O que é text-embedding-3-large?
O text-embedding-3-large é o modelo de embeddings mais capaz da OpenAI, lançado em janeiro de 2024 e ainda o mais recente dela em outubro de 2026. Modelos de embeddings transformam texto em vetores para que o software encontre trechos relacionados em busca, agrupamento, classificação e geração aumentada por recuperação (RAG).
Ele lida com inglês e outros idiomas, aceita até 8.192 tokens por entrada e gera 3.072 dimensões por padrão, que podem ser reduzidas com um parâmetro dimensions para economizar armazenamento. Trabalha só com texto.
Custa US$ 0,13 por milhão de tokens pela Embeddings API da OpenAI, com a Batch API pela metade do preço. O text-embedding-3-small, menor, custa US$ 0,02 por milhão.
Quanto custa text-embedding-3-large?
| Plano | Preço | O que inclui |
|---|---|---|
| text-embedding-3-large | $0.13 per 1M tokens | Batch pela metade do preço |
| text-embedding-3-small | $0.02 per 1M tokens |
US$ 0,13 por 1 milhão de tokens; Batch pela metade do preço; text-embedding-3-small a US$ 0,02 por 1 milhão.
text-embedding-3-large vale a pena?
O text-embedding-3-large é o modelo de embeddings que ninguém é culpado por escolher, e o que mais vale testar de novo. A OpenAI não lança um modelo de embeddings novo desde janeiro de 2024, e o número dela no lançamento é 64,6 no MTEB original. Notas mais novas costumam ser comparadas a ele de forma injusta: os 75,22 do Qwen3-Embedding-8B são no MTEB English v2, outro benchmark, e o levantamento de 2026 da Cognee alerta contra classificar os dois juntos. A comparação mais limpa é a da Voyage, que encontrou o voyage-4-large 14,05% melhor em média nos 29 conjuntos de dados do benchmark de recuperação RTEB, embora seja um teste do fornecedor.
O preço não é onde ele perde. A US$ 0,13 por milhão de tokens, ou metade disso pela Batch API, a OpenAI estima cerca de 9.615 páginas de 800 tokens por dólar, então gerar embeddings de um arquivo de dez milhões de páginas custa cerca de US$ 1.040, ou US$ 520 em batch. O armazenamento custa mais que os tokens: 3.072 dimensões float32 são 12 KB por vetor, por isso o parâmetro dimensions importa, e a OpenAI diz que o modelo reduzido a 256 dimensões ainda supera o ada-002 com 1.536.
Para compradores corporativos, o atrativo é o tratamento de dados da OpenAI. As entradas da API não são usadas para treinamento a menos que o cliente opte por isso, o endpoint de embeddings não guarda estado da aplicação, e ele se qualifica para Zero Data Retention sem condições extras; caso contrário, os logs de monitoramento de abuso são mantidos por 30 dias. O processamento pode ficar nos EUA, na Europa ou, só para este modelo, nos Emirados Árabes Unidos, embora toda região fora dos EUA exija um aditivo de retenção assinado.
Os limites são estruturais. A entrada para em 8.192 tokens, então documentos longos precisam ser divididos em trechos, e ele só trabalha com texto, enquanto o Cohere Embed 5 e o Gemini Embedding 2 também aceitam imagens. Sair dele depois significa gerar de novo os embeddings de todo o corpus, então o custo real de escolhê-lo é menos o preço dos tokens que a conta de migração que a equipe assume.
Onde ele se destaca
Um engenheiro de RAG em uma empresa SaaS de 50 pessoas que já usa a OpenAI
Gerar embeddings da central de ajuda e do histórico de tickets para um bot de suporte
Uma chave de API e nenhuma nova avaliação de fornecedor: 2 milhões de trechos de 500 tokens custam US$ 130 para gerar embeddings, US$ 65 pelo Batch. Peça 1.024 dimensões se o banco vetorial tiver esse limite e aceite uma pequena perda de precisão.
Um responsável por compliance em uma seguradora europeia
Manter o tráfego de embeddings em processamento na UE, sem retenção
Use o endpoint regional eu., que exige Zero Data Retention ou monitoramento de abuso modificado e um aditivo de retenção assinado. Como os embeddings não guardam estado da aplicação, o ZDR também elimina o log de abuso de 30 dias.
Um engenheiro de busca avaliando a migração de um índice de 10 milhões de documentos
Decidir se troca por um modelo de embeddings mais novo
Gerar de novo os embeddings de cerca de 8 bilhões de tokens custa cerca de US$ 1.040, ou US$ 520 no Batch com até 50.000 entradas por lote, então a conta de tokens é pequena; reindexação e avaliação são o custo real. Teste o voyage-4-large com suas próprias consultas, já que a diferença de 14,05% é medição da Voyage.
Antes de decidir
- Configuração
- Chame POST /v1/embeddings com o modelo text-embedding-3-large e um valor opcional de dimensions; qualquer SDK da OpenAI devolve vetores minutos depois de criar uma chave.
- Integrações
- Só os endpoints Embeddings e Batch são suportados. A maioria dos bancos de dados vetoriais e frameworks de RAG o traz como opção nativa.
- Dados e privacidade
- Os dados da API não são usados para treinamento a menos que você opte por isso; os logs de monitoramento de abuso são mantidos por 30 dias, a menos que o Zero Data Retention seja aprovado, o que os embeddings suportam. Processamento regional nos EUA, na Europa e nos Emirados Árabes Unidos; a página de segurança e o portal de confiança da OpenAI cobrem a API com um relatório SOC 2 Type 2 e certificações ISO/IEC 27001:2022 e 27701:2019.
- Custo em escala
- US$ 0,13 por 1 milhão de tokens, US$ 0,065 no Batch: um arquivo de 10 milhões de páginas a 800 tokens por página sai por cerca de US$ 1.040, ou US$ 520 em batch. O armazenamento de vetores com 3.072 dimensões float32 é de cerca de 12 KB por trecho, geralmente a conta maior.
- Limites
- 8.192 tokens por entrada; o Batch permite 50.000 entradas de embeddings por lote com janela de 24 horas. Os limites de taxa vão de 100 RPM e 40K TPM no Free a 10.000 RPM e 10M TPM no Grow; nenhuma data de descontinuação foi anunciada.
O que é bom
- Suportado por quase todo framework de RAG e banco de dados vetorial
- US$ 0,13 por 1 milhão de tokens, metade disso pelo Batch
- Elegível para Zero Data Retention; sem treinamento com dados da API por padrão
- O parâmetro dimensions reduz os vetores a partir de 3.072
O que não é
- Nenhum modelo de embeddings novo da OpenAI desde janeiro de 2024
- A Voyage relata um déficit de 14,05% em recuperação frente ao voyage-4-large
- Limite de entrada de 8.192 tokens e só texto
- Plano gratuito limitado a 40K tokens por minuto
Ideal para
Equipes que já usam a OpenAI e valorizam um único fornecedor, termos de dados rígidos e amplo suporte de ferramentas acima da melhor qualidade de recuperação.
Alternativas ao text-embedding-3-large
text-embedding-3-large: perguntas frequentes
- text-embedding-3-large vale a pena?
- Seguro, barato e suportado por todo banco de dados vetorial, o text-embedding-3-large hoje fica atrás de recuperadores mais novos o bastante para justificar um novo teste antes de qualquer projeto novo. Damos nota 3.7 de 5.
- Quanto custa text-embedding-3-large?
- US$ 0,13 por 1 milhão de tokens; Batch pela metade do preço; text-embedding-3-small a US$ 0,02 por 1 milhão.
- Quais são as desvantagens de text-embedding-3-large?
- Nenhum modelo de embeddings novo da OpenAI desde janeiro de 2024; a Voyage relata um déficit de 14,05% em recuperação frente ao voyage-4-large; limite de entrada de 8.192 tokens e só texto; plano gratuito limitado a 40K tokens por minuto.
- Para quem text-embedding-3-large é indicado?
- Equipes que já usam a OpenAI e valorizam um único fornecedor, termos de dados rígidos e amplo suporte de ferramentas acima da melhor qualidade de recuperação.
- Quanto custa text-embedding-3-large para uma equipe ou em produção?
- US$ 0,13 por 1 milhão de tokens, US$ 0,065 no Batch: um arquivo de 10 milhões de páginas a 800 tokens por página sai por cerca de US$ 1.040, ou US$ 520 em batch. O armazenamento de vetores com 3.072 dimensões float32 é de cerca de 12 KB por trecho, geralmente a conta maior.
- text-embedding-3-large é seguro para dados da empresa?
- Os dados da API não são usados para treinamento a menos que você opte por isso; os logs de monitoramento de abuso são mantidos por 30 dias, a menos que o Zero Data Retention seja aprovado, o que os embeddings suportam. Processamento regional nos EUA, na Europa e nos Emirados Árabes Unidos; a página de segurança e o portal de confiança da OpenAI cobrem a API com um relatório SOC 2 Type 2 e certificações ISO/IEC 27001:2022 e 27701:2019.
- Quais são as melhores alternativas ao text-embedding-3-large?
- As alternativas mais próximas que analisamos são voyage-4-large, Gemini Embedding 2 e Cohere Embed 5.
Respostas verificadas em 26 de out. de 2026.