CrazyrouterCrazyrouter
Login
Back to Blog
Tutoriel API Text-Embedding-3-Small - Guide du Modèle d'Embedding OpenAI

Tutoriel API Text-Embedding-3-Small - Guide du Modèle d'Embedding OpenAI

C
Crazyrouter Team
January 26, 2026
17 viewsFrançaisTutorial
Share:

Vous construisez un moteur de recherche sémantique ou un système RAG (Retrieval-Augmented Generation) ? Text-embedding-3-small est le dernier modèle d'embedding d’OpenAI qui convertit le texte en vecteurs numériques, permettant une recherche par similarité et une récupération de contenu puissantes.

Dans ce guide, vous apprendrez :

  • Ce que sont les embeddings de texte et pourquoi ils sont importants
  • Comment utiliser l’API text-embedding-3-small
  • Des exemples de code complets en Python et Node.js
  • Des dimensions personnalisées pour un stockage optimisé
  • Une comparaison des prix et des stratégies de réduction des coûts

Qu'est-ce que Text-Embedding-3-Small ?#

Text-embedding-3-small est le modèle d'embedding compact d’OpenAI, publié en janvier 2024. Il convertit le texte en vecteurs de dimension 1536 qui capturent le sens sémantique, permettant :

  • Recherche sémantique : Trouver des documents pertinents selon le sens, et pas seulement les mots-clés
  • Systèmes RAG : Récupérer du contexte pour les réponses des LLM
  • Mise en correspondance par similarité : Comparer la similarité de textes pour des recommandations
  • Clustering : Regrouper des documents similaires
  • Classification : Catégoriser du texte en fonction de son contenu

Spécifications du modèle#

SpécificationValeur
Nom du modèletext-embedding-3-small
Dimensions par défaut1536
Dimensions personnalisées256, 512, 1024, 1536
Nombre maximal de tokens en entrée8,191
SortieVecteur normalisé

Démarrage rapide#

Prérequis#

  1. Inscrivez-vous sur Crazyrouter
  2. Récupérez votre clé API depuis le tableau de bord
  3. Python 3.8+ ou Node.js 16+

Exemple Python#

python
from openai import OpenAI

client = OpenAI(
    api_key="your-crazyrouter-api-key",
    base_url="https://crazyrouter.com/v1"
)

# Générer un embedding pour un seul texte
response = client.embeddings.create(
    model="text-embedding-3-small",
    input="Machine learning is transforming industries worldwide."
)

embedding = response.data[0].embedding
print(f"Dimensions: {len(embedding)}")  # Output: 1536
print(f"First 5 values: {embedding[:5]}")

Exemple Node.js#

javascript
import OpenAI from 'openai';

const client = new OpenAI({
    apiKey: 'your-crazyrouter-api-key',
    baseURL: 'https://crazyrouter.com/v1'
});

async function getEmbedding(text) {
    const response = await client.embeddings.create({
        model: 'text-embedding-3-small',
        input: text
    });

    return response.data[0].embedding;
}

// Usage
const embedding = await getEmbedding('Machine learning is amazing');
console.log(`Dimensions: ${embedding.length}`);  // Output: 1536

Exemple cURL#

bash
curl -X POST https://crazyrouter.com/v1/embeddings \
  -H "Authorization: Bearer your-api-key" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "text-embedding-3-small",
    "input": "Hello world"
  }'

Réponse :

json
{
  "object": "list",
  "model": "text-embedding-3-small",
  "usage": {
    "prompt_tokens": 2,
    "total_tokens": 2
  },
  "data": [
    {
      "object": "embedding",
      "index": 0,
      "embedding": [-0.0020785425, -0.049085874, 0.02094679, ...]
    }
  ]
}

Embedding par lots#

Traitez plusieurs textes dans un seul appel d’API pour une meilleure efficacité :

python
from openai import OpenAI

client = OpenAI(
    api_key="your-crazyrouter-api-key",
    base_url="https://crazyrouter.com/v1"
)

# Embedding par lot - plusieurs textes en une seule fois
texts = [
    "Python is a programming language",
    "JavaScript runs in browsers",
    "Machine learning uses neural networks"
]

response = client.embeddings.create(
    model="text-embedding-3-small",
    input=texts
)

# Accéder à chaque embedding
for i, data in enumerate(response.data):
    print(f"Text {i}: {len(data.embedding)} dimensions")

# Output:
# Text 0: 1536 dimensions
# Text 1: 1536 dimensions
# Text 2: 1536 dimensions

Dimensions personnalisées#

Réduisez les coûts de stockage en utilisant des dimensions plus petites. Le modèle prend en charge la réduction de dimension tout en maintenant la qualité :

python
# Utiliser 512 dimensions au lieu de 1536
response = client.embeddings.create(
    model="text-embedding-3-small",
    input="Your text here",
    dimensions=512  # Options: 256, 512, 1024, 1536
)

embedding = response.data[0].embedding
print(f"Dimensions: {len(embedding)}")  # Output: 512

Comparaison des dimensions#

DimensionsStockage (par vecteur)Cas d’usage
2561 KBApplications mobiles, stockage limité
5122 KBPerformance équilibrée
10244 KBBesoins de haute précision
15366 KBPrécision maximale

Construire un système de recherche sémantique#

Voici un exemple complet de construction d’un système de recherche sémantique :

python
import numpy as np
from openai import OpenAI

client = OpenAI(
    api_key="your-crazyrouter-api-key",
    base_url="https://crazyrouter.com/v1"
)

def get_embedding(text):
    """Get embedding for a single text"""
    response = client.embeddings.create(
        model="text-embedding-3-small",
        input=text
    )
    return response.data[0].embedding

def cosine_similarity(a, b):
    """Calculate cosine similarity between two vectors"""
    return np.dot(a, b) / (np.linalg.norm(a) * np.linalg.norm(b))

# Base de documents
documents = [
    "Python is great for data science and machine learning",
    "JavaScript is essential for web development",
    "Docker containers simplify deployment",
    "Kubernetes orchestrates container workloads",
    "PostgreSQL is a powerful relational database"
]

# Pré-calculer les embeddings pour tous les documents
doc_embeddings = [get_embedding(doc) for doc in documents]

# Fonction de recherche
def search(query, top_k=3):
    query_embedding = get_embedding(query)

    # Calculer les similarités
    similarities = [
        cosine_similarity(query_embedding, doc_emb)
        for doc_emb in doc_embeddings
    ]

    # Récupérer les meilleurs résultats
    results = sorted(
        zip(documents, similarities),
        key=lambda x: x[1],
        reverse=True
    )[:top_k]

    return results

# Exemple de recherche
results = search("How to deploy applications?")
for doc, score in results:
    print(f"Score: {score:.4f} - {doc}")

# Output:
# Score: 0.8234 - Docker containers simplify deployment
# Score: 0.7891 - Kubernetes orchestrates container workloads
# Score: 0.6543 - PostgreSQL is a powerful relational database

Intégration avec des bases de données vectorielles#

Intégration Pinecone#

python
import pinecone
from openai import OpenAI

# Initialiser les clients
client = OpenAI(
    api_key="your-crazyrouter-api-key",
    base_url="https://crazyrouter.com/v1"
)

pinecone.init(api_key="your-pinecone-key")
index = pinecone.Index("your-index")

def embed_and_upsert(texts, ids):
    """Embed texts and store in Pinecone"""
    response = client.embeddings.create(
        model="text-embedding-3-small",
        input=texts
    )

    vectors = [
        (id, data.embedding)
        for id, data in zip(ids, response.data)
    ]

    index.upsert(vectors=vectors)

def search_pinecone(query, top_k=5):
    """Search Pinecone with query embedding"""
    response = client.embeddings.create(
        model="text-embedding-3-small",
        input=query
    )

    results = index.query(
        vector=response.data[0].embedding,
        top_k=top_k
    )

    return results

Intégration ChromaDB#

python
import chromadb
from openai import OpenAI

client = OpenAI(
    api_key="your-crazyrouter-api-key",
    base_url="https://crazyrouter.com/v1"
)

# Initialiser ChromaDB
chroma_client = chromadb.Client()
collection = chroma_client.create_collection("documents")

def get_embeddings(texts):
    """Get embeddings for multiple texts"""
    response = client.embeddings.create(
        model="text-embedding-3-small",
        input=texts
    )
    return [data.embedding for data in response.data]

# Ajouter des documents
documents = ["doc1 content", "doc2 content", "doc3 content"]
embeddings = get_embeddings(documents)

collection.add(
    embeddings=embeddings,
    documents=documents,
    ids=["doc1", "doc2", "doc3"]
)

# Requête
query_embedding = get_embeddings(["search query"])[0]
results = collection.query(
    query_embeddings=[query_embedding],
    n_results=3
)

Modèles d'embedding disponibles#

Crazyrouter donne accès à plusieurs modèles d'embedding OpenAI :

ModèleDimensionsRatio de prixIdéal pour
text-embedding-3-small15360.01Usage général, meilleur rapport qualité/prix
text-embedding-3-large30720.065Besoins de haute précision
text-embedding-ada-00215360.05Compatibilité avec les systèmes existants

Comparaison des prix#

FournisseurModèlePrix par 1M tokens
OpenAI Officialtext-embedding-3-small$0.020
Crazyroutertext-embedding-3-small$0.002
OpenAI Officialtext-embedding-3-large$0.130
Crazyroutertext-embedding-3-large$0.013

Avertissement sur les prix : Les prix indiqués sont à titre d’illustration et peuvent changer. La facturation réelle est basée sur les prix en temps réel au moment de la requête.

Exemple d’économies :

Pour un système RAG traitant 10M tokens/mois :

  • OpenAI Official : $200/mois
  • Crazyrouter : $20/mois
  • Économies : 90 %

Bonnes pratiques#

1. Regroupez vos requêtes (batch)#

python
# Bon - un seul appel d’API pour plusieurs textes
response = client.embeddings.create(
    model="text-embedding-3-small",
    input=["text1", "text2", "text3"]  # Jusqu’à 2048 textes
)

# Mauvais - plusieurs appels d’API
for text in texts:
    response = client.embeddings.create(
        model="text-embedding-3-small",
        input=text
    )

2. Cachez les embeddings#

python
import hashlib
import json

embedding_cache = {}

def get_embedding_cached(text):
    # Créer une clé de cache
    cache_key = hashlib.md5(text.encode()).hexdigest()

    if cache_key in embedding_cache:
        return embedding_cache[cache_key]

    response = client.embeddings.create(
        model="text-embedding-3-small",
        input=text
    )

    embedding = response.data[0].embedding
    embedding_cache[cache_key] = embedding

    return embedding

3. Utilisez des dimensions adaptées#

  • 256 dimensions : Applications mobiles, appareils IoT
  • 512 dimensions : Applications web avec contraintes de stockage
  • 1024 dimensions : Applications standard
  • 1536 dimensions : Exigences de précision maximale

Foire aux questions#

Quelle est la différence entre text-embedding-3-small et text-embedding-3-large ?#

Text-embedding-3-small produit des vecteurs de dimension 1536 et est optimisé pour la rentabilité. Text-embedding-3-large produit des vecteurs de dimension 3072 avec une meilleure précision, mais pour un coût 6,5 fois plus élevé. Pour la plupart des applications, text-embedding-3-small fournit d’excellents résultats.

Puis-je réduire les dimensions après avoir généré les embeddings ?#

Oui, vous pouvez utiliser le paramètre dimensions pour générer directement des vecteurs plus petits. C’est plus efficace que de générer des vecteurs complets puis de les tronquer.

Combien de textes puis-je embedder dans une seule requête ?#

Vous pouvez embedder jusqu’à 2048 textes dans une seule requête d’API. Pour de grands jeux de données, regroupez vos requêtes par lots de 2048.

Les embeddings sont-ils normalisés ?#

Oui, text-embedding-3-small renvoie des vecteurs normalisés (de norme 1), ce qui vous permet d’utiliser le produit scalaire au lieu de la similarité cosinus pour un calcul plus rapide.

Mise en route#

  1. Inscrivez-vous sur Crazyrouter
  2. Récupérez votre clé API depuis le tableau de bord
  3. Installez le SDK : pip install openai ou npm install openai
  4. Commencez à générer des embeddings avec les exemples de code ci-dessus

Articles connexes :

Pour toute question, contactez support@crazyrouter.com

Available in other languages:

العربيةDanskDeutschEnglishEspañolBahasa IndonesiaItaliano日本語Қазақша한국어Bahasa MelayuNederlandsNorskPolskiPortuguêsРусскийไทยTürkçeTiếng Việt中文

Related Articles

Meilleurs générateurs de musique IA 2026 : comparaison Suno vs Udio vs Stable AudioTutorial

Meilleurs générateurs de musique IA 2026 : comparaison Suno vs Udio vs Stable Audio

Choisir le bon générateur de musique IA peut être déroutant. Ce guide compare les meilleurs outils de musique IA disponibles en 2026, dont Suno AI

Jan 23
Guide d'utilisation de Gemini CLI - Google AI dans votre terminalTutorial

Guide d'utilisation de Gemini CLI - Google AI dans votre terminal

Guide complet pour installer et configurer Gemini CLI, l'outil IA en ligne de commande open-source de Google. Apprenez à configurer un proxy, à utiliser les outils intégrés et à automatiser des flux de travail avec Gemini 2.5 Pro.

Jan 24
Comment accéder à GPT-5 et GPT-5.2 via l’API - Guide complet pour les développeursTutorial

Comment accéder à GPT-5 et GPT-5.2 via l’API - Guide complet pour les développeurs

Apprenez à accéder aux derniers modèles GPT-5, GPT-5.2 et o3-pro d’OpenAI via une API unifiée. Guide étape par étape avec des exemples en Python, Node.

Jan 23