Was ist text-embedding-3-large?
text-embedding-3-large ist OpenAIs leistungsfähigstes Embedding-Modell, veröffentlicht im Januar 2024 und auch im Oktober 2026 noch das neueste des Anbieters. Embedding-Modelle verwandeln Text in Vektoren, damit Software verwandte Passagen für Suche, Clustering, Klassifikation und Retrieval-Augmented Generation (RAG) finden kann.
Es verarbeitet Englisch und andere Sprachen, nimmt bis zu 8.192 Tokens pro Eingabe an und gibt standardmäßig 3.072 Dimensionen aus, die sich mit einem dimensions-Parameter kürzen lassen, um Speicher zu sparen. Es verarbeitet nur Text.
Über OpenAIs Embeddings-API kostet es 0,13 $ pro Million Tokens, über die Batch-API die Hälfte. Das kleinere text-embedding-3-small kostet 0,02 $ pro Million.
Was kostet text-embedding-3-large?
| Tarif | Preis | Was enthalten ist |
|---|---|---|
| text-embedding-3-large | $0.13 per 1M tokens | Batch zum halben Preis |
| text-embedding-3-small | $0.02 per 1M tokens |
0,13 $ pro 1 Mio. Tokens; Batch zum halben Preis; text-embedding-3-small 0,02 $ pro 1 Mio.
Lohnt sich text-embedding-3-large?
text-embedding-3-large ist das Embedding-Modell, für dessen Wahl niemand getadelt wird, und das, bei dem sich ein erneuter Test am meisten lohnt. OpenAI hat seit Januar 2024 kein neues Embedding-Modell veröffentlicht, und der eigene Wert zum Start liegt bei 64,6 im ursprünglichen MTEB. Neuere Werte werden ihm oft unfair gegenübergestellt: Die 75,22 von Qwen3-Embedding-8B stammen aus MTEB English v2, einem anderen Benchmark, und Cognees Übersicht von 2026 warnt davor, beide gemeinsam zu ranken. Der sauberere Vergleich stammt von Voyage, das voyage-4-large über die 29 Datensätze des Retrieval-Benchmarks RTEB im Schnitt um 14,05 % besser fand, allerdings ist das ein Test des Herstellers.
Beim Preis verliert es nicht. Bei 0,13 $ pro Million Tokens oder der Hälfte über die Batch-API schätzt OpenAI etwa 9.615 Seiten zu je 800 Tokens pro Dollar, ein Archiv von zehn Millionen Seiten zu embedden kostet also rund 1.040 $, im Batch 520 $. Speicher kostet mehr als Tokens: 3.072 float32-Dimensionen sind 12 KB pro Vektor, weshalb der dimensions-Parameter wichtig ist, und laut OpenAI schlägt das auf 256 Dimensionen gekürzte Modell immer noch ada-002 mit 1.536.
Für Unternehmenskunden ist OpenAIs Umgang mit Daten das Argument. API-Eingaben werden nicht für Training genutzt, sofern der Kunde nicht zustimmt, der Embeddings-Endpunkt speichert keinen Anwendungszustand und ist ohne Zusatzbedingungen für Zero Data Retention zugelassen; andernfalls werden Logs zur Missbrauchsüberwachung 30 Tage aufbewahrt. Die Verarbeitung kann in den USA, in Europa oder, nur bei diesem Modell, in den Vereinigten Arabischen Emiraten bleiben, wobei jede Region außerhalb der USA einen unterschriebenen Zusatz zur Datenaufbewahrung erfordert.
Die Grenzen sind struktureller Art. Die Eingabe endet bei 8.192 Tokens, lange Dokumente müssen also in Chunks zerlegt werden, und es verarbeitet nur Text, während Cohere Embed 5 und Gemini Embedding 2 auch Bilder annehmen. Ein späterer Wechsel bedeutet, den gesamten Korpus neu zu embedden. Die eigentlichen Kosten dieser Wahl sind daher weniger der Token-Preis als die Wechselrechnung, auf die sich ein Team einlässt.
Wo es sich lohnt
Ein RAG-Engineer in einem SaaS-Unternehmen mit 50 Mitarbeitenden, das bereits OpenAI nutzt
Hilfecenter und Ticketverlauf für einen Support-Bot embedden
Ein API-Schlüssel und keine neue Anbieterprüfung: 2 Mio. Chunks zu 500 Tokens kosten 130 $, über Batch 65 $. Fordere 1.024 Dimensionen an, wenn der Vector Store dort seine Grenze hat, und nimm einen kleinen Genauigkeitsverlust in Kauf.
Die Compliance-Leiterin eines europäischen Versicherers
Embedding-Traffic ohne Datenaufbewahrung in der EU verarbeiten lassen
Nutze den regionalen Endpunkt eu., der Zero Data Retention oder eine angepasste Missbrauchsüberwachung sowie einen unterschriebenen Zusatz zur Datenaufbewahrung erfordert. Da Embeddings keinen Anwendungszustand speichern, entfällt mit ZDR auch das Missbrauchslog über 30 Tage.
Ein Search-Engineer, der eine Migration für einen Index mit 10 Mio. Dokumenten abwägt
Entscheiden, ob sich der Wechsel zu einem neueren Embedding-Modell lohnt
Etwa 8 Mrd. Tokens neu zu embedden kostet rund 1.040 $, über Batch mit bis zu 50.000 Eingaben pro Batch 520 $, die Token-Rechnung ist also klein; Neuindexierung und Evaluation sind die eigentlichen Kosten. Teste voyage-4-large mit deinen eigenen Anfragen, denn der Abstand von 14,05 % ist die Messung von Voyage.
Bevor du dich festlegst
- Einrichtung
- Rufe POST /v1/embeddings mit dem Modell text-embedding-3-large und optional einem dimensions-Wert auf; jedes OpenAI-SDK liefert wenige Minuten nach dem Anlegen eines Schlüssels Vektoren.
- Integrationen
- Unterstützt werden nur die Endpunkte Embeddings und Batch. Die meisten Vektordatenbanken und RAG-Frameworks haben es als eingebaute Option.
- Daten und Datenschutz
- API-Daten werden nicht für Training genutzt, sofern du nicht zustimmst; Logs zur Missbrauchsüberwachung werden 30 Tage aufbewahrt, sofern keine Zero Data Retention genehmigt ist, die Embeddings unterstützen. Regionale Verarbeitung in den USA, Europa und den Vereinigten Arabischen Emiraten; OpenAIs Sicherheitsseite und Trust Portal decken die API mit einem SOC-2-Type-2-Bericht und Zertifizierungen nach ISO/IEC 27001:2022 und 27701:2019 ab.
- Kosten im großen Maßstab
- 0,13 $ pro 1 Mio. Tokens, 0,065 $ über Batch: Ein Archiv mit 10 Mio. Seiten zu 800 Tokens pro Seite kostet etwa 1.040 $, im Batch 520 $. Die Vektorspeicherung mit 3.072 float32-Dimensionen braucht etwa 12 KB pro Chunk und ist meist der größere Posten.
- Grenzen
- 8.192 Tokens pro Eingabe; Batch erlaubt 50.000 Embedding-Eingaben pro Batch mit einem Zeitfenster von 24 Stunden. Die Rate Limits reichen von 100 RPM und 40K TPM auf Free bis 10.000 RPM und 10 Mio. TPM auf Grow; ein Abkündigungsdatum ist nicht angekündigt.
Was gut ist
- Von fast jedem RAG-Framework und jeder Vektordatenbank unterstützt
- 0,13 $ pro 1 Mio. Tokens, über Batch die Hälfte
- Für Zero Data Retention zugelassen; standardmäßig kein Training auf API-Daten
- dimensions-Parameter verkleinert Vektoren von 3.072 Dimensionen
Was nicht
- Kein neues Embedding-Modell von OpenAI seit Januar 2024
- Voyage meldet einen Rückstand von 14,05 % beim Retrieval gegenüber voyage-4-large
- Eingabe auf 8.192 Tokens begrenzt und nur Text
- Kostenlose Stufe auf 40K Tokens pro Minute begrenzt
Am besten für
Teams, die bereits mit OpenAI arbeiten und einen einzigen Anbieter, strenge Datenbedingungen und breite Tool-Unterstützung höher bewerten als die beste Retrieval-Qualität.
Alternativen zu text-embedding-3-large
text-embedding-3-large: häufige Fragen
- Lohnt sich text-embedding-3-large?
- Sicher, günstig und von jeder Vektordatenbank unterstützt, liegt text-embedding-3-large inzwischen so weit hinter neueren Retrievern, dass sich vor jedem neuen Projekt ein erneuter Test lohnt. Wir bewerten es mit 3.7 von 5.
- Was kostet text-embedding-3-large?
- 0,13 $ pro 1 Mio. Tokens; Batch zum halben Preis; text-embedding-3-small 0,02 $ pro 1 Mio.
- Welche Nachteile hat text-embedding-3-large?
- Kein neues Embedding-Modell von OpenAI seit Januar 2024; Voyage meldet einen Rückstand von 14,05 % beim Retrieval gegenüber voyage-4-large; Eingabe auf 8.192 Tokens begrenzt und nur Text; Kostenlose Stufe auf 40K Tokens pro Minute begrenzt.
- Für wen eignet sich text-embedding-3-large?
- Teams, die bereits mit OpenAI arbeiten und einen einzigen Anbieter, strenge Datenbedingungen und breite Tool-Unterstützung höher bewerten als die beste Retrieval-Qualität.
- Was kostet text-embedding-3-large für ein Team oder im Produktivbetrieb?
- 0,13 $ pro 1 Mio. Tokens, 0,065 $ über Batch: Ein Archiv mit 10 Mio. Seiten zu 800 Tokens pro Seite kostet etwa 1.040 $, im Batch 520 $. Die Vektorspeicherung mit 3.072 float32-Dimensionen braucht etwa 12 KB pro Chunk und ist meist der größere Posten.
- Ist text-embedding-3-large sicher für Firmendaten?
- API-Daten werden nicht für Training genutzt, sofern du nicht zustimmst; Logs zur Missbrauchsüberwachung werden 30 Tage aufbewahrt, sofern keine Zero Data Retention genehmigt ist, die Embeddings unterstützen. Regionale Verarbeitung in den USA, Europa und den Vereinigten Arabischen Emiraten; OpenAIs Sicherheitsseite und Trust Portal decken die API mit einem SOC-2-Type-2-Bericht und Zertifizierungen nach ISO/IEC 27001:2022 und 27701:2019 ab.
- Was sind die besten Alternativen zu text-embedding-3-large?
- Die nächsten Alternativen, die wir getestet haben, sind voyage-4-large, Gemini Embedding 2 und Cohere Embed 5.
Antworten geprüft am 26. Okt. 2026.