text-embedding-3-small API
Nutze text-embedding-3-small aus der Embedding-Familie über RunAPI. Preis pro Aufruf, kein Abo – fehlgeschlagene Generierungen werden nie berechnet.
# Base URL
https://runapi.ai
# Endpoints
POST /v1/embeddings
curl https://runapi.ai/v1/chat/completions \
-H "Authorization: Bearer $RUNAPI_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "text-embedding-3-small",
"input": [
"Erstelle Embeddings für diese Support-Artikel und eine Kundenanfrage, damit ich die ähnlichsten Treffer ranken kann."
],
"encoding_format": "float"
}'
from openai import OpenAI
client = OpenAI(
base_url="https://runapi.ai/v1",
api_key="your-runapi-key"
)
response = client.chat.completions.create(
model="text-embedding-3-small",
messages=[{"role": "user", "content": "Erstelle Embeddings für diese Support-Artikel und eine Kundenanfrage, damit ich die ähnlichsten Treffer ranken kann."}]
)
import OpenAI from "openai";
const client = new OpenAI({
baseURL: "https://runapi.ai/v1",
apiKey: "your-runapi-key"
});
const response = await client.chat.completions.create({
model: "text-embedding-3-small",
messages: [{ role: "user", content: "Erstelle Embeddings für diese Support-Artikel und eine Kundenanfrage, damit ich die ähnlichsten Treffer ranken kann." }]
});
Embedding text-embedding-3-small ist über dieselbe RunAPI-Authentifizierung, denselben Model-Skill-Workflow und nutzungsbasierte Preise verfügbar.
- Einheitlicher API Key
- Model-Skill-Setup
- Modell-ID-Referenz
- Fehlgeschlagene Generierungen werden nicht berechnet
PREISE
DATENBLATT
| Modell-ID | text-embedding-3-small |
| Anbieter | OpenAI |
| Modalität | text |
| Task-Typ | synchronous |
| Abrechnung | 1K tokens |
| Endpoint | /v1/embeddings |
| Kommerziell | Ja |
| Katalogstatus | Betriebsbereit |
Modell-Skill — text-embedding-3-small
Installiere den Skill einmal und verwende dann die Varianten-ID von dieser Seite beim Entwickeln.
| Endpoint | Protocol |
|---|---|
| /v1/embeddings | OpenAI Embeddings |
text-embedding-3-small verwenden
Modell wählen
Wähle Modell und Variante passend zu deinem App-Workflow.
Modell-ID übergeben
Nutze diese Varianten-ID im Request Body.
Task ausführen
Sende den Request und speichere die zurückgegebene Task ID.
Ausgabe abrufen
Frage ab oder empfange den Callback, wenn der Task fertig ist.
Vergleich von text-embedding-3-small
Effiziente Textvektoren für semantische Suche in Produktion
Leistungsstarke Textvektoren für Retrieval- und Ranking-Qualität
Effiziente Textvektoren für semantische Suche in Produktion
Breit unterstützte Text-Embeddings für bestehende Pipelines
Einsatzbereiche dieser Variante
Semantische Suche
Dokumente, FAQs oder Produktkataloge als Vektoren indexieren und nach Bedeutung statt Stichwort-Treffer die relevantesten Ergebnisse abrufen.
RAG-Pipelines
Knowledge-Base-Abschnitte einbetten und die ähnlichsten Treffer in einen LLM-Prompt einspeisen, um fundierte, quellengestützte Antworten zu erhalten.
Clustering & Klassifizierung
Support-Tickets, Umfrageantworten oder Nutzerfeedback nach semantischer Ähnlichkeit gruppieren – ohne manuelle Beschriftung.
Häufige Fragen zu text-embedding-3-small
Wie wähle ich text-embedding-3-small aus?
Übergib die im Quickstart angezeigte Modell-ID.
Sind die Preise nutzungsbasiert?
Ja. Preise werden pro Aufruf oder Einheit gemessen.
Welche Dimensionen gibt text-embedding-3-small aus?
text-embedding-3-small gibt standardmäßig 1.536 Dimensionen aus. Es unterstützt Matryoshka-Embeddings, sodass du 256, 512 oder 1.024 Dimensionen anfordern kannst, um Speicherkosten zu senken und dabei den Großteil der Abrufqualität zu behalten.
Wie unterscheidet sich text-embedding-3-small von text-embedding-3-large?
text-embedding-3-large hat 3.072 Dimensionen und liegt im MTEB-Benchmark rund 2 Punkte höher, kostet aber etwa 6,5-mal mehr pro Million Token. Für die meisten semantischen Such- und RAG-Anwendungsfälle liefert text-embedding-3-small vergleichbare Qualität zu einem Bruchteil der Kosten.
Was kostet text-embedding-3-small auf RunAPI?
RunAPI berechnet pro Embedding-Aufruf – ohne Abo oder Mindestausgabe. Den aktuellen Preis pro Aufruf findest du in der Preistabelle auf dieser Seite. Fehlgeschlagene Anfragen werden nie berechnet.
Kann ich Batch-Verarbeitung nutzen, um Embedding-Kosten zu senken?
Ja. Sende mehrere Texte in einem einzigen API-Aufruf, um den Overhead zu reduzieren. RunAPI verarbeitet Batch-Embedding-Anfragen und gibt alle Vektoren in einer Antwort zurück – effizienter für die Indexierung großer Dokumentsammlungen.