models

OpenAI: Text Embedding 3 Small

Markdown · JSON

OpenAI: Text Embedding 3 Small

El modelo pequeño de embeddings textuales de tercera generación de OpenAI devuelve vectores de 1536 dimensiones por defecto y admite representaciones más cortas. Utiliza la salida numérica para búsqueda semántica, recuperación de código, agrupación, recomendaciones y clasificación.

Sobre el modelo

Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.

text-embedding-3-small es el modelo más pequeño de embeddings textuales de tercera generación de OpenAI. Convierte material escrito en vectores numéricos con 1536 componentes por defecto. Esos vectores miden relaciones entre textos para otro paso de búsqueda o análisis; el modelo no genera una respuesta conversacional a la entrada.

Al igual que el modelo más grande de tercera generación, admite el control dimensions del productor para embeddings más cortos. El entrenamiento está diseñado para conservar información que representa conceptos en un vector acortado, y la elección del tamaño afecta a la calidad y las necesidades de recursos de la aplicación. Mantén coherentes el modelo y las dimensiones elegidas entre los registros y consultas que se comparan.

Una aplicación práctica es la búsqueda de código. La guía del fabricante describe la representación de funciones de origen como texto y la generación de sus embeddings, seguida de la generación del embedding de una consulta en lenguaje natural con el mismo modelo y la comparación de los vectores resultantes. Un resultado ilustrativo es un conjunto ordenado de funciones pertinentes vinculadas a sus ubicaciones de origen. Para búsqueda documental, el artefacto equivalente es un conjunto de pasajes cuyo texto y referencias originales siguen disponibles para el lector o el siguiente modelo.

Otros usos documentados incluyen agrupación, recomendaciones de contenido relacionado, clasificación, detección de valores atípicos y medición de diversidad. Un flujo específico de mensajes puede agrupar solicitudes similares o compararlas con descripciones de categorías. La aplicación define cómo un resultado de similaridad se convierte en una categoría, recomendación o elemento de revisión; el embedding por sí mismo sigue siendo un conjunto de datos numéricos.

OpenAI especifica una entrada máxima de 8192 tokens por texto. Su API de embeddings acepta cadenas o entrada tokenizada y varias entradas en una solicitud, rechaza cadenas vacías y aplica un límite agregado de 300,000 tokens. Prepara material largo como pasajes significativos y conserva los títulos o definiciones necesarios para interpretarlos. Utiliza un conjunto coherente de campos de origen, en lugar de generar embeddings de distintos tipos de registros con reglas de preparación sin relación.

El productor devuelve vectores float por defecto y también documenta codificación base64. La guía afirma que los embeddings de OpenAI están normalizados a longitud unitaria y recomienda similaridad del coseno; un producto escalar puede calcularla y la distancia euclidiana da la misma ordenación. Si un embedding de tercera generación se acorta manualmente después de devolverlo, normaliza de nuevo ese vector acortado como describe la guía. El control dimensions evita que el truncamiento manual sea el paso ordinario de preparación.

Registra la identidad del modelo, las dimensiones y el enlace de origen junto con cada vector. Un artefacto posterior útil es una lista ordenada, una colección agrupada o un conjunto de características de clasificación conectados al texto que los produjo. Comprueba si el material seleccionado respalda realmente la tarea y mantén los hechos ausentes separados de la relación semántica. El siguiente paso puede utilizar después la representación para un flujo específico de recuperación o decisión.

Ailoot Ultra · Representaciones vectoriales POST /v1/embeddings openai/text-embedding-3-small

openai/text-embedding-3-small

OpenAI /openai/text-embedding-3-small
ID del modelo
  • openai/text-embedding-3-small
  • text-embedding-3-small

Inicio

El modelo pequeño de embeddings textuales de tercera generación de OpenAI devuelve vectores de 1536 dimensiones por defecto y admite representaciones más cortas. Utiliza la salida numérica para búsqueda semántica, recuperación de código, agrupación, recomendaciones y clasificación.

Entradas aceptadas
Texto · token_ids
Resultados
embedding

Disponible en Ailoot · entradas y métodos

Ailoot Ultra · Representaciones vectoriales POST /v1/embeddings
Entrada
text, token_ids
Salida
embedding
Contexto
8,192 tokens
Formato de salida
json
CampoTipoRequisitoValores y límitesPredeterminado
CampomodelTipostringRequisitoObligatorioValores y límites
openai/text-embedding-3-small
Predeterminado—
CampoinputTipostring|string[]|integer[]|integer[][]RequisitoObligatorioValores y límites
Número mínimo de elementos: 1
Condiciones: Lote homogéneo no vacío. Los ID de tokens son números enteros no negativos.
Presupuesto de entrada: Máximo: 8,192 · Unidad de texto: bytes UTF8 · Unidad de tokens: elementos de un arreglo de tokens
Predeterminado—
Campoencoding_formatTipostringRequisitoOpcionalValores y límites
float
Predeterminadofloat
CampodimensionsTipointegerRequisitoNo compatibleValores y límites
Mínimo: 1
Predeterminado—
CampouserTipojson_valueRequisitoOpcionalValores y límites
Condiciones: La fuente permite este campo metadata de JSON; la semántica exacta en el sistema de origen depende del modelo.
Predeterminado—
Camposession_idTipojson_valueRequisitoOpcionalValores y límites
Condiciones: La fuente permite este campo metadata de JSON; la semántica exacta en el sistema de origen depende del modelo.
Predeterminado—
CampotraceTipojson_valueRequisitoOpcionalValores y límites
Condiciones: La fuente permite este campo metadata de JSON; la semántica exacta en el sistema de origen depende del modelo.
Predeterminado—
CampoproviderTipoobjectRequisitoOpcionalValores y límites
Condiciones: provider.options rechazado
Predeterminado—
Combinaciones de materiales de entrada

text_to_embedding

Parámetros del método y ciclo de vida
ParámetroContrato
Parámetrocontent_typeContratoapplication/json
ParámetrorequiredContratomodel, input
Parámetroinput_shapesContratostring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[]
Parámetroencoding_formatContratofloat
Parámetrodimensions_overrideContratofalse
Parámetromax_input_budget_unitsContrato8192
Parámetromultimodal_objectsContratofalse
Parámetromaterial_typesContratotext, token_ids

Ciclo de vida: synchronous_json

Conserva todos los índices y dimensiones de los vectores.

El nombre de un modelo multimodal no habilita objetos de imagen en esta ruta exacta.

Tarifas

Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.

Modo fast
Tarifa estándar Cuando se selecciona el modo fast
Modo flex
Tarifa estándar Cuando se selecciona el modo flex
Esfuerzo máximo de razonamiento
Tarifa estándar Cuando el esfuerzo máximo de razonamiento usa el ajuste default

Tarifas de Ailoot

Precios por configuración

ConfiguraciónTabla de tarifasCargo
ConfiguraciónTarifas base por tokenTabla de tarifasTarifa baseCargo
Entrada · Tokens de entrada $0.00004 / 1K tokens
Salida · Tokens de salida $0 / 1K tokens
Entrada · Lectura de caché — / 1K tokens
Entrada · Escritura en caché — / 1K tokens
Entrada · Escritura en caché, 1 hora — / 1K tokens

Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →

Solicitudes de ejemplo

Ailoot Ultra · Representaciones vectoriales

curlPython SDK
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "openai/text-embedding-3-small", "input": ["First document", "Second document"]}')

Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
r=json.loads(Path("result.json").read_text())
for x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))
PY_RESULT
from openai import OpenAI
import os

client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)
result=client.embeddings.create(model='openai/text-embedding-3-small',input=["First document","Second document"])
print(result)
for item in result.data:print(item.index,item.embedding)

Recibir y guardar resultados

Ailoot Ultra · Representaciones vectoriales

json

Conserva todos los resultados completados

Conserva todas las respuestas, archivos y partes de contenido completos recibidos.

Conserva cada vector con su índice. La cantidad de vectores debe ser igual a la cantidad de entradas; las dimensiones deben ser consistentes.

Si es necesario revisar la respuesta original

No se incorpora ningún endpoint de tareas de embeddings.

Campos de respuesta
CampoTipo
CampoobjectTipostring
CampomodelTipostring
Campodata[].indexTipointeger
Campodata[].embeddingTipofinite float[]
CampousageTipoobject
Errores y siguientes pasos
RespuestaCondiciónSiguiente paso
Respuesta400 · invalid_request_errorCondiciónCampos obligatorios, representación del material o valor del parámetro no válidosSiguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación.

Alias

Alias del modelo

Ailoot Ultra openai/text-embedding-3-small, text-embedding-3-small

Alias de rutas de métodos

Usa las rutas de método indicadas arriba.

ID de modelo relacionados

openai/text-embedding-3-small, text-embedding-3-small

Ailoot Ultra · Vectores de representación · text-embedding-3-small POST /v1/embeddings text-embedding-3-small

text-embedding-3-small

OpenAI /text-embedding-3-small
ID del modelo
  • openai/text-embedding-3-small
  • text-embedding-3-small

Inicio

El modelo pequeño de embeddings textuales de tercera generación de OpenAI devuelve vectores de 1536 dimensiones por defecto y admite representaciones más cortas. Utiliza la salida numérica para búsqueda semántica, recuperación de código, agrupación, recomendaciones y clasificación.

Entradas aceptadas
Texto
Resultados
embedding

Disponible en Ailoot · entradas y métodos

Ailoot Ultra · Vectores de representación · text-embedding-3-small POST /v1/embeddings
Entrada
text
Salida
embedding
Contexto
8,192 tokens
Formato de salida
json
CampoTipoRequisitoValores y límitesPredeterminado
CampomodelTipostringRequisitoObligatorioValores y límites
text-embedding-3-small
Predeterminado—
CampoinputTipostring|string[]|integer[]|integer[][]RequisitoObligatorioValores y límites
Número mínimo de elementos: 1
Condiciones: Lote homogéneo no vacío. Los ID de tokens son números enteros no negativos.
Presupuesto de entrada: Máximo: 8,192 · Unidad de texto: bytes UTF8 · Unidad de tokens: elementos de un arreglo de tokens
Predeterminado—
Campoencoding_formatTipostringRequisitoOpcionalValores y límites
float
Predeterminadofloat
CampodimensionsTipointegerRequisitoNo compatibleValores y límites
Mínimo: 1
Predeterminado—
CampouserTipojson_valueRequisitoOpcionalValores y límites
Condiciones: Metadatos JSON opcionales; la semántica exacta del proveedor depende del modelo seleccionado.
Predeterminado—
Camposession_idTipojson_valueRequisitoOpcionalValores y límites
Condiciones: Metadatos JSON opcionales; la semántica exacta del proveedor depende del modelo seleccionado.
Predeterminado—
CampotraceTipojson_valueRequisitoOpcionalValores y límites
Condiciones: Metadatos JSON opcionales; la semántica exacta del proveedor depende del modelo seleccionado.
Predeterminado—
CampoproviderTipoobjectRequisitoOpcionalValores y límites
Condiciones: provider.options rechazado
Predeterminado—
Combinaciones de materiales de entrada

text_to_embedding

Parámetros del método y ciclo de vida
ParámetroContrato
Parámetrocontent_typeContratoapplication/json
ParámetrorequiredContratomodel, input
Parámetroinput_shapesContratostring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[]
Parámetroencoding_formatContratofloat
Parámetrodimensions_overrideContratofalse
Parámetromax_input_budget_unitsContrato8192
Parámetromultimodal_objectsContratofalse
Parámetromaterial_typesContratotext
Parámetrotext_file_materialContratoLee el documento real en UTF-8 y coloca su texto en el campo input indicado o en la cadena de contenido del mensaje.

Ciclo de vida: synchronous_json

Envía el ID exacto del modelo y los campos obligatorios.

Conserva cada elemento devuelto y sus identificadores originales.

Tarifas

Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.

Modo fast
Tarifa estándar Cuando se selecciona el modo fast
Modo flex
Tarifa estándar Cuando se selecciona el modo flex
Esfuerzo máximo de razonamiento
Tarifa estándar Cuando el esfuerzo máximo de razonamiento usa el ajuste default

Tarifas de Ailoot

Precios por configuración

ConfiguraciónTabla de tarifasCargo
ConfiguraciónTarifas base por tokenTabla de tarifasTarifa baseCargo
Entrada · Tokens de entrada $0.00004 / 1K tokens
Salida · Tokens de salida $0 / 1K tokens
Entrada · Lectura de caché — / 1K tokens
Entrada · Escritura en caché — / 1K tokens
Entrada · Escritura en caché, 1 hora — / 1K tokens

Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →

Solicitudes de ejemplo

Ailoot Ultra · Vectores de representación · text-embedding-3-small

Cuerpo JSON mínimo completocurl · usa tu documento en UTF-8Python · guarda el resultado completo
{
  "model": "text-embedding-3-small",
  "input": [
    "First document",
    "Second document"
  ],
  "encoding_format": "float"
}
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"
export AILOOT_TEXT_FILE
python3 - <<'PY_REQUEST'
import json, os
from pathlib import Path

source_file = Path(os.environ['AILOOT_TEXT_FILE'])
if not source_file.is_file():
    raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')
text = source_file.read_text(encoding='utf-8')
if not text.strip():
    raise SystemExit('Choose a document containing text')
payload = {'model': 'text-embedding-3-small', 'input': ['First document', 'Second document'], 'encoding_format': 'float'}
payload['input'] = [text]
Path('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path

result = json.loads(Path('result.json').read_text(encoding='utf-8'))
print(json.dumps(result, ensure_ascii=False, indent=2))
for vector in result.get('data', []):
    print('Vector', vector.get('index'), json.dumps(vector.get('embedding')))
PY_RESULT
import json, os
from pathlib import Path

source_file = Path(os.environ['AILOOT_TEXT_FILE'])
if not source_file.is_file():
    raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')
text = source_file.read_text(encoding='utf-8')
if not text.strip():
    raise SystemExit('Choose a document containing text')
payload = {'model': 'text-embedding-3-small', 'input': ['First document', 'Second document'], 'encoding_format': 'float'}
payload['input'] = [text]
from urllib.request import Request, urlopen
from urllib.error import HTTPError

api_key = os.environ['AILOOT_API_KEY']
if not api_key.strip():
    raise SystemExit('Set AILOOT_API_KEY before making a request')
headers = {'Authorization': 'Bearer PLACEHOLDER_KEY', 'Content-Type': 'application/json'}
headers['Authorization'] = 'Bearer ' + api_key
request = Request('https://api.ailoot.ai/v1/embeddings', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')
try:
    with urlopen(request, timeout=120) as response:
        raw = response.read()
        Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')
except HTTPError as error:
    Path('result.json').write_bytes(error.read())
    Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')
    raise
Path('result.json').write_bytes(raw)
import json
from pathlib import Path

result = json.loads(Path('result.json').read_text(encoding='utf-8'))
print(json.dumps(result, ensure_ascii=False, indent=2))
for vector in result.get('data', []):
    print('Vector', vector.get('index'), json.dumps(vector.get('embedding')))

Recibir y guardar resultados

Ailoot Ultra · Vectores de representación · text-embedding-3-small

json

Conserva todos los resultados completados

Conserva todas las respuestas, archivos y partes de contenido completos recibidos.

Conserva cada vector finito con su índice original. Conserva todas las dimensiones y el objeto de uso completo.

Si es necesario revisar la respuesta original

No se incorpora ningún endpoint de tareas de embeddings.

Campos de respuesta
CampoTipo
CampoobjectTipostring
CampomodelTipostring
Campodata[].indexTipointeger
Campodata[].embeddingTipofinite float[]
CampousageTipoobject
Errores y siguientes pasos
RespuestaCondiciónSiguiente paso
Respuesta400 · invalid_request_errorCondiciónCampos obligatorios, representación del material o valor del parámetro no válidosSiguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación.

Alias

Alias del modelo

Ailoot Ultra openai/text-embedding-3-small, text-embedding-3-small

Alias de rutas de métodos

Usa las rutas de método indicadas arriba.

ID de modelo relacionados

openai/text-embedding-3-small, text-embedding-3-small

FAQ · OpenAI: Text Embedding 3 Small
¿Qué entradas y resultados están disponibles?

POST /v1/embeddings · openai/text-embedding-3-small: text, token_ids → embedding

POST /v1/embeddings · text-embedding-3-small: text → embedding

¿Qué campos utiliza la solicitud?

POST /v1/embeddings · openai/text-embedding-3-small: model, input, encoding_format, provider

POST /v1/embeddings · text-embedding-3-small: model, input, encoding_format, provider

¿Qué límites se aplican?

POST /v1/embeddings · openai/text-embedding-3-small: ctx: 8192; input.budget.maximum: 8192 (bytes UTF8); input.min_items: 1

POST /v1/embeddings · text-embedding-3-small: ctx: 8192; input.budget.maximum: 8192 (bytes UTF8); input.min_items: 1

Más detalles

Conecta Ailoot a Claude Code, OpenCode, Hermes o tu aplicación.

La empresa y su cartera de proyectos

La empresa y su cartera de proyectos: millones de clientes; ventas por miles de millones al mes.

Compra tokens con descuento.

Ahorro por suscripción para trabajo habitual. Códigos promocionales: hasta el 50% al comprar tokens.

Suscripción
Elige un plan con descuento para tus peticiones habituales.
Código de hasta el 50%
Introduce el código al comprar. El precio se recalcula según la promoción vigente.
Gasto en el historial
Modelo, tokens e importe quedan guardados por cada petición.

Elegir suscripción · Consultar precios de modelos

Conecta la API al producto que vendes.

SaaS, aplicaciones y bots bajo la oferta y el acuerdo de licencia Ailoot. Solicita una licencia de reventa para redistribuir el acceso.

Aplicación comercial
Integra generación de texto, imágenes, vídeo y sonido en funciones de pago de tu servicio.
Licencia para revendedores
Envía descripción del proyecto y esquema de acceso. Solicita condiciones escritas de uso y reventa.
Documentos en la web
La oferta, el acuerdo de licencia y la política de datos están disponibles antes de conectar.

Solicitar licencia de reventa · Oferta y acuerdo de licencia