商品目录

Small size text embedding model for efficient processing.

Small size text embedding model for efficient processing.

Small size text embedding model for efficient processing.

text-embedding-3-small 以高质量语义向量实现精准检索与匹配，兼顾速度与成本。支持32K长文本与文件内容理解，可结合工具链推理。最适合RAG知识库检索、企业文档搜索、推荐与去重、相似度分析。 text-embedding-3-small delivers high-quality semantic vectors for precise retrieval and matching, balancing speed and cost. With 32K long-context and file understanding plus tool-assisted reasoning, it’s ideal for RAG knowledge-base search, enterprise document search, recommendations and deduplication, and similarity analytics.

text-embedding-3-small 以高质量语义向量实现精准检索与匹配，兼顾速度与成本。支持32K长文本与文件内容理解，可结合工具链推理。最适合RAG知识库检索、企业文档搜索、推荐与去重、相似度分析。 text-embedding-3-small delivers high-quality semantic vectors for precise retrieval and matching, balancing speed and cost. With 32K long-context and file understanding plus tool-assisted reasoning, it’s ideal for RAG knowledge-base search, enterprise document search, recommendations and deduplication, and similarity analytics.

text-embedding-3-small 以高质量语义向量实现精准检索与匹配，兼顾速度与成本。支持32K长文本与文件内容理解，可结合工具链推理。最适合RAG知识库检索、企业文档搜索、推荐与去重、相似度分析。 text-embedding-3-small delivers high-quality semantic vectors for precise retrieval and matching, balancing speed and cost. With 32K long-context and file understanding plus tool-assisted reasoning, it’s ideal for RAG knowledge-base search, enterprise document search, recommendations and deduplication, and similarity analytics.

text-embedding-3-small 以高质量语义向量实现精准检索与匹配，兼顾速度与成本。支持32K长文本与文件内容理解，可结合工具链推理。最适合RAG知识库检索、企业文档搜索、推荐与去重、相似度分析。 text-embedding-3-small delivers high-quality semantic vectors for precise retrieval and matching, balancing speed and cost. With 32K long-context and file understanding plus tool-assisted reasoning, it’s ideal for RAG knowledge-base search, enterprise document search, recommendations and deduplication, and similarity analytics.

原站公开的站内额度标价；充值折扣、规格附加费及最终扣费以原站为准。

text-embedding-3-small 是 OpenAI 推出的轻量级高效文本嵌入模型，默认输出 1536 维向量。该模型在保持优异性能的同时，价格仅为前代 ada-002 的 1/5（$0.02 vs $0.10/MTok），且在 MTEB 基准（得分 62.3）上表现优于 ada-002（60.5）。支持最大 8191 tokens 输入和 Matryoshka 维度调整（最低 512 维），是性价比极高的嵌入模型选择，也是 OpenAI 官方推荐的默认嵌入方案。适合大规模部署和对成本敏感的生产级应用场景。

text-embedding-3-small 是 OpenAI 推出的轻量级高效文本嵌入模型，默认输出 1536 维向量。该模型在保持优异性能的同时，价格仅为前代 ada-002 的 1/5（$0.02 vs $0.10/MTok），且在 MTEB 基准（得分 62.3）上表现优于 ada-002（60.5）。支持最大 8191 tokens 输入和 Matryoshka 维度调整（最低 512 维），是性价比极高的嵌入模型选择，也是 OpenAI 官方推荐的默认嵌入方案。适合大规模部署和对成本敏感的生产级应用场景。

text-embedding-3-small 是 OpenAI 推出的轻量级高效文本嵌入模型，默认输出 1536 维向量。该模型在保持优异性能的同时，价格仅为前代 ada-002 的 1/5（$0.02 vs $0.10/MTok），且在 MTEB 基准（得分 62.3）上表现优于 ada-002（60.5）。支持最大 8191 tokens 输入和 Matryoshka 维度调整（最低 512 维），是性价比极高的嵌入模型选择，也是 OpenAI 官方推荐的默认嵌入方案。适合大规模部署和对成本敏感的生产级应用场景。

text-embedding-3-small 是 OpenAI 推出的轻量级高效文本嵌入模型，默认输出 1536 维向量。该模型在保持优异性能的同时，价格仅为前代 ada-002 的 1/5（$0.02 vs $0.10/MTok），且在 MTEB 基准（得分 62.3）上表现优于 ada-002（60.5）。支持最大 8191 tokens 输入和 Matryoshka 维度调整（最低 512 维），是性价比极高的嵌入模型选择，也是 OpenAI 官方推荐的默认嵌入方案。适合大规模部署和对成本敏感的生产级应用场景。

text-embedding-3-small 是 OpenAI 推出的轻量级高效文本嵌入模型，默认输出 1536 维向量。该模型在保持优异性能的同时，价格仅为前代 ada-002 的 1/5（$0.02 vs $0.10/MTok），且在 MTEB 基准（得分 62.3）上表现优于 ada-002（60.5）。支持最大 8191 tokens 输入和 Matryoshka 维度调整（最低 512 维），是性价比极高的嵌入模型选择，也是 OpenAI 官方推荐的默认嵌入方案。适合大规模部署和对成本敏感的生产级应用场景。

原站公开的站内额度标价；充值折扣、规格附加费及最终扣费以原站为准。

原站公开的站内额度标价；充值折扣、规格附加费及最终扣费以原站为准。

原站公开的站内额度标价；充值折扣、规格附加费及最终扣费以原站为准。

原站公开的站内额度标价；充值折扣、规格附加费及最终扣费以原站为准。

向量嵌入模型，面向语义搜索、检索、聚类与排序流水线

原站公开的站内额度标价；充值折扣、规格附加费及最终扣费以原站为准。

原站公开的站内额度标价；充值折扣、规格附加费及最终扣费以原站为准。

原站公开的站内额度标价；充值折扣、规格附加费及最终扣费以原站为准。

原站公开的站内额度标价；充值折扣、规格附加费及最终扣费以原站为准。

用于高效处理的小型文本嵌入模型。

用于高效处理的小型文本嵌入模型。