text-embedding-3-small de OpenAI es uno de los modelos de incrustación más utilizados para aplicaciones de IA. Es la opción preferida por los desarrolladores que construyen sistemas de búsqueda, RAG (Generación Aumentada por Recuperación) y clasificación. Aquí tienes todo lo que necesitas saber.
Qué Es
text-embedding-3-small es un modelo de incrustación de OpenAI que convierte texto en vectores numéricos (incrustaciones). Estos vectores capturan el significado semántico del texto, permitiendo la búsqueda de similitudes, agrupamiento y clasificación.
Cuando envías texto al modelo, este devuelve un vector de 1,536 dimensiones (por defecto). Los textos con significados similares producen vectores que están cerca uno del otro en este espacio de alta dimensión.
Especificaciones Clave
Dimensiones: 1,536 (por defecto), se puede reducir hasta 256 utilizando el aprendizaje de representación Matryoshka. Reducir dimensiones ahorra almacenamiento y acelera la búsqueda con una pérdida mínima de calidad.
Entrada máxima: 8,191 tokens (~6,000 palabras). Suficientemente largo para la mayoría de documentos y pasajes.
Rendimiento: Rendimiento sólido en benchmarks estándar (MTEB). No es el mejor absoluto, pero es excelente por su tamaño y costo.
Costo: $0.02 por millón de tokens. Extremadamente barato — incrustar un millón de palabras cuesta alrededor de 3 centavos.
text-embedding-3-small vs. text-embedding-3-large
OpenAI ofrece dos modelos de incrustación en la familia v3:
text-embedding-3-small: 1,536 dimensiones, $0.02/M tokens. Buen rendimiento, muy barato.
text-embedding-3-large: 3,072 dimensiones, $0.13/M tokens. Mejor rendimiento, 6.5 veces más caro.
Para la mayoría de aplicaciones, text-embedding-3-small es la mejor elección. La diferencia de calidad es pequeña y el ahorro de costos es significativo. Usa text-embedding-3-large solo cuando necesites la máxima precisión en recuperación y el costo no sea un problema.
Casos de Uso Comunes
Búsqueda semántica. Convierte documentos y consultas en incrustaciones, y luego encuentra los documentos más similares para cualquier consulta. Esto impulsa las funciones de búsqueda en aplicaciones de IA, bases de conocimiento y sitios de documentación.
RAG (Generación Aumentada por Recuperación). El caso de uso más común. Incrusta tus documentos, guárdalos en una base de datos de vectores y recupera contexto relevante cuando los usuarios hagan preguntas. El contexto recuperado se pasa luego a un LLM para generar respuestas precisas.
Clasificación. Usa incrustaciones como características para la clasificación de texto. Las incrustaciones capturan el significado semántico, haciendo que la clasificación sea más precisa que los enfoques basados en palabras clave.
Clustering. Agrupa documentos similares basados en sus incrustaciones. Útil para organizar grandes colecciones de documentos, identificar temas y detectar duplicados.
Recomendación. Encuentra elementos similares (productos, artículos, contenido) basados en la similitud de incrustaciones. Más matizado que la coincidencia de palabras clave porque entiende las relaciones semánticas.
Cómo Utilizarlo
Usando la API de OpenAI:
Haz una llamada al endpoint de incrustaciones con tu texto y el nombre del modelo “text-embedding-3-small”. La API devuelve un vector que puedes almacenar en una base de datos de vectores (Pinecone, Weaviate, ChromaDB, pgvector) o utilizar directamente para cálculos de similitud.
Para la reducción de dimensiones, pasa el parámetro “dimensiones” con el tamaño deseado (por ejemplo, 256, 512, 1024). El modelo utiliza el aprendizaje de representación Matryoshka para producir vectores más cortos que retienen la mayor parte de la información semántica.
Consejos para los Mejores Resultados
Corta tus documentos. No incrustes documentos completos como vectores únicos. Divídelos en fragmentos de 200-500 tokens para mejorar la precisión en la recuperación.
Utiliza fragmentos significativos. Divide en los límites de párrafos o secciones en lugar de contar tokens arbitrarios. La coherencia semántica dentro de los fragmentos mejora la calidad de recuperación.
Considera la reducción de dimensiones. Para aplicaciones a gran escala, reducir las dimensiones de 1,536 a 512 o 256 puede reducir significativamente los costos de almacenamiento y acelerar la búsqueda con una pérdida mínima de calidad.
Normaliza vectores. Para la búsqueda de similitud coseno, normaliza tus vectores. La mayoría de las bases de datos de vectores manejan esto automáticamente.
Alternativas
Cohere Embed v3: Calidad competitiva, soporta bien múltiples idiomas.
Voyage AI: Rendimiento fuerte, particularmente para código y contenido técnico.
BGE (BAAI): Código abierto, se puede ejecutar localmente. Buena calidad para una opción gratuita.
Nomic Embed: Código abierto con rendimiento competitivo.
Mi Perspectiva
text-embedding-3-small es la opción predeterminada para la mayoría de aplicaciones de IA. Es barato, rápido, fácil de usar y lo suficientemente bueno para la gran mayoría de los casos de uso. Comienza aquí, y solo considera alternativas si tienes requisitos específicos (mejor soporte multilingüe, implementación local o máxima precisión) que justifiquen el cambio.
🕒 Last updated: · Originally published: March 25, 2026