (por ejemplo, legal, médico, código), un modelo de incrustación adaptado al dominio podría ofrecer una mayor precisión. Si sus datos son altamente técnicos, es posible que desee comparar este modelo con alternativas para garantizar un rendimiento óptimo.
Según los resultados disponibles públicamente, openai/text-embedding-3-small logra una puntuación media de alrededor del 62 % en el benchmark MTEB (Massive Text Embedding Benchmark). Esto refleja un rendimiento sólido en una variedad de tareas que incluyen clasificación, agrupamiento, clasificación de pares y reordenamiento. Si bien va por detrás del modelo más grande text-embedding-3-large (que obtiene alrededor del 65 %), su costo por token es aproximadamente una décima parte del de la variante grande. El rendimiento del modelo es particularmente fuerte en tareas de agrupamiento y similitud semántica. Para tareas que requieren alta precisión en STS (Similitud Textual Semántica), el modelo pequeño sigue siendo competitivo.
La latencia de las solicitudes de embedding depende de la longitud de la entrada y la carga concurrente. En OrcaRouter, el modelo se sirve a través de la infraestructura de OpenAI, por lo que las latencias típicas son comparables a las llamadas directas a la API de OpenAI. Para una consulta única de longitud promedio (100-200 tokens), el tiempo de respuesta generalmente es inferior a 200ms. El rendimiento puede aumentar al enviar varios textos en una sola llamada a la API. El modelo admite procesamiento por lotes, y OrcaRouter pasa los mismos parámetros de agrupación que la API de OpenAI. Para cargas de trabajo de alto volumen, el bajo costo por token hace factible incrustar millones de registros sin superar los presupuestos.
A pesar de sus fortalezas, openai/text-embedding-3-small tiene limitaciones. Su vector predeterminado de 512 dimensiones puede perder algunos matices en comparación con la variante grande de 1,536 dimensiones, especialmente para distinciones semánticas detalladas. El rendimiento del modelo en tareas que requieren conocimiento profundo del dominio o manejo de documentos muy largos (cerca de 8,192 tokens) puede degradarse si el texto es ruidoso o está mal estructurado. Además, debido a que es un modelo de propósito general, puede tener un rendimiento inferior en tareas especializadas como la búsqueda de código o la extracción de conceptos biomédicos en comparación con modelos dedicados. OrcaRouter proporciona acceso a otros modelos para esas necesidades específicas.
openai/text-embedding-3-small tiene un precio de $0.02 por millón de tokens de entrada y $0.02 por millón de tokens de salida. Dado que el modelo solo genera embeddings (los tokens de salida son la representación vectorial, no texto), la cantidad de tokens de salida es proporcional a la de entrada. En la práctica, se facturan tanto los tokens de entrada como los de salida a la misma tarifa. OrcaRouter transmite la tarifa exacta del proveedor sin margen adicional, por lo que el costo total es exactamente de $0.02 por millón de tokens de entrada y $0.02 por millón de tokens de salida. No hay tarifas adicionales de plataforma ni cargos ocultos. Esto hace que el modelo sea una de las opciones más rentables para incrustar texto a gran escala.
En comparación con text-embedding-3-large de OpenAI ($0.13 por 1M de tokens de entrada), el modelo pequeño es 6.5 veces más barato. Para muchas aplicaciones, la degradación del rendimiento es modesta, lo que hace que el modelo pequeño sea una mejor relación calidad-precio. En comparación con el legado ada-002 (ahora obsoleto), el modelo pequeño es más barato y más capaz. En OrcaRouter, también puedes encontrar modelos de embedding de terceros con precios aún más bajos; sin embargo, es posible que no ofrezcan la misma calidad o compatibilidad con el ecosistema de OpenAI. El modelo sin margen de beneficio de OrcaRouter garantiza que pagues solo lo que pagarías directamente, sin prima alguna.
OrcaRouter puede implementar mecanismos de caché para reducir las llamadas redundantes a la API. Si envías el mismo texto de entrada varias veces, la plataforma podría devolver embeddings almacenados en caché sin incurrir en costos de token adicionales. Sin embargo, las políticas de caché no se detallan explícitamente en la información proporcionada. Para minimizar costos, puedes implementar tu propia capa de caché en el lado del cliente utilizando los vectores de embedding devueltos. Dado que el costo de token ya es muy bajo, el almacenamiento en caché proporciona ahorros marginales a menos que tengas consultas extremadamente repetitivas. Contacta al soporte de OrcaRouter para obtener detalles sobre el comportamiento de la caché del lado del servidor.
Para usar openai/text-embedding-3-small a través de OrcaRouter, configure la URL base como https://api.orcarouter.ai/v1 y especifique el ID del modelo como 'openai/text-embedding-3-small'. La API es completamente compatible con el endpoint de embedding de OpenAI, por lo que puede usar la biblioteca de OpenAI para Python o cualquier cliente HTTP con el mismo formato de solicitud. Por ejemplo, en 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'). La respuesta contiene el vector de embedding y los detalles de uso.
La API admite los mismos parámetros que el endpoint de embedding de OpenAI. Requerido: 'model' configurado como 'openai/text-embedding-3-small' y 'input' (cadena o array de cadenas). Opcional: 'dimensions' (entero, de 128 a 512, valor predeterminado 512) para reducir el tamaño del vector de salida. Una dimensión más pequeña acelera el procesamiento posterior y reduce el almacenamiento, conservando la mayor parte de la información semántica. El parámetro 'user' puede utilizarse para la limitación de velocidad por cliente. OrcaRouter también acepta encabezados estándar como Authorization y Content-Type. Para solicitudes por lotes, pase un array de cadenas como entrada; la API devolverá una lista de embeddings en el orden correspondiente.
Si actualmente usas la API de embeddings de OpenAI, migrar a OrcaRouter es sencillo. Cambia la URL base de https://api.openai.com/v1 a https://api.orcarouter.ai/v1 y actualiza el nombre del modelo a 'openai/text-embedding-3-small'. No se requieren otros cambios en el código. Tu biblioteca cliente existente (Python, Node.js, curl, etc.) funcionará de manera idéntica. OrcaRouter admite el mismo esquema de autenticación mediante una clave API. Este cambio te permite beneficiarte de precios sin margen adicional sin tener que reestructurar tu pipeline de embeddings. Asegúrate de que tu clave tenga acceso al modelo en OrcaRouter.
Las principales diferencias son el tamaño, el costo y el rendimiento. text-embedding-3-large genera 1,536 dimensiones (por defecto) frente a 512 de la versión pequeña, y cuesta $0.13 por cada 1M de tokens de entrada, 6.5 veces más caro. En el benchmark MTEB, large obtiene aproximadamente un 65 %, small un 62 %. Para la mayoría de las aplicaciones, el modelo pequeño ofrece una mejor relación calidad-precio. El modelo grande puede preferirse cuando se necesita la máxima precisión posible en tareas como la búsqueda de similitud detallada o cuando no se puede permitir una caída en el recall. OrcaRouter ofrece ambos modelos, por lo que puedes probar ambos con tus propios datos.
El modelo de embedding anterior de OpenAI, text-embedding-ada-002, ahora está obsoleto y ya no está disponible a través de canales oficiales. En comparación con ada-002, text-embedding-3-small ofrece un mejor rendimiento promedio en MTEB (62% vs ~61%), admite un contexto más amplio (8,192 vs 2,048 tokens) y tiene un costo significativamente menor ($0.02 vs $0.10 por 1M tokens de entrada) según los precios actuales. El nuevo modelo también introduce el parámetro dimensions, permitiendo una mayor optimización de costos y almacenamiento. Si tienes flujos de trabajo que aún usan ada-002, deberías migrar a text-embedding-3-small para mejorar la calidad y reducir costos.
OrcaRouter aloja modelos de embedding de múltiples proveedores, que varían en precio, dimensión y calidad. Por ejemplo, algunos modelos ofrecen niveles gratuitos o costos más bajos por token. Sin embargo, esos modelos suelen tener ventanas de contexto más pequeñas (por ejemplo, 512 tokens) o puntajes de referencia más bajos. openai/text-embedding-3-small equilibra costo, longitud de contexto y calidad. Si tus datos son muy específicos de un dominio, un modelo personalizado (por ejemplo, específico para código o legal) podría superarlo. El catálogo de OrcaRouter te permite comparar rendimiento y precios. El modelo pequeño es un valor predeterminado confiable para tareas de propósito general en inglés y multilingües.
Los modelos de embedding de código abierto (p. ej., de Hugging Face) pueden alojarse de forma autónoma, lo que potencialmente reduce el costo en volúmenes muy altos. Sin embargo, requieren infraestructura, mantenimiento y experiencia para lograr una latencia y confiabilidad comparables a la API de OpenAI. openai/text-embedding-3-small, accedido a través de OrcaRouter, ofrece cero sobrecarga de infraestructura, tiempo de actividad consistente y compatibilidad con el ecosistema de OpenAI. Para cargas de trabajo de pequeña a mediana escala, la API gestionada suele ser más económica si se tiene en cuenta el tiempo de ingeniería. Para implementaciones a muy gran escala (miles de millones de embeddings), los modelos autoalojados pueden volverse más baratos, aunque no se garantiza la paridad de calidad.
Compatible con OpenAI: conserva tu SDK actual
https://api.orcarouter.ai/v1dimensionsencoding_format| Entrada / 1M tokens | $0.020 |
|---|---|
| Salida / 1M tokens | $0.020 |
| Moneda | USD |
Estimación según precio de lista
Solo una estimación: el número real de tokens depende del tokenizador del proveedor.
Compara los costes mensuales de los modelos en la calculadora de costes de LLM
De qué hablan los desarrolladores esta semana
GET /api/public/models/openai/text-embedding-3-smallAbrir @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