It looks like you may prefer a different language. Switch anytime.

OpenAI

text-embedding-3-small

텍스트

프로덕션 의미 검색을 위한 효율적인 텍스트 벡터

입력 $0.02 / 100만 토큰 | 출력 무료 / 100만 토큰 text-embedding-3-small 문서 읽기 →
모델 상태 데이터 부족
runapi.ai
# Base URL
https://runapi.ai

# Endpoints
POST /v1/embeddings
curl https://runapi.ai/v1/embeddings \
  -H "Authorization: Bearer $RUNAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
  "model": "text-embedding-3-small",
  "input": [
    "이 지원 문서들과 고객 질문을 임베딩해서 가장 가까운 일치 항목을 랭킹할 수 있게 해 주세요."
  ],
  "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": "이 지원 문서들과 고객 질문을 임베딩해서 가장 가까운 일치 항목을 랭킹할 수 있게 해 주세요."}]
)
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: "이 지원 문서들과 고객 질문을 임베딩해서 가장 가까운 일치 항목을 랭킹할 수 있게 해 주세요." }]
});
https://runapi.ai 1 endpoint

사용 가능한 버전 3개

Playground

text-embedding-3-small 체험하기

원하는 모델을 선택하고 몇 초 만에 생성해보세요.

현재 이용 가능한 모델이 없습니다.

사양

스펙

제공자 OpenAI
모델 ID text-embedding-3-small
모달리티 텍스트
작업 유형 Synchronous
API 엔드포인트 /v1/embeddings
청구 단위 1K 토큰
카탈로그 상태 운영 중
사용 방법

이 모델을 3단계로 사용하기

  1. 키 받기

    무료로 가입하고 대시보드에서 text-embedding-3-small용 API 키를 만드세요.

  2. 요청 보내기

    /v1/embeddings로 text-embedding-3-small 모델 ID와 매개변수를 포함한 POST 요청을 보내세요.

  3. 결과 받기

    엔드포인트에서 완료된 text-embedding-3-small 응답을 직접 읽으세요.

이 모델이 제공하는 것

endpoint 구성

1개의 공개 endpoint를 제공합니다: embedding.

사용량 기반 과금

1K 토큰 기준으로 측정되며 구독 없이 이용 가능합니다.

text-embedding-3-small 요금

엔드포인트
가격
embedding
입력: $0.02 / 100만 토큰 출력: 무료 / 100만 토큰
API 레퍼런스

엔드포인트 사양

엔드포인트
POST /v1/embeddings
모델 ID
text-embedding-3-small
작업 유형
embedding

요청 매개변수

이 엔드포인트에 게시된 요청 매개변수가 없습니다.

사용 사례

시맨틱 검색

문서, FAQ, 상품 카탈로그를 벡터로 색인하고 키워드 매칭 대신 의미 기반으로 가장 관련성 높은 결과를 검색합니다.

RAG 파이프라인

지식 베이스 청크를 임베딩하고 가장 유사한 결과를 LLM 프롬프트에 제공해 출처가 명확한 답변을 생성합니다.

클러스터링 및 분류

수동 레이블링 없이 지원 티켓, 설문 응답, 사용자 피드백을 의미적 유사성으로 그룹화합니다.

FAQ

text-embedding-3-small 자주 묻는 질문

text-embedding-3-small는 어떻게 선택하나요?

quickstart에 표시된 모델 ID를 전달하세요.

가격은 사용량 기반인가요?

네. 호출 또는 단위 기준으로 측정됩니다.

text-embedding-3-small의 출력 차원은 몇 개인가요?

text-embedding-3-small은 기본적으로 1,536 차원을 출력합니다. Matryoshka 임베딩을 지원하므로 256, 512, 1,024 차원으로 요청해 검색 품질을 거의 유지하면서 저장 비용을 줄일 수 있습니다.

text-embedding-3-small과 text-embedding-3-large의 차이는 무엇인가요?

text-embedding-3-large는 3,072 차원으로 MTEB 벤치마크에서 약 2점 높은 성능을 보이지만, 백만 토큰당 비용이 약 6.5배 더 높습니다. 대부분의 시맨틱 검색과 RAG 용도에서 text-embedding-3-small은 훨씬 낮은 비용으로 비슷한 품질을 제공합니다.

RunAPI에서 text-embedding-3-small의 요금은 얼마인가요?

RunAPI는 구독이나 최소 사용량 없이 임베딩 호출당 과금합니다. 이 페이지의 요금표에서 현재 호출당 요금을 확인하세요. 실패한 요청은 과금되지 않습니다.

배치 처리로 임베딩 비용을 줄일 수 있나요?

네. 단일 API 호출에 여러 텍스트를 전송해 오버헤드를 줄일 수 있습니다. RunAPI는 배치 임베딩 요청을 처리하고 하나의 응답으로 모든 벡터를 반환하므로 대용량 문서 컬렉션을 색인할 때 더 효율적입니다.

팀과 함께 구축하고 계신가요?

엔터프라이즈 설정, 통합, 기술 문의를 도와드립니다.

문의하기