Qu’est-ce que text-embedding-3-large ?
text-embedding-3-large est le modèle d'embedding le plus capable d'OpenAI, sorti en janvier 2024 et toujours son plus récent en octobre 2026. Les modèles d'embedding transforment le texte en vecteurs pour qu'un logiciel puisse trouver des passages liés pour la recherche, le clustering, la classification et la génération augmentée par récupération (RAG).
Il gère l'anglais et d'autres langues, prend jusqu'à 8 192 tokens par entrée, et produit 3 072 dimensions par défaut, qui peuvent être raccourcies avec un paramètre dimensions pour économiser du stockage. Il est uniquement textuel.
Il coûte 0,13 $ par million de tokens via l'API Embeddings d'OpenAI, avec l'API Batch à moitié prix. Le text-embedding-3-small plus petit coûte 0,02 $ par million.
Combien coûte text-embedding-3-large ?
| Offre | Prix | Ce qui est inclus |
|---|---|---|
| text-embedding-3-large | $0.13 per 1M tokens | Batch à moitié prix |
| text-embedding-3-small | $0.02 per 1M tokens |
0,13 $ par 1M de tokens ; Batch à moitié prix ; text-embedding-3-small 0,02 $ par 1M.
text-embedding-3-large vaut-il le coup ?
text-embedding-3-large est le modèle d'embedding qu'on ne reproche à personne de choisir, et celui qui mérite le plus d'être retesté. OpenAI n'a livré aucun nouveau modèle d'embedding depuis janvier 2024, et son propre chiffre de lancement est 64,6 sur le MTEB original. Les scores plus récents sont souvent cités contre lui de façon injuste : les 75,22 de Qwen3-Embedding-8B sont sur MTEB English v2, un benchmark différent, et l'étude 2026 de Cognee met en garde contre un classement commun des deux. La comparaison la plus propre est celle de Voyage, qui a trouvé voyage-4-large 14,05 % meilleur en moyenne sur les 29 jeux de données du benchmark de récupération RTEB, même si c'est un test de fournisseur.
Le prix n'est pas là où il perd. À 0,13 $ par million de tokens, ou la moitié via l'API Batch, OpenAI estime environ 9 615 pages de 800 tokens par dollar, si bien qu'embedder une archive de dix millions de pages coûte environ 1 040 $, ou 520 $ en batch. Le stockage coûte plus que les tokens : 3 072 dimensions float32 font 12 KB par vecteur, ce qui explique pourquoi le paramètre dimensions compte, et OpenAI indique que le modèle réduit à 256 dimensions bat encore ada-002 à 1 536.
Pour les acheteurs entreprise, l'attrait est la gestion des données d'OpenAI. Les entrées de l'API ne servent pas à l'entraînement sauf si un client y consent, l'endpoint d'embeddings ne garde aucun état d'application, et il est éligible à la non-conservation des données sans conditions supplémentaires ; sinon, les journaux de surveillance des abus sont conservés 30 jours. Le traitement peut rester aux États-Unis, en Europe ou, pour ce modèle seul, aux Émirats arabes unis, même si chaque région hors des États-Unis exige un avenant de conservation signé.
Les limites sont structurelles. L'entrée s'arrête à 8 192 tokens, si bien que les longs documents doivent être découpés, et il est uniquement textuel alors que Cohere Embed 5 et Gemini Embedding 2 prennent aussi les images. Le quitter plus tard signifie ré-embedder tout le corpus, si bien que le vrai coût de le choisir est moins le prix du token que la facture de changement à laquelle une équipe s'engage.
Là où il fait la différence
Un ingénieur RAG dans une entreprise SaaS de 50 personnes qui utilise déjà OpenAI
Embedder le centre d'aide et l'historique des tickets pour un bot de support
Une seule clé d'API et pas de nouvelle revue de fournisseur : 2M de morceaux de 500 tokens coûtent 130 $ à embedder, 65 $ via Batch. Demandez 1 024 dimensions si le magasin de vecteurs y plafonne et acceptez une petite perte de précision.
Un responsable conformité chez un assureur européen
Garder le trafic d'embedding en traitement UE sans conservation
Utiliser l'endpoint régional eu., qui exige la non-conservation des données ou une surveillance des abus modifiée et un avenant de conservation signé. Comme les embeddings ne gardent aucun état d'application, la ZDR supprime aussi le journal d'abus de 30 jours.
Un ingénieur recherche qui pèse une migration pour un index de 10M de documents
Décider s'il faut passer à un modèle d'embedding plus récent
Ré-embedder environ 8B de tokens coûte environ 1 040 $, ou 520 $ en Batch à jusqu'à 50 000 entrées par lot, si bien que la facture de tokens est faible ; la réindexation et l'évaluation sont le vrai coût. Testez voyage-4-large sur vos propres requêtes, puisque l'écart de 14,05 % est la mesure de Voyage.
Avant de vous engager
- Mise en route
- Appelez POST /v1/embeddings avec le modèle text-embedding-3-large et une valeur dimensions optionnelle ; n'importe quel SDK OpenAI renvoie des vecteurs dans les minutes qui suivent la création d'une clé.
- Intégrations
- Seuls les endpoints Embeddings et Batch sont pris en charge. La plupart des bases de données vectorielles et frameworks RAG l'ont comme option intégrée.
- Données et confidentialité
- Les données de l'API ne servent pas à l'entraînement sauf si vous y consentez ; les journaux de surveillance des abus sont conservés 30 jours sauf si la non-conservation des données est approuvée, que les embeddings prennent en charge. Traitement régional aux États-Unis, en Europe et aux Émirats arabes unis ; la page de sécurité et le portail de confiance d'OpenAI couvrent l'API sous un rapport SOC 2 Type 2 et les certifications ISO/IEC 27001:2022 et 27701:2019.
- Coût à grande échelle
- 0,13 $ par 1M de tokens, 0,065 $ en Batch : une archive de 10M de pages à 800 tokens par page fait environ 1 040 $, ou 520 $ en batch. Le stockage vectoriel à 3 072 dimensions float32 fait environ 12 KB par morceau, généralement la plus grosse facture.
- Limites
- 8 192 tokens par entrée ; Batch autorise 50 000 entrées d'embedding par lot avec une fenêtre de 24 heures. Les limites de débit vont de 100 RPM et 40K TPM en Free à 10 000 RPM et 10M TPM en Grow ; aucune date de dépréciation n'est annoncée.
Les points forts
- Pris en charge par presque chaque framework RAG et base de données vectorielle
- 0,13 $ par 1M de tokens, la moitié via Batch
- Éligible à la non-conservation des données ; pas d'entraînement sur les données de l'API par défaut
- Le paramètre dimensions réduit les vecteurs depuis 3 072
Les points faibles
- Aucun nouveau modèle d'embedding d'OpenAI depuis janvier 2024
- Voyage rapporte un déficit de récupération de 14,05 % face à voyage-4-large
- Plafond d'entrée de 8 192 tokens et texte uniquement
- Niveau gratuit limité à 40K tokens par minute
Idéal pour
Les équipes déjà sur OpenAI qui valorisent un seul fournisseur, des conditions de données strictes et un large support d'outils plutôt que la meilleure qualité de récupération.
Alternatives à text-embedding-3-large
text-embedding-3-large : questions fréquentes
- text-embedding-3-large vaut-il le coup ?
- Sûr, bon marché et pris en charge par chaque base de données vectorielle, text-embedding-3-large est désormais derrière les récupérateurs plus récents d'assez pour justifier un nouveau test avant toute nouvelle construction. Nous lui donnons 3.7 sur 5.
- Combien coûte text-embedding-3-large ?
- 0,13 $ par 1M de tokens ; Batch à moitié prix ; text-embedding-3-small 0,02 $ par 1M.
- Quels sont les inconvénients de text-embedding-3-large ?
- Aucun nouveau modèle d'embedding d'OpenAI depuis janvier 2024; voyage rapporte un déficit de récupération de 14,05 % face à voyage-4-large; plafond d'entrée de 8 192 tokens et texte uniquement; niveau gratuit limité à 40K tokens par minute.
- À qui s’adresse text-embedding-3-large ?
- Les équipes déjà sur OpenAI qui valorisent un seul fournisseur, des conditions de données strictes et un large support d'outils plutôt que la meilleure qualité de récupération.
- Combien coûte text-embedding-3-large pour une équipe ou en production ?
- 0,13 $ par 1M de tokens, 0,065 $ en Batch : une archive de 10M de pages à 800 tokens par page fait environ 1 040 $, ou 520 $ en batch. Le stockage vectoriel à 3 072 dimensions float32 fait environ 12 KB par morceau, généralement la plus grosse facture.
- text-embedding-3-large est-il sûr pour les données de l’entreprise ?
- Les données de l'API ne servent pas à l'entraînement sauf si vous y consentez ; les journaux de surveillance des abus sont conservés 30 jours sauf si la non-conservation des données est approuvée, que les embeddings prennent en charge. Traitement régional aux États-Unis, en Europe et aux Émirats arabes unis ; la page de sécurité et le portail de confiance d'OpenAI couvrent l'API sous un rapport SOC 2 Type 2 et les certifications ISO/IEC 27001:2022 et 27701:2019.
- Quelles sont les meilleures alternatives à text-embedding-3-large ?
- Les alternatives les plus proches que nous avons testées sont voyage-4-large, Gemini Embedding 2 et Cohere Embed 5.
Réponses vérifiées le 26 oct. 2026.