Modèle · Texte

Text Embedding 3 Large

Transformez vos textes en vecteurs pour rechercher des documents par leur sens, rapprocher des contenus et organiser une base de connaissances.

Identifiant du modèletext-embedding-3-large

Route API POST /embeddings

Présentation du modèle

Ce que fait ce modèle

Transformez des textes en vecteurs pour retrouver des documents qui parlent du même sujet.

Cette page rassemble la description du modèle, les réglages exposés par Imọlẹ et les informations nécessaires pour l’appeler avec l’API.

Capacités

Résultats et opérations pris en charge

Recherche sémantique dans vos documents.
Recherche de contexte pour une base de connaissances.
Classement de contenus similaires.

Demande

Décrire clairement le résultat attendu

Construisez la demande dans cet ordre. Chaque étape précise une information que le modèle peut utiliser directement.

01
Documents
Découpez vos documents en passages cohérents de moins de 8 192 tokens.
02
Recherche
Encodez la question avec le même modèle et le même nombre de dimensions, puis comparez les vecteurs.

Exemple 1

Retrouver une procédure

Comment réinitialiser mon mot de passe ?

Le vecteur de cette question permet de retrouver des procédures formulées avec des mots différents.

Réglages

Contrôles disponibles dans Imọlẹ

dimensions

3 072 par défaut. Un nombre plus petit réduit le stockage. Utilisez la même valeur pour tous les vecteurs comparés.

encoding_format

float renvoie un tableau de nombres ; base64 renvoie les nombres float32 encodés.

API

Intégrer le modèle dans un projet

MéthodePOST

Chemin/embeddings

URL de basehttps://api.imole.app/v1

Coût APITarif à venir

AuthorizationBearer $IMOLE_API_KEY

Content-TypeUtilisez application/json pour les requêtes JSON.

Chargez IMOLE_API_KEY depuis une variable d’environnement côté serveur. N’insérez jamais la clé dans le code envoyé au navigateur, une application mobile, un dépôt Git ou un fichier partagé.

Les modèles texte acceptent Responses et Chat Completions. Responses convient aux nouvelles intégrations et aux outils ; Chat Completions conserve la compatibilité avec les intégrations OpenAI existantes.

Corps de requête

Paramètres acceptés

ParamètreDescriptionValeurs

modelRequis

Identifiant du modèle.

text-embedding-3-large

inputRequis

Texte non vide, liste de textes, tableau de tokens ou liste de tableaux. 8 192 tokens par entrée, 2 048 entrées et 300 000 tokens par requête maximum.

—

dimensions

Nombre de valeurs par vecteur. 3 072 par défaut ; entier entre 1 et 3 072.

—

encoding_format

Format des vecteurs. float par défaut.

float, base64

user

Identifiant utilisateur facultatif, sous forme de texte.

—

Code

Exemples d’intégration

Testez d’abord la requête cURL, puis reprenez le même identifiant de modèle dans votre application JavaScript ou Python.

Embeddings

curl -X POST "https://api.imole.app/v1/embeddings" \
  -H "Authorization: Bearer $IMOLE_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
  "model": "text-embedding-3-large",
  "input": "Le marché central de Cotonou ouvre tous les jours dès six heures."
}'

Production

Réponse, suivi et erreurs

Responses renvoie notamment `output` et `output_text`. Chat Completions renvoie `choices`, puis `message.content`. En streaming, traitez les événements dans leur ordre d’arrivée.

400

Requête incorrecte : corrigez le champ indiqué avant de réessayer.

401

Clé absente, incorrecte ou révoquée.

402

Solde de cauris insuffisant.

429

Capacité temporairement indisponible : respectez `Retry-After` et utilisez un délai progressif.

5xx

Erreur temporaire : conservez l’identifiant de requête et évitez de relancer deux fois une opération facturable.

Cauris

Tarification et sources

Coût affichéTarif à venir

Les tarifs par requête seront publiés à l’activation du modèle.

Documentation de référenceDocumentation OpenAI sur les embeddingsDéploiement Azure vérifié le 18 septembre 2026