O modelo text-embedding-3-small da OpenAI é um dos modelos de embedding mais utilizados para aplicações de IA. É a escolha preferida dos desenvolvedores que constroem sistemas de pesquisa, RAG (geração aumentada por recuperação) e classificação. Aqui está tudo que você precisa saber.
O que é
text-embedding-3-small é um modelo de embedding da OpenAI que converte texto em vetores numéricos (embeddings). Esses vetores capturam o significado semântico do texto, permitindo a pesquisa de similaridade, agrupamento e classificação.
Ao enviar texto ao modelo, ele retorna um vetor de 1.536 dimensões (por padrão). Textos com significados semelhantes produzem vetores próximos uns dos outros nesse espaço de alta dimensão.
Especificações chave
Dimensões: 1.536 (por padrão), pode ser reduzido para tão pouco quanto 256 usando o aprendizado de representação Matryoshka. A redução das dimensões economiza espaço de armazenamento e acelera a pesquisa com uma perda de qualidade mínima.
Entrada máx: 8.191 tokens (~6.000 palavras). Suficientemente longo para a maioria dos documentos e trechos.
Desempenho: Bom desempenho em benchmarks padrões (MTEB). Não é o melhor absoluto, mas excelente para seu tamanho e custo.
Custo: 0,02 $ por milhão de tokens. Extremamente barato — o embedding de um milhão de palavras custa cerca de 3 centavos.
text-embedding-3-small vs. text-embedding-3-large
A OpenAI oferece dois modelos de embedding na família v3:
text-embedding-3-small: 1.536 dimensões, 0,02 $/M tokens. Bom desempenho, muito econômico.
text-embedding-3-large: 3.072 dimensões, 0,13 $/M tokens. Melhor desempenho, 6,5 vezes mais caro.
Para a maioria das aplicações, text-embedding-3-small é a melhor escolha. A diferença de qualidade é pequena, e as economias de custo são significativas. Use text-embedding-3-large apenas quando precisar de máxima precisão de recuperação e o custo não for uma preocupação.
Casos de uso comuns
Pesquisa semântica. Converta documentos e consultas em embeddings, e depois encontre os documentos mais semelhantes para qualquer consulta. Isso alimenta as funcionalidades de pesquisa em aplicações de IA, bases de conhecimento e sites de documentação.
RAG (Geração aumentada por recuperação). O caso de uso mais comum. Integre seus documentos, armazene-os em um banco de dados vetorial, e recupere o contexto relevante quando os usuários fizerem perguntas. O contexto recuperado é então passado para um LLM para gerar respostas precisas.
Classificação. Use os embeddings como características para a classificação de texto. Os embeddings capturam o significado semântico, tornando a classificação mais precisa do que abordagens baseadas em palavras-chave.
Agregamento. Agrupe documentos semelhantes com base em seus embeddings. Útil para organizar grandes coleções de documentos, identificar tópicos e detectar duplicatas.
Recomendação. Encontre artigos semelhantes (produtos, artigos, conteúdo) com base na similaridade dos embeddings. Mais sutileza do que a correspondência por palavras-chave, pois comprende as relações semânticas.
Como usar
Uso da API OpenAI:
Chame o endpoint de embeddings com seu texto e o nome do modelo “text-embedding-3-small”. A API retorna um vetor que você pode armazenar em um banco de dados vetorial (Pinecone, Weaviate, ChromaDB, pgvector) ou usar diretamente para cálculos de similaridade.
Para a redução de dimensão, passe o parâmetro “dimensions” com o tamanho desejado (por exemplo, 256, 512, 1024). O modelo usa o aprendizado de representação Matryoshka para produzir vetores mais curtos que mantêm a maior parte das informações semânticas.
Dicas para melhores resultados
Divida seus documentos. Não coloque documentos inteiros como vetores únicos. Divida-os em partes de 200 a 500 tokens para uma melhor precisão de recuperação.
Use partes significativas. Divida nos limites de parágrafo ou de seção em vez de em contas de tokens arbitrárias. A coerência semântica dentro das partes melhora a qualidade da recuperação.
Considere a redução de dimensão. Para aplicações em grande escala, reduzir as dimensões de 1.536 para 512 ou 256 pode diminuir consideravelmente os custos de armazenamento e acelerar a pesquisa com uma perda de qualidade mínima.
Normalize os vetores. Para a pesquisa de similaridade cosseno, normalize seus vetores. A maioria dos bancos de dados vetoriais faz isso automaticamente.
Alternativas
Cohere Embed v3: Qualidade competitiva, suporta bem várias idiomas.
Voyage AI: Alto desempenho, especialmente para código e conteúdo técnico.
BGE (BAAI): Open-source, pode ser executado localmente. Boa qualidade para uma opção gratuita.
Nomic Embed: Open-source com desempenho competitivo.
Minha opinião
text-embedding-3-small é a escolha padrão para a maioria das aplicações de IA. É barato, rápido, fácil de usar, e suficientemente bom para a grande maioria dos casos de uso. Comece aqui, e considere outras opções somente se você tiver requisitos específicos (melhor suporte multilíngue, implantação local, ou precisão máxima) que justifiquem a mudança.
🕒 Published: