Kosteneffectief tekstembeddingmodel van OpenAI, ideaal voor semantisch zoeken en clusteren, toegankelijk via OrcaRouter zonder opslag.
openai/text-embedding-3-small is een embeddingmodel dat in januari 2024 door OpenAI is uitgebracht. Het produceert vectorrepresentaties van tekst die semantische betekenis vastleggen, waardoor…
Dit model presteert sterk bij taken die het vastleggen van de algemene betekenis vereisen in plaats van fijnmazige details. Het wordt veel gebruikt voor semantisch zoeken, waarbij zoekopdrachten worden ingebed en vergeleken met een corpus van documentembeddings. Het werkt ook goed voor clustering—het groeperen van vergelijkbare teksten zonder expliciete labels—en voor classificatie wanneer embeddings worden gevoed aan een lineaire classifier. In retrieval-augmented generation (RAG)-pijplijnen codeert het efficiënt zowel zoekopdrachten als documenten, wat snelle op gelijkenis gebaseerde terugwinning mogelijk maakt. De context van 8.192 tokens stelt het in staat om langere passages, zoals onderzoekssamenvattingen of klantfeedback, in één enkele embedding-aanroep te verwerken.
Als uw use case zeer korte teksten omvat (bijv. losse woorden of zinnen) of u prioriteit geeft aan snelheid boven nauwkeurigheid, kunt u op OrcaRouter nog lichtere modellen van andere aanbieders verkennen, zoals modellen met een lagere dimensionaliteit of gespecialiseerd voor specifieke talen. Bovendien, als uw taak zeer grof is—zoals het onderscheiden van slechts een paar brede categorieën—kan een eenvoudiger model volstaan. Echter, openai/text-embedding-3-small is al een van de meest betaalbare opties van OpenAI. Voor toepassingen waar de kwaliteit van de embedding direct invloed heeft op de downstreamprestaties (bijv. ranking voor zoekopdrachten), rechtvaardigt de kleine extra kost vaak de betere resultaten in vergelijking met de gratis alternatieven.
OpenAI's text-embedding-3-small heeft sterke cross-linguale mogelijkheden getoond en presteert goed op meertalige benchmarks zoals de meertalige subsets van MTEB. Het kan tekst in tientallen talen inbedden en vergelijkbare vectoren produceren voor soortgelijke inhoud in verschillende talen. Dit maakt het nuttig voor wereldwijde toepassingen zoals internationale productaanbevelingen of meertalige routering van ondersteuningstickets. Voor gespecialiseerde domeinen (bijv. juridisch, medisch, code) kan een domeinaangepast inbeddingsmodel echter een hogere nauwkeurigheid opleveren. Als uw gegevens zeer technisch zijn, kunt u overwegen dit model te benchmarken tegen alternatieven om optimale prestaties te garanderen.
Volgens openbaar beschikbare resultaten behaalt openai/text-embedding-3-small een gemiddelde score van ongeveer 62% op de MTEB-benchmark (Massive Text Embedding Benchmark). Dit weerspiegelt solide prestaties op uiteenlopende taken, waaronder classificatie, clustering, paarclassificatie en herordening. Hoewel het achterblijft bij de grotere text-embedding-3-large (die rond de 65% scoort), zijn de kosten per token ruwweg een tiende van die van de grote variant. De prestaties van het model zijn bijzonder sterk op het gebied van clustering en semantische gelijkenistaken. Voor taken die een hoge precisie vereisen in STS (Semantic Textual Similarity) presteert het kleine model nog steeds concurrerend.
Latentie voor embedding-verzoeken hangt af van invoerlengte en gelijktijdige belasting. Op OrcaRouter wordt het model aangeboden via de infrastructuur van OpenAI, dus typische latenties zijn vergelijkbaar met directe OpenAI API-aanroepen. Voor een enkele query van gemiddelde lengte (100-200 tokens) is de reactietijd doorgaans onder 200ms. Doorvoer kan worden verhoogd door meerdere teksten in één API-aanroep te bundelen. Het model ondersteunt batchverwerking en OrcaRouter geeft dezelfde batchparameters door als de OpenAI API. Voor workloads met hoge volumes maakt de lage kosten per token het haalbaar om miljoenen records te embedden zonder budgetten te overschrijden.
Ondanks zijn sterke punten heeft openai/text-embedding-3-small beperkingen. De standaard 512-dimensionale vector kan wat nuance verliezen vergeleken met de 1.536-dimensionale grote variant, vooral voor fijnmazige semantische onderscheidingen. De prestaties van het model bij taken die diepe domeinkennis vereisen of de verwerking van zeer lange documenten (bijna 8.192 tokens) kunnen afnemen als de tekst ruisachtig of slecht gestructureerd is. Bovendien, omdat het een algemeen model is, kan het minder goed presteren op gespecialiseerde taken zoals code zoeken of biomedische conceptextractie in vergelijking met speciale modellen. OrcaRouter biedt toegang tot andere modellen voor die specifieke behoeften.
openai/text-embedding-3-small kost $0,02 per miljoen invoertokens en $0,02 per miljoen uitvoertokens. Omdat het model alleen embeddings produceert (uitvoertokens zijn de vectorrepresentatie, geen tekst), is het aantal uitvoertokens evenredig aan de invoer. In de praktijk worden zowel invoer- als uitvoertokens tegen hetzelfde tarief in rekening gebracht. OrcaRouter geeft het exacte providerstarief door zonder opslag, dus de totale kosten zijn precies $0,02 per miljoen invoertokens en $0,02 per miljoen uitvoertokens. Er zijn geen extra platformkosten of verborgen kosten. Dit maakt het model een van de meest kosteneffectieve opties voor het op schaal embedden van tekst.
Vergeleken met OpenAI's text-embedding-3-large ($0.13 per 1M invoertokens) is het kleine model 6.5x goedkoper. Voor veel toepassingen is de prestatievermindering bescheiden, waardoor het kleine model een betere waarde biedt. Vergeleken met de verouderde ada-002 (nu afgeschaft) is het kleine model zowel goedkoper als krachtiger. Op OrcaRouter kun je ook embeddingmodellen van derden vinden met nog lagere prijzen; ze bieden echter mogelijk niet dezelfde kwaliteit of compatibiliteit met OpenAI's ecosysteem. Het zero-markup model van OrcaRouter garandeert dat je alleen betaalt wat je rechtstreeks zou betalen, zonder enige premie.
OrcaRouter kan cachingmechanismen implementeren om overbodige API-aanroepen te verminderen. Als u dezelfde invoertekst meerdere keren verzendt, kan het platform gecachede embeddings retourneren zonder extra tokenkosten. Cachingbeleid wordt echter niet expliciet beschreven in de verstrekte gegevens. Om de kosten te minimaliseren, kunt u uw eigen cachelaag aan de clientzijde implementeren met behulp van de geretourneerde embeddingvectoren. Aangezien de tokenkosten al zeer laag zijn, levert caching slechts marginale besparingen op, tenzij u extreem herhaalde query's hebt. Neem contact op met de ondersteuning van OrcaRouter voor details over server-side cachinggedrag.
Om openai/text-embedding-3-small via OrcaRouter te gebruiken, stelt u de basis-URL in op https://api.orcarouter.ai/v1 en geeft u de model-ID op als 'openai/text-embedding-3-small'. De API is volledig compatibel met het embedding-eindpunt van OpenAI, dus u kunt de OpenAI Python-bibliotheek of elke HTTP-client gebruiken met hetzelfde aanvraagformaat. Bijvoorbeeld in 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'). De respons bevat de embedding-vector en gebruiksinformatie.
De API ondersteunt dezelfde parameters als het embedding-eindpunt van OpenAI. Vereist: 'model' ingesteld op 'openai/text-embedding-3-small' en 'input' (string of array van strings). Optioneel: 'dimensions' (integer, 128 tot 512, standaard 512) om de grootte van de uitvoervector te verkleinen. Een kleinere dimensie versnelt downstream-verwerking en vermindert opslag, terwijl het grootste deel van de semantische informatie behouden blijft. De parameter 'user' kan worden gebruikt voor snelheidsbeperking per klant. OrcaRouter accepteert ook standaardheaders zoals Authorization en Content-Type. Voor batchverzoeken geeft u een array van strings als invoer; de API retourneert een lijst met embeddings in de overeenkomstige volgorde.
Als u momenteel de embedding-API van OpenAI gebruikt, is migreren naar OrcaRouter eenvoudig. Wijzig de basis-URL van https://api.openai.com/v1 naar https://api.orcarouter.ai/v1 en werk de modelnaam bij naar 'openai/text-embedding-3-small'. Er zijn geen andere codeaanpassingen nodig. Uw bestaande clientbibliotheek (Python, Node.js, curl, enz.) werkt identiek. OrcaRouter ondersteunt hetzelfde authenticatieschema met een API-sleutel. Door deze overstap profiteert u van prijzen zonder opslag zonder uw embedding-pijplijn te hoeven aanpassen. Zorg ervoor dat uw sleutel toegang heeft tot het model op OrcaRouter.
De belangrijkste verschillen zijn grootte, kosten en prestaties. text-embedding-3-large levert 1.536 dimensies op (standaard) versus 512 voor de kleine versie en kost $0,13 per 1M invoertokens—6,5 keer duurder. Op de MTEB-benchmark scoort large ongeveer 65%, small ongeveer 62%. Voor de meeste toepassingen biedt het kleine model een betere prijs-kwaliteitverhouding. Het grote model heeft de voorkeur wanneer u de hoogst mogelijke nauwkeurigheid nodig hebt voor taken zoals fijnmazige gelijkeniszoekopdrachten of wanneer u geen enkele daling in de recall kunt veroorloven. OrcaRouter biedt beide modellen, zodat u beide op uw eigen gegevens kunt testen.
Het vorige inbeddingsmodel van OpenAI, text-embedding-ada-002, is nu verouderd en niet langer beschikbaar via officiële kanalen. Vergeleken met ada-002 biedt text-embedding-3-small betere gemiddelde prestaties op MTEB (62% vs ~61%), ondersteunt het een grotere context (8.192 vs 2.048 tokens) en kost het aanzienlijk minder ($0,02 vs $0,10 per 1M invoertokens) bij de huidige prijzen. Het nieuwe model introduceert ook de parameter dimensions, wat verdere optimalisatie van kosten en opslag mogelijk maakt. Als je workflows nog steeds ada-002 gebruiken, moet je migreren naar text-embedding-3-small voor betere kwaliteit en lagere kosten.
OrcaRouter host insluitingsmodellen van meerdere aanbieders, die variëren in prijs, dimensie en kwaliteit. Sommige modellen bieden bijvoorbeeld gratis lagen of lagere kosten per token. Die modellen hebben echter vaak kleinere contextvensters (bijv. 512 tokens) of lagere benchmarkscores. openai/text-embedding-3-small balanceert kosten, contextlengte en kwaliteit. Als uw data zeer domeinspecifiek is, kan een op maat gemaakt model (bijv. code- of juridisch-specifiek) het overtreffen. De catalogus van OrcaRouter laat u prestaties en prijzen vergelijken. Het kleine model is een betrouwbare standaard voor algemene Engelse en meertalige taken.
Open-source inbeddingsmodellen (bijv. van Hugging Face) kunnen zelf worden gehost, wat de kosten bij zeer hoge volumes mogelijk verlaagt. Ze vereisen echter infrastructuur, onderhoud en expertise om latentie en betrouwbaarheid te bereiken die vergelijkbaar zijn met de API van OpenAI. openai/text-embedding-3-small, toegankelijk via OrcaRouter, biedt nul infrastructuuroverhead, consistente uptime en compatibiliteit met het OpenAI-ecosysteem. Voor workloads op kleine tot middelgrote schaal is de beheerde API vaak voordeliger wanneer rekening wordt gehouden met de technische tijd. Voor extreem grootschalige implementaties (miljarden inbeddingen) kunnen zelfgehoste modellen goedkoper worden, hoewel de kwaliteitsgelijkheid niet gegarandeerd is.
OpenAI-compatibel — behoud je huidige SDK
https://api.orcarouter.ai/v1dimensionsencoding_format| Invoer / 1M tokens | $0.020 |
|---|---|
| Uitvoer / 1M tokens | $0.020 |
| Valuta | USD |
Schatting op basis van catalogusprijs
Alleen een schatting — het werkelijke aantal tokens hangt af van de tokenizer van de aanbieder.
Vergelijk maandelijkse kosten van modellen in de LLM-kostencalculator
Waar ontwikkelaars het deze week over hebben
GET /api/public/models/openai/text-embedding-3-smallOpenen @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