Modelo de embedding de texto com bom custo-benefício da OpenAI, ideal para busca semântica e agrupamento, acessado via OrcaRouter com markup zero.
openai/text-embedding-3-small é um modelo de incorporação (embedding) lançado pela OpenAI em janeiro de 2024. Ele produz representações vetoriais de texto que capturam o significado semântico,…
Este modelo tem um desempenho forte em tarefas que exigem capturar o significado geral em vez de detalhes minuciosos. É amplamente utilizado para busca semântica, onde consultas são incorporadas e combinadas com um corpus de embeddings de documentos. Também funciona bem para clustering (agrupamento de textos semelhantes sem rótulos explícitos) e para classificação quando embeddings são alimentados em um classificador linear. Em pipelines de geração aumentada por recuperação (RAG), ele codifica eficientemente tanto consultas quanto documentos, permitindo uma recuperação rápida baseada em similaridade. Seu contexto de 8.192 tokens permite que ele processe passagens mais longas, como resumos de pesquisa ou feedback de clientes, em uma única chamada de embedding.
Se o seu caso de uso envolve textos muito curtos (por exemplo, palavras ou frases isoladas) ou você prioriza velocidade em vez de precisão, talvez queira explorar modelos ainda mais leves de outros provedores disponíveis no OrcaRouter, como aqueles com dimensionalidade menor ou especializados em idiomas específicos. Além disso, se sua tarefa for extremamente grosseira — como distinguir apenas entre algumas categorias amplas — um modelo mais simples pode ser suficiente. No entanto, o openai/text-embedding-3-small já é uma das opções mais acessíveis da OpenAI. Para aplicações onde a qualidade do embedding impacta diretamente o desempenho downstream (por exemplo, ranqueamento para busca), o pequeno custo adicional geralmente justifica os melhores resultados em comparação com as alternativas gratuitas.
O text-embedding-3-small da OpenAI demonstrou fortes capacidades cross-linguais, apresentando bom desempenho em benchmarks multilíngues como os subconjuntos multilíngues do MTEB. Ele pode incorporar texto em dezenas de idiomas e produzir vetores comparáveis para conteúdos semelhantes em diferentes idiomas. Isso o torna útil para aplicações globais, como recomendação internacional de produtos ou roteamento de tickets de suporte multilíngue. No entanto, para domínios especializados (por exemplo, jurídico, médico, código), um modelo de embedding adaptado ao domínio pode oferecer maior precisão. Se seus dados são altamente técnicos, você pode querer comparar este modelo com alternativas para garantir o desempenho ideal.
Segundo resultados publicamente disponíveis, o openai/text-embedding-3-small atinge uma pontuação média de cerca de 62% no benchmark MTEB (Massive Text Embedding Benchmark). Isso reflete um desempenho sólido em uma variedade de tarefas, incluindo classificação, agrupamento (clustering), classificação de pares e reordenamento (reranking). Embora fique atrás do maior text-embedding-3-large (que obtém cerca de 65%), seu custo por token é aproximadamente um décimo do da variante grande. O desempenho do modelo é particularmente forte em tarefas de agrupamento e similaridade semântica. Para tarefas que exigem alta precisão em STS (Semantic Textual Similarity), o modelo pequeno ainda compete de forma competitiva.
A latência para solicitações de incorporação depende do comprimento da entrada e da carga simultânea. No OrcaRouter, o modelo é servido por meio da infraestrutura da OpenAI, portanto, as latências típicas são comparáveis às chamadas diretas da API da OpenAI. Para uma única consulta de comprimento médio (100-200 tokens), o tempo de resposta geralmente é inferior a 200ms. A taxa de transferência pode ser aumentada agrupando vários textos em uma única chamada de API. O modelo suporta processamento em lote, e o OrcaRouter passa os mesmos parâmetros de lote que a API da OpenAI. Para cargas de trabalho de alto volume, o baixo custo por token torna viável incorporar milhões de registros sem estourar orçamentos.
Apesar de seus pontos fortes, o openai/text-embedding-3-small tem limitações. Seu vetor padrão de 512 dimensões pode perder algumas nuances em comparação com a variante grande de 1.536 dimensões, especialmente para distinções semânticas sutis. O desempenho do modelo em tarefas que exigem conhecimento profundo do domínio ou manipulação de documentos muito longos (próximo de 8.192 tokens) pode degradar se o texto for ruidoso ou mal estruturado. Além disso, por ser um modelo de uso geral, pode ter um desempenho inferior em tarefas especializadas, como busca de código ou extração de conceitos biomédicos, em comparação com modelos dedicados. O OrcaRouter oferece acesso a outros modelos para essas necessidades específicas.
openai/text-embedding-3-small é precificado em $0,02 por milhão de tokens de entrada e $0,02 por milhão de tokens de saída. Como o modelo produz apenas embeddings (os tokens de saída são a representação vetorial, não texto), a contagem de tokens de saída é proporcional à de entrada. Na prática, você é cobrado pelos tokens de entrada e saída à mesma taxa. OrcaRouter repassa exatamente a taxa do provedor sem nenhum acréscimo, portanto o custo total é exatamente $0,02 por milhão de tokens de entrada e $0,02 por milhão de tokens de saída. Não há taxas adicionais de plataforma ou encargos ocultos. Isso torna o modelo uma das opções mais econômicas para incorporar texto em grande escala.
Comparado ao text-embedding-3-large da OpenAI ($0.13 por 1M tokens de entrada), o modelo pequeno é 6.5x mais barato. Para muitas aplicações, a degradação de desempenho é modesta, tornando o modelo pequeno um melhor custo-benefício. Comparado ao legado ada-002 (agora obsoleto), o modelo pequeno é mais barato e mais capaz. No OrcaRouter, você também pode encontrar modelos de embedding de terceiros com preços ainda mais baixos; no entanto, eles podem não oferecer a mesma qualidade ou compatibilidade com o ecossistema da OpenAI. O modelo zero-markup da OrcaRouter garante que você pague apenas o que pagaria diretamente, sem qualquer prêmio.
O OrcaRouter pode implementar mecanismos de cache para reduzir chamadas de API redundantes. Se você enviar o mesmo texto de entrada várias vezes, a plataforma pode retornar embeddings em cache sem incorrer em custos adicionais de tokens. No entanto, as políticas de cache não são explicitamente detalhadas nos fatos fornecidos. Para minimizar custos, você pode implementar sua própria camada de cache no lado do cliente usando os vetores de embedding retornados. Como o custo do token já é muito baixo, o cache proporciona economia marginal, a menos que você tenha consultas extremamente repetitivas. Entre em contato com o suporte do OrcaRouter para obter detalhes sobre o comportamento do cache no lado do servidor.
Para usar o openai/text-embedding-3-small via OrcaRouter, defina a URL base como https://api.orcarouter.ai/v1 e especifique o ID do modelo como 'openai/text-embedding-3-small'. A API é totalmente compatível com o endpoint de embeddings da OpenAI, então você pode usar a biblioteca Python da OpenAI ou qualquer cliente HTTP com o mesmo formato de requisição. Por exemplo, em 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'). A resposta contém o vetor de embedding e detalhes de uso.
A API suporta os mesmos parâmetros que o endpoint de embeddings da OpenAI. Obrigatório: 'model' definido como 'openai/text-embedding-3-small' e 'input' (string ou array de strings). Opcional: 'dimensions' (inteiro, 128 a 512, padrão 512) para reduzir o tamanho do vetor de saída. Uma dimensão menor acelera o processamento downstream e reduz o armazenamento, mantendo a maior parte das informações semânticas. O parâmetro 'user' pode ser usado para limitação de taxa por cliente. O OrcaRouter também aceita cabeçalhos padrão como Authorization e Content-Type. Para solicitações em lote, passe um array de strings como entrada; a API retornará uma lista de embeddings na ordem correspondente.
Se você atualmente usa a API de embedding da OpenAI, migrar para o OrcaRouter é simples. Altere a URL base de https://api.openai.com/v1 para https://api.orcarouter.ai/v1 e atualize o nome do modelo para 'openai/text-embedding-3-small'. Nenhuma outra alteração no código é necessária. Sua biblioteca cliente existente (Python, Node.js, curl, etc.) funcionará de forma idêntica. O OrcaRouter suporta o mesmo esquema de autenticação usando uma chave de API. Essa troca permite que você se beneficie de preços sem margem de lucro sem precisar reformular seu pipeline de embedding. Certifique-se de que sua chave tenha acesso ao modelo no OrcaRouter.
As principais diferenças são tamanho, custo e desempenho. O text-embedding-3-large gera 1.536 dimensões (padrão) contra 512 para a versão pequena, e custa US$ 0,13 por 1M de tokens de entrada — 6,5x mais caro. No benchmark MTEB, o large pontua cerca de 65%, o small cerca de 62%. Para a maioria dos aplicativos, o modelo pequeno oferece uma melhor relação custo-benefício. O modelo grande pode ser preferido quando você precisa da maior precisão possível para tarefas como pesquisa de similaridade refinada ou quando não pode arcar com qualquer queda na recuperação. O OrcaRouter oferece ambos os modelos, para que você possa testar ambos em seus próprios dados.
O modelo de embedding anterior da OpenAI, text-embedding-ada-002, agora está obsoleto e não está mais disponível através dos canais oficiais. Comparado ao ada-002, o text-embedding-3-small oferece um desempenho médio melhor no MTEB (62% vs ~61%), suporta um contexto maior (8,192 vs 2,048 tokens) e custa significativamente menos ($0,02 vs $0,10 por 1M de tokens de entrada) com os preços atuais. O novo modelo também introduz o parâmetro dimensions, permitindo otimização adicional de custo e armazenamento. Se você tem fluxos de trabalho ainda usando ada-002, deve migrar para o text-embedding-3-small para obter melhor qualidade e menor custo.
O OrcaRouter hospeda modelos de embedding de vários provedores, variando em preço, dimensão e qualidade. Por exemplo, alguns modelos oferecem camadas gratuitas ou custos menores por token. No entanto, esses modelos geralmente têm janelas de contexto menores (por exemplo, 512 tokens) ou pontuações de benchmark mais baixas. O openai/text-embedding-3-small equilibra custo, comprimento do contexto e qualidade. Se seus dados são altamente específicos do domínio, um modelo personalizado (por exemplo, específico para código ou jurídico) pode superá-lo. O catálogo do OrcaRouter permite comparar desempenho e preços. O modelo pequeno é um padrão confiável para tarefas de propósito geral em inglês e multilíngues.
Modelos de embedding de código aberto (por exemplo, do Hugging Face) podem ser auto-hospedados, potencialmente reduzindo custos em volumes muito altos. No entanto, eles exigem infraestrutura, manutenção e conhecimento para alcançar latência e confiabilidade comparáveis à API da OpenAI. openai/text-embedding-3-small, acessado via OrcaRouter, oferece zero sobrecarga de infraestrutura, tempo de atividade consistente e compatibilidade com o ecossistema OpenAI. Para cargas de trabalho de pequena a média escala, a API gerenciada costuma ser mais econômica quando se considera o tempo de engenharia. Para implantações em escala extremamente grande (bilhões de embeddings), os modelos auto-hospedados podem se tornar mais baratos, embora a paridade de qualidade não seja garantida.
Compatível com OpenAI — mantenha seu SDK
https://api.orcarouter.ai/v1dimensionsencoding_format| Entrada / 1M tokens | $0.020 |
|---|---|
| Saída / 1M tokens | $0.020 |
| Moeda | USD |
Estimativa com base no preço de tabela
Apenas uma estimativa — a contagem real de tokens depende do tokenizador do provedor.
Compare os custos mensais dos modelos na calculadora de custos de LLM
Do que os desenvolvedores estão falando 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