兔子API
provider-capability
OpenAI 向量、检索与重排
直接答案先用本文理解 OpenAI 的向量、检索与重排能力，再到模型广场核对精确可调用 ID、端点与价格后接入。
更新 · 审核信息
能力边界
OpenAI 的向量、检索与重排目录描述这一类模型主要解决的任务，不代表所有型号共享相同请求字段、输入限制或输出格式。阅读型号卡片时应同时核对官方状态、原始厂商和来源链接；平台型厂商还可能托管其他厂商的模型，因此型号名称与来源必须一起判断。
选型重点
向量、检索与重排模型位于 RAG 的不同阶段。向量模型将查询和文档映射到可比较空间，重排模型对候选集合重新打分；两者的分数不可直接混用。评测应使用业务查询集，观察召回率、nDCG、Top-K 命中、长文本截断、多语言效果和领域术语，并固定分块、向量归一化、距离函数与索引版本，避免只凭向量维度或单条示例判断。
接入与协议边界
先确认 OpenAI 官方文档中的精确模型 ID、认证方式、端点和请求结构，再核对本站模型广场中的同名型号与已适配端点。不要只替换 Base URL 就假定响应结构完全相同；流式事件、异步任务、文件上传、工具调用和错误码都可能需要单独适配。
上线检查
使用真实业务样本建立可重复评测，记录模型 ID、参数、输入版本和结果。至少观察成功率、尾延迟、限流、超时、单位任务成本与内容安全，并为预览或即将退役型号准备替代方案。官方目录用于理解产品边界，本站是否可调用、具体价格和渠道状态以模型广场为准。
已核验厂商目录
该能力类型的官方型号
这里展示厂商官方目录中的具体型号，不代表本站一定已开放；可调用 ID、端点和价格请以模型广场为准。
向量、检索与重排
-
text-embedding-3-large稳定OpenAI 高能力文本向量模型，适合语义检索、聚类和 RAG。
-
text-embedding-3-small稳定更重视成本与吞吐的文本向量模型。
适用场景
- 语义检索、聚类与去重
- RAG 召回、候选重排与知识库搜索
FAQ
如何选择 OpenAI 的向量、检索与重排模型？
先明确输入输出与质量目标，再用真实业务样本比较质量、延迟、上下文或媒体限制、工具支持、生命周期状态和单次任务总成本。
官方目录里的型号在本站都能调用吗？
不一定。本文记录厂商官方目录，本站可调用 ID、渠道支持、端点和当前价格仍须以模型广场为准。
上线前至少需要验证什么？
固定精确模型 ID 与端点，验证成功和错误响应，用真实输入测质量与延迟，设置超时和有限重试，并持续关注厂商的弃用公告。
关联指南
官方来源
- OpenAI Models Official
- OpenAI API Reference Official
- OpenAI Developer Quickstart Official
- Migrate to the Responses API Official
- OpenAI Function Calling Official
- OpenAI Streaming Responses Official
- OpenAI Rate Limits Official