text-embedding-ada-002 API
通过 RunAPI 使用 Embedding 系列的 text-embedding-ada-002。按次计费，无需订阅，失败的生成不计费。
# 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-ada-002",
"input": [
"为这些支持文档和一个客户问题生成向量，方便按相似度排序。"
],
"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-ada-002",
messages=[{"role": "user", "content": "为这些支持文档和一个客户问题生成向量，方便按相似度排序。"}]
)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-ada-002",
messages: [{ role: "user", content: "为这些支持文档和一个客户问题生成向量，方便按相似度排序。" }]
});text-embedding-ada-002 在 Embedding 家族中处于质量与成本的最佳平衡点。
- USD 按次定价
- 失败不计费
- 模型支持时流式
- Schema 校验后的工具调用
定价
技术细节
| 模型 ID | text-embedding-ada-002 |
| 提供方 | OpenAI |
| 模态 | text |
| 任务类型 | synchronous |
| 计费单位 | 1K tokens |
| API 端点 | /v1/embeddings |
| 商用许可 | 允许商用 |
| 收录状态 | 运行中 |
Model skill — text-embedding-ada-002
安装一次 skill，开发时使用本页的变体 ID。
| Endpoint | Protocol |
|---|---|
| /v1/embeddings | OpenAI Embeddings |
用 model skill 使用 text-embedding-ada-002
安装
安装该模型线对应的 model skill。
配置
把 model 字段设置为本页展示的完整模型 ID。
调用
按 skill 说明把提示词、输入文件和回调处理接入应用。
接收
从 RunAPI 读取任务响应、webhook 回调或缓存输出 URL。
text-embedding-ada-002 与其它变体的差异
兼容旧流水线的文本向量模型
高容量文本向量，提升检索和排序质量
兼容旧流水线的文本向量模型
高效文本向量，适合生产语义搜索
最适合的场景
语义搜索
将文档、FAQ 或产品目录转化为向量并建立索引，按语义含义而非关键词匹配检索最相关的结果。
RAG 流水线
将知识库内容分块向量化，把最相似的片段注入 LLM 提示词，获得有依据、可引用的回答。
聚类与分类
无需人工标注，按语义相似度对支持工单、问卷回复或用户反馈自动聚类分组。
text-embedding-ada-002 常见问题
模型 ID 跨版本稳定吗？
RunAPI 保持模型 ID 稳定，并在不改变请求形态的前提下处理兼容版本刷新。
该变体的限流？
Key 级限流随使用层级伸缩。当前限制见定价页。
能切到其它变体吗？
可以——变体只是参数，改 model 字段即可。
支持流式吗？
模型支持流式时，RunAPI 端到端流式。
质量问题在哪里报？
在公共 GitHub 仓库提 issue 或邮件联系 support。
text-embedding-ada-002 的输出维度是多少？
text-embedding-3-small 默认输出 1,536 维向量。它支持 Matryoshka 嵌入，可按需请求 256、512 或 1,024 维，在保留大部分检索质量的同时降低存储成本。
text-embedding-3-small 和 text-embedding-3-large 有什么区别？
text-embedding-3-large 拥有 3,072 维向量，MTEB 基准分高出约 2 分，但每百万 token 的成本约为 small 的 6.5 倍。对于大多数语义搜索和 RAG 场景，text-embedding-3-small 以极低成本交付相近的质量。
text-embedding-3-small 在 RunAPI 上的费用是多少？
RunAPI 按调用次数计费，无订阅费用和最低消费要求。当前每次调用费率请查看本页定价表。失败的请求不计费。
可以用批量处理来降低向量化成本吗？
可以。在单次 API 调用中批量发送多段文本以降低请求开销。RunAPI 支持批量向量化请求，并在一个响应中返回所有向量——对大规模文档索引场景更加高效。