用语义连接查询与文档
模型把查询和文档转换为同一种向量表示，适合寻找措辞不同但含义接近的内容。相比仅依赖关键词的检索方式，它可承担语义候选召回环节；应用再结合关键词、业务筛选或排序规则，形成最终搜索结果，而不是把相似度直接当作事实判断。
Overview
API
Pricing
规格与接口特性
在选型前明确容量、输入输出与调用方式。
- 原生输入容量
- 8192 tokens 上下文长度
- 完整向量维度
- 1536 维
- 输入方式
- 非空文本、文本批次、token 数组或 token 数组批次
- 批次数量
- 文本批次与 token 批次最多 2048 项
- 输出编码
- float 或 base64，默认 float
- 调用方式
- POST /openai/embeddings；model=text-embedding-ada-002
8192 tokens 与 1536 维是公开原生规格，批次形式和返回编码是本平台入口的调用设置，批次数量不等同于总 token 容量。
核心能力
了解 text-embedding-ada-002 能为你的工作带来什么。
统一文本与代码搜索
ada-002 将文本相似度、查询与文档搜索、自然语言与代码搜索统一到一个模型中。既能为说明文档建立索引，也能表示代码片段，支持按功能描述寻找相关实现。这里的代码能力是语义表示与检索，不是编写程序、运行代码或验证程序正确性。
结构化向量便于应用接入
完整输出为 1536 维向量，便于按固定维度配置索引。返回数据带有 index，可用于关联批次中的输入，并提供 token 用量信息。默认 float 便于数值处理；选择 base64 时，需要按编码方式解码后再交给向量计算或存储组件。
适用场景
从具体任务出发，找到模型发挥作用的位置。
维护已有知识库检索
把新增帮助文档、产品说明和内部制度切分成文本块，继续用 ada-002 生成向量并写入既有索引。用户问题也使用同一模型编码，检索出相关片段后交给回答模型。交付物是可追溯的候选文档与片段，不是嵌入接口直接生成的答案。
发现相似内容与重复主题
输入工单正文、文章摘要或产品描述，得到向量后进行相似度排序或聚类，可用于寻找相近问题、归并重复主题与推荐相关内容。应用需自行设定阈值并抽样检查结果，尤其要区分主题相近与业务上完全重复，避免自动合并重要差异。
建立代码片段搜索
将函数片段、注释和开发文档分别编码，再把“解析配置文件”等自然语言需求转换为查询向量，返回相关代码位置与说明。适合代码库导航和实现参考；索引中应保留文件路径与版本信息，便于开发者回到原文件检查实际逻辑。
如何选择这个模型
结合任务复杂度、输入材料与预期结果选择。
已有 ada 索引时优先考虑一致性
如果现有文档向量由 ada-002 生成，继续使用它处理新增内容和查询，有利于保持检索空间一致。不要因为另一模型也输出相同维数，就直接混入旧索引。计划升级时，应重新编码文档，并用真实查询对比召回结果、存储开销与迁移成本，再决定是否切换。
新项目同时评估第三代嵌入
新建检索系统时，建议同时评估 text-embedding-3-small 和 text-embedding-3-large。官方比较显示，两者在多语言检索和英文任务平均基准上均优于 ada-002，并具备原生向量缩短能力。ada-002 更适合作为既有系统的延续或实验基线，选择仍应以业务数据测试为准。
开始使用
从一次小规模任务到正式接入。
准备任务与材料
明确目标、必要输入与输出要求，使用真实业务样例作为起点。
在 API 调试区试用
打开试用页，确认此入口支持的参数，再提交小规模任务查看结果。
按 API 文档接入
保留完整模型 ID，使用文档规定的请求格式，并在 Pricing 页确认计费规则。
使用边界
在正式使用前，了解输出质量与能力范围。
- 8192 tokens 是输入容量，不是中文字符数；长文应先计数并按内容边界切分。批次最多 2048 项也不代表每项都能同时用满原生容量。合理分块不仅有助于控制请求大小，也能让检索结果定位到更具体的段落。
- 不要将 ada-002 当作支持原生可变维度的模型使用，常规索引应按完整 1536 维设计。随意截断向量不能视为等价替代；若目标向量库要求更低维数，可评估具备原生缩短能力的 text-embedding-3 系列。
- 检索能力不等于所有分类任务都更好。官方指出，它在 SentEval 线性探测分类基准上未超过 text-similarity-davinci-001；若要在向量上训练轻量分类层，应单独验证标签区分效果，而非沿用搜索任务的结论。
常见问题
解答使用 text-embedding-ada-002 时的常见疑问。
ada-002 能直接回答知识库问题吗？
不能直接生成回答。它把问题和文档转换成向量，应用据此找出相关片段，再由生成模型组织答案。构建知识库问答时，需要另行完成文档存储、相似度检索和回答生成，嵌入接口负责其中的文本表示环节。
如何批量生成向量并对应原文？
向 input 提交非空字符串数组，或提交 token 数组组成的批次；这两种批次形式最多 2048 项。响应 data 中每项带有 index，可据此关联输入。建议同时保存业务文档 ID，以便向量写入索引后仍能找到原始内容。
能直接提交 PDF、图片或网页地址吗？
这个入口接收文本或 token 数组，不是文件解析接口。PDF 需先提取文字，图片内容需先转换为可检索文本，网页则需先获取正文。网址即使作为字符串提交，也不意味着模型会自动打开页面并读取其中的内容。
float 和 base64 会改变向量维度吗？
它们用于选择返回编码，不是选择模型或维度。float 返回数值数组，适合直接进行向量处理；base64 返回编码字符串，需要解码后使用。ada-002 的完整向量为 1536 维，不能把传输格式变化理解成向量缩短。
改用 text-embedding-3-small 要重建索引吗？
应重新编码文档并建立对应索引，查询也要使用同一个新模型。不同模型产生的向量不应仅因维数相同就混合比较。迁移前可保留旧索引做对照，使用实际搜索问题检查结果质量，再逐步切换检索流程。
模型资料 · 更新日期：2026-10-01。调用参数与计费规则请查看 API 和定价栏目。
Input
$0.0133per 1M tokens
Official $0.10
−86%vs official
Top-up
You pay$13,584for 142,800 credits · $0.0951 / credits46% OFF
You're billed in credits. Pick a top-up tier to see its per-credit rate — the larger the top-up, the cheaper each credit.
Quickstart
Try the API
API Key
Please obtain an API Key first
This is only a basic call example. See the full docs for more parameters and advanced usage.
View Docs