¿Qué es text-embedding-3-large?
text-embedding-3-large es el modelo de embeddings más capaz de OpenAI, publicado en enero de 2024 y todavía el más reciente de la empresa en octubre de 2026. Los modelos de embeddings convierten el texto en vectores para que el software encuentre pasajes relacionados en búsqueda, agrupamiento, clasificación y generación aumentada por recuperación (RAG).
Admite inglés y otros idiomas, acepta hasta 8.192 tokens por entrada y genera 3.072 dimensiones por defecto, que se pueden reducir con un parámetro dimensions para ahorrar almacenamiento. Solo trabaja con texto.
Cuesta 0,13 $ por millón de tokens a través de la Embeddings API de OpenAI, con la Batch API a mitad de precio. El más pequeño text-embedding-3-small cuesta 0,02 $ por millón.
¿Cuánto cuesta text-embedding-3-large?
| Plan | Precio | Qué incluye |
|---|---|---|
| text-embedding-3-large | $0.13 per 1M tokens | Batch a mitad de precio |
| text-embedding-3-small | $0.02 per 1M tokens |
0,13 $ por 1 millón de tokens; Batch a mitad de precio; text-embedding-3-small a 0,02 $ por 1 millón.
¿Merece la pena text-embedding-3-large?
text-embedding-3-large es el modelo de embeddings por cuya elección nadie recibe críticas, y el que más merece volver a probarse. OpenAI no ha lanzado ningún modelo de embeddings nuevo desde enero de 2024, y su propia cifra de lanzamiento es 64,6 en el MTEB original. Las puntuaciones más recientes se le comparan a menudo de forma injusta: el 75,22 de Qwen3-Embedding-8B es en MTEB English v2, otro benchmark, y el estudio de Cognee de 2026 advierte contra clasificar ambos juntos. La comparación más limpia es la de Voyage, que vio voyage-4-large un 14,05% mejor de media en los 29 conjuntos de datos del benchmark de recuperación RTEB, aunque es una prueba de un proveedor.
No pierde en precio. A 0,13 $ por millón de tokens, o la mitad a través de la Batch API, OpenAI calcula unas 9.615 páginas de 800 tokens por dólar, así que generar los embeddings de un archivo de diez millones de páginas cuesta unos 1.040 $, o 520 $ por lotes. El almacenamiento cuesta más que los tokens: 3.072 dimensiones float32 son 12 KB por vector, por eso importa el parámetro dimensions, y OpenAI dice que el modelo reducido a 256 dimensiones sigue superando a ada-002 con 1.536.
Para los compradores empresariales, el atractivo es el tratamiento de datos de OpenAI. Las entradas de la API no se usan para entrenar salvo que el cliente lo acepte, el endpoint de embeddings no guarda estado de la aplicación y cumple los requisitos de Zero Data Retention sin condiciones adicionales; si no, los registros de supervisión de abusos se conservan 30 días. El procesamiento puede quedarse en Estados Unidos, Europa o, solo para este modelo, Emiratos Árabes Unidos, aunque cualquier región fuera de Estados Unidos exige firmar una enmienda de retención.
Los límites son estructurales. La entrada se corta en 8.192 tokens, así que los documentos largos hay que trocearlos, y solo admite texto, mientras que Cohere Embed 5 y Gemini Embedding 2 también aceptan imágenes. Abandonarlo más adelante obliga a volver a generar los embeddings de todo el corpus, así que el coste real de elegirlo es menos el precio por token que la factura del cambio que un equipo asume.
Dónde se gana su sitio
Un ingeniero de RAG de una empresa SaaS de 50 personas que ya usa OpenAI
Generar embeddings del centro de ayuda y del historial de tickets para un bot de soporte
Una clave de API y ninguna revisión de proveedor nuevo: 2 millones de fragmentos de 500 tokens cuestan 130 $, 65 $ a través de Batch. Pide 1.024 dimensiones si la base vectorial tiene ese tope y acepta una pequeña pérdida de precisión.
La responsable de cumplimiento de una aseguradora europea
Mantener el tráfico de embeddings en procesamiento de la UE sin retención
Usa el endpoint regional eu., que exige Zero Data Retention o una supervisión de abusos modificada y la firma de una enmienda de retención. Como los embeddings no guardan estado de la aplicación, ZDR elimina también el registro de abusos de 30 días.
Un ingeniero de búsqueda que sopesa migrar un índice de 10 millones de documentos
Decidir si cambiar a un modelo de embeddings más nuevo
Volver a generar los embeddings de unos 8.000 millones de tokens cuesta unos 1.040 $, o 520 $ en Batch con hasta 50.000 entradas por lote, así que la factura de tokens es pequeña; la reindexación y la evaluación son el coste real. Prueba voyage-4-large con tus propias consultas, porque la diferencia del 14,05% es una medición de Voyage.
Antes de decidirte
- Puesta en marcha
- Llama a POST /v1/embeddings con el modelo text-embedding-3-large y un valor dimensions opcional; cualquier SDK de OpenAI devuelve vectores a los pocos minutos de crear una clave.
- Integraciones
- Solo se admiten los endpoints Embeddings y Batch. La mayoría de las bases de datos vectoriales y frameworks de RAG lo incluyen como opción integrada.
- Datos y privacidad
- Los datos de la API no se usan para entrenar salvo que lo aceptes; los registros de supervisión de abusos se conservan 30 días salvo que se apruebe Zero Data Retention, que los embeddings admiten. Procesamiento regional en Estados Unidos, Europa y Emiratos Árabes Unidos; la página de seguridad y el portal de confianza de OpenAI cubren la API con un informe SOC 2 Type 2 y las certificaciones ISO/IEC 27001:2022 y 27701:2019.
- Coste a escala
- 0,13 $ por 1 millón de tokens, 0,065 $ en Batch: un archivo de 10 millones de páginas a 800 tokens por página cuesta unos 1.040 $, o 520 $ por lotes. El almacenamiento vectorial con 3.072 dimensiones float32 ocupa unos 12 KB por fragmento, y suele ser la factura más grande.
- Límites
- 8.192 tokens por entrada; Batch admite 50.000 entradas de embeddings por lote con una ventana de 24 horas. Los límites de frecuencia van de 100 RPM y 40K TPM en Free a 10.000 RPM y 10M TPM en Grow; no hay fecha de retirada anunciada.
Lo bueno
- Compatible con casi todos los frameworks de RAG y bases de datos vectoriales
- 0,13 $ por 1 millón de tokens, la mitad a través de Batch
- Apto para Zero Data Retention; por defecto no entrena con datos de la API
- El parámetro dimensions reduce los vectores desde 3.072
Lo malo
- Ningún modelo de embeddings nuevo de OpenAI desde enero de 2024
- Voyage registra un déficit de recuperación del 14,05% frente a voyage-4-large
- Tope de entrada de 8.192 tokens y solo texto
- El plan gratuito se limita a 40K tokens por minuto
Ideal para
Equipos que ya usan OpenAI y valoran un solo proveedor, condiciones de datos estrictas y amplia compatibilidad con herramientas por encima de la máxima calidad de recuperación.
Alternativas a text-embedding-3-large
text-embedding-3-large: preguntas frecuentes
- ¿Merece la pena text-embedding-3-large?
- Seguro, barato y compatible con todas las bases de datos vectoriales, text-embedding-3-large queda ahora lo bastante por detrás de los recuperadores más nuevos como para justificar una nueva prueba antes de cualquier desarrollo nuevo. Le damos un 3.7 sobre 5.
- ¿Cuánto cuesta text-embedding-3-large?
- 0,13 $ por 1 millón de tokens; Batch a mitad de precio; text-embedding-3-small a 0,02 $ por 1 millón.
- ¿Qué inconvenientes tiene text-embedding-3-large?
- Ningún modelo de embeddings nuevo de OpenAI desde enero de 2024; voyage registra un déficit de recuperación del 14,05% frente a voyage-4-large; tope de entrada de 8.192 tokens y solo texto; el plan gratuito se limita a 40K tokens por minuto.
- ¿Para quién es text-embedding-3-large?
- Equipos que ya usan OpenAI y valoran un solo proveedor, condiciones de datos estrictas y amplia compatibilidad con herramientas por encima de la máxima calidad de recuperación.
- ¿Cuánto cuesta text-embedding-3-large para un equipo o en producción?
- 0,13 $ por 1 millón de tokens, 0,065 $ en Batch: un archivo de 10 millones de páginas a 800 tokens por página cuesta unos 1.040 $, o 520 $ por lotes. El almacenamiento vectorial con 3.072 dimensiones float32 ocupa unos 12 KB por fragmento, y suele ser la factura más grande.
- ¿Es text-embedding-3-large seguro para los datos de la empresa?
- Los datos de la API no se usan para entrenar salvo que lo aceptes; los registros de supervisión de abusos se conservan 30 días salvo que se apruebe Zero Data Retention, que los embeddings admiten. Procesamiento regional en Estados Unidos, Europa y Emiratos Árabes Unidos; la página de seguridad y el portal de confianza de OpenAI cubren la API con un informe SOC 2 Type 2 y las certificaciones ISO/IEC 27001:2022 y 27701:2019.
- ¿Cuáles son las mejores alternativas a text-embedding-3-large?
- Las alternativas más cercanas que hemos analizado son voyage-4-large, Gemini Embedding 2 y Cohere Embed 5.
Respuestas comprobadas el 26 oct 2026.