OrcaRouterによる高品質テキスト埋め込み、1Mトークンあたり$0.13、マークアップゼロ、最大3072次元。
OpenAI text-embedding-3-largeは、OpenAIのテキスト埋め込みシリーズ第3世代の大規模埋め込みモデルです。テキスト入力を密なベクトル表現に変換し、意味を捉えます。このモデルは256から3072までの次元をサポートしており、ユーザーはダウンストリームタスクと計算予算に合わせた出力サイズを選択できます。デフォルトの次元は3072です。入力コンテキストウィンドウは8192ト…
text-embedding-3-largeは、意味的類似性、テキスト分類、クラスタリング、情報検索に優れています。その高次元の出力により、類似したテキスト間の細かい区別が可能です。RAG用のベクターデータベース構築において、検索品質は埋め込みの精度に依存するため、このモデルは人気のある選択肢です。また、自然言語推論や重複検出でも良好なパフォーマンスを発揮します。ただし、テキスト補完や対話のような生成タスクには設計されていません。それらにはGPT-4や他の言語モデルを使用してください。
このモデルは、256から3072の次元を持つ埋め込みを出力できます。次元はAPIリクエストの`dimensions`パラメータで設定します。低い次元を使用すると、ストレージと後段の計算が削減されますが、意味的な忠実度が失われる可能性があります。デフォルトの次元は3072で、最も高い識別力を提供します。この範囲外の次元はサポートされていません。ほとんどの検索タスクでは、1024から2048の次元が精度とコストの良いバランスです。
アプリケーションがレイテンシに敏感であるか、数十億のテキストを埋め込む場合、$0.13 per 1M tokens のコストが積み上がる可能性があります。予算が限られている場合は、text-embedding-3-small（$0.02/M tokens）や、BERTベースの埋め込みのようなオープンソースモデルを検討してください。text-embedding-3-large は、法律、医療、科学検索など、関連文書の見落としが大きな影響を及ぼす、検索精度が最優先される場面に最適です。
OpenAIは現在、text-embedding-3シリーズのファインチューニングを提供していません。このモデルは固定エンコーダーとして使用されます。特定のドメインに適応させるには、ベクトルデータベースにドメイン固有のパッセージを追加するなど、検索拡張戦略を採用できます。あるいは、エンベディングを、ラベル付きデータでトレーニングされたダウンストリーム分類器の特徴量として使用することもできます。このワークフローはエンタープライズ環境で一般的です。
text-embedding-3-largeは、クラスタリング、分類、再ランキングなどのタスクにおいて、Massive Text Embedding Benchmark (MTEB)で最先端の成果を達成しています。ここに正確なスコアは示されていませんが、このモデルは公開されている埋め込みモデルの中で常にトップ層にランクインしています。その3072次元バージョンは最高の精度を提供する一方、低次元のバージョンはストレージと計算リソースを削減するために、わずかなパフォーマンス低下と引き換えにしています。また、ほとんどのタスクで前身のtext-embedding-ada-002を上回っています。
レイテンシは、入力トークン数とモデル負荷に依存します。短いテキスト（100トークン未満）の場合、モデルは通常、OrcaRouterを介して200ミリ秒未満で応答します。長いテキスト（8000トークン）では1〜2秒かかる場合があります。同時実行数とバッチサイズはスループットに影響します。バッチリクエスト（1回のAPI呼び出しで複数のテキストを処理）により、より高いスループットを達成できます。OrcaRouterは、プロバイダーの応答時間に追加のオーバーヘッドをもたらしません。
このモデルは英語を超えた多言語サポートを想定していません（ただし、一部の他言語は処理可能ですが、パフォーマンスは低下します）。また、組み込みの指示追従機能も欠いており、厳密にエンコーダとして動作します。8192トークンの制限により、極めて長いドキュメントはチャンクに分割する必要があります。さらに、埋め込みは訓練データに存在する人口統計学的バイアスをエンコードする可能性があるため、ダウンストリームアプリケーションでは公平性をテストする必要があります。最後に、類似性判断に対する説明可能性は提供されません。
text-embedding-3-largeは、MTEBベンチマークにおいて、特に細かい区別を必要とするタスクで、従来のada-002モデルを大幅に上回る性能を発揮します。新しいモデルでは`dimensions`パラメータが導入され、再学習なしでベクトルサイズを削減できます。料金は若干高くなっていますが（ada-002の1Mトークンあたり$0.10に対し$0.13）、精度の向上は重要度の高い検索シナリオにおいてしばしばコストを正当化します。シンプルなユースケースでは、ada-002は低コストの実行可能な代替手段として依然として有効です。
料金は、インプットトークン100万トークンあたり0.13ドルで、プロバイダーのレートで請求され、マークアップはありません。出力トークンも100万トークンあたり0.13ドルですが、埋め込みモデルの場合、モデルがベクトルを返すため、出力トークンは無視できるほど小さいです。入力トークンには、送信したテキストが含まれます。OrcaRouterのAPIを使用するための追加料金はありません。これにより、総コストはOpenAIが請求するものとまったく同じになり、隠れた料金やレート制限による追加料金はありません。
$0.13 per 1M token というレートは標準のプロバイダー価格です。OrcaRouter はプロバイダー価格の上に割引を提供していません。ただし、小さい出力次元（例：1024）を使用してもトークン数には影響しません。入力トークンごとに支払いが発生し、次元に関係ありません。大量に利用するユーザー向けに、OpenAI はカスタム契約によるコミット利用割引を提供する場合があり、それを独立して利用することができます。
OrcaRouterはエンベディングレスポンスをキャッシュしません。各リクエストはリアルタイムでプロバイダに転送され、その都度課金されます。同一テキストを繰り返しエンベディングすると、毎回料金が発生します。コストを節約するには、クライアント側に独自のキャッシュ層を実装し、頻繁なクエリのエンベディングを保存してください。これは、製品説明やFAQコンテンツのような静的データセットに特に効果的です。
OrcaRouterは、人工的なスロットリングなしでプロバイダーにリクエストを渡しますが、プロバイダーは独自のレート制限を適用します。text-embedding-3-largeの場合、標準ティアでは通常、毎分3000–5000リクエスト程度の制限があります。制限を増やすには、OpenAIに直接お問い合わせください。OrcaRouterは429エラー時に自動的にリトライしますが、過度のリトライは追加コストが発生する可能性があります。制限内に収まるよう、使用状況を監視してください。
POSTリクエストを https://api.orcarouter.ai/v1/embeddings に送信し、modelパラメータを "openai/text-embedding-3-large" に設定します。入力文字列または文字列の配列を含めてください。オプションで `dimensions` パラメータを256から3072の間の値に設定できます。Authorizationヘッダー（Bearerトークン）にユーザーAPIキーを指定できます。レスポンスはOpenAIのEmbeddings APIと同じ構造で、埋め込みと使用トークン数を含むオブジェクトリストが返されます。
主要パラメータは`model`（必須: "openai/text-embedding-3-large"）、`input`（文字列または文字列の配列、各8192トークンまで）、`dimensions`（整数、オプション、デフォルト3072）です。OrcaRouterは、エンドユーザーごとの使用状況を追跡するための`user`パラメータもサポートしています。`encoding_format`（floatまたはbase64）など、他のOpenAI Embeddings APIパラメータもサポートされています。完全なセットについてはOpenAIのドキュメントを参照してください。
ベースURLを https://api.openai.com/v1 から https://api.orcarouter.ai/v1 に変更し、モデルIDを "text-embedding-3-large" から "openai/text-embedding-3-large" に更新してください。OpenAI PythonクライアントまたはHTTPライブラリを使用した既存のコードは、他の変更なしで動作します。OrcaRouterのAPIは完全に互換性があるため、リクエスト本文の形式を変更する必要はありません。OrcaRouterのAPIキーを用意してください。
はい。`input`パラメータとして文字列の配列を渡してください。APIは同じ順序で埋め込みの配列を返します。これはオーバーヘッドが低いため、個別のリクエストを送信するよりも効率的です。最適なスループットを得るには、アイドル時間を減らすために似た長さのテキストをバッチ処理してください。モデルはバッチあたり最大2048個の文字列をサポートしており（プロバイダーの制限を確認）、バッチ全体の入力トークンは1分あたり2048000トークンを超えてはいけません。
小さなバリアントはわずか512次元を使用し、1Mトークンあたり$0.02—約6.5倍安価です。速度が速くストレージ効率も優れていますが、特に細かい意味タスクにおいて精度が犠牲になります。トピックレベルの類似性に基づく単純なクラスタリングや検索には、小さなモデルで十分かもしれません。text-embedding-3-largeは、再現率が最も重要な高リスクな検索に推奨されます。
all-MiniLM-L6-v2は、384次元の無料でローカルにホストできるモデルで、高速処理が可能です。多くのタスクで良好なパフォーマンスを発揮しますが、MTEBのような複雑なベンチマークではtext-embedding-3-largeに及びません。これはコストと品質のトレードオフです。オープンソースモデルはトークンあたりのコストがゼロですが、計算用のハードウェアが必要です。text-embedding-3-largeは優れた精度を提供する一方、$0.13/Mトークンの費用がかかりますが、検索品質を優先する本番システムでは正当化される場合があります。
Cohereのembed-v3モデルは、可変次元と多言語機能もサポートしています。英語ベンチマークでは同等ですが、非英語テキストの処理がより優れている可能性があります。価格は同程度（約$0.10～0.15/100万トークン）です。選択は、エコシステムの好みと特定の多言語要件に依存することがよくあります。text-embedding-3-largeはコンテキストウィンドウが大きく（8192、Cohereは512）、OpenAIツールとの統合がより良好です。
ユースケースが英語以外の多言語サポートを必要とする場合、データプライバシーのためにオンプレミス展開が必要な場合、または高スループットで極めて低レイテンシが要求される場合は、代替手段を検討してください。テキスト生成などのタスクにはGPT-4を使用してください。画像テキスト埋め込みには、CLIPまたはマルチモーダルモデルを使用してください。text-embedding-3-largeは汎用英語エンコーダです。ドメインが高度に専門化されている場合は、ファインチューニングされたオープンソースモデルを検討してください。
OpenAI 互換——今お使いの SDK のまま
https://api.orcarouter.ai/v1dimensionsencoding_format| 入力 / 1M tokens | $0.130 |
|---|---|
| 出力 / 1M tokens | $0.130 |
| 通貨 | USD |
表示価格に基づく概算
見積もりのみ — 実際のトークン数はプロバイダーのトークナイザーに依存します。
今週の開発者の声
@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