Comparación de modelos
Compare EmbeddingGemma 2 y text-embedding-3-large utilizando la misma rúbrica incrustaciones y búsqueda de vectores del proveedor. Sin puntuación misteriosa ni clasificación de referencia inventada.
Indica tu uso. La estimación se actualiza al escribir.
Supone 600 tokens por página, procesada por separado. El número real varía. Solo incluye embeddings, no almacenamiento, búsqueda ni respuestas.
Las estimaciones excluyen impuestos, herramientas, almacenamiento/escritura de caché, cuotas gratuitas y descuentos personalizados. En imágenes solo incluyen la salida, no el prompt ni las referencias. Los modos de calidad varían. Los ajustes no listados no se consideran gratuitos.
| modelo | Acceso | Total estimado (USD) |
|---|---|---|
| text-embedding-3-largeOpenAI | OpenAI | 0,0008 US$ |
| EmbeddingGemma 2Google DeepMind | Google DeepMind | Sin tarifa revisada |
Toma rápida
El modelo de embeddings de pesos abiertos de Google DeepMind para búsquedas locales en texto, código, imágenes, audio y vídeo.
Los pesos abiertos no hacen gratuito el cómputo. Reconstruye y evalúa el índice al cambiar de modelo, usa la precisión numérica documentada y verifica los vectores truncados con tus propios datos.
El modelo de incrustación de texto de mayor capacidad de OpenAI para búsqueda semántica, recomendaciones, agrupación y canales de recuperación.
El modelo incorpora sólo texto y no fragmenta documentos largos. Su canal de ingesta aún necesita una estrategia deliberada de fragmentación, metadatos, evaluación y reindexación.
Compara los hechos publicados
Los valores utilizan las unidades y límites publicados de cada proveedor. Un espacio en blanco significa que el proveedor no publicó un valor directamente comparable en las fuentes revisadas.
| Incrustaciones y búsqueda de vectores | EmbeddingGemma 2 | text-embedding-3-large |
|---|---|---|
| Precio de incrustaciónPrecio actual del proveedor por millón de tokens de entrada o la unidad de facturación publicada más cercana. | Pesos abiertos; autoalojado | $0,13 / 1 millón de tokens |
| Capacidad de entradaContenido máximo aceptado en una entrada de inserción, utilizando el token documentado del proveedor. | 8,192 tokens compartidos entre texto y medios | 8,191 tokens de entrada |
| Dimensiones vectorialesTamaños de salida admitidos; los vectores más pequeños reducen el almacenamiento, mientras que los vectores más grandes pueden conservar más información. | 768 por defecto; 512, 256 o 128 con renormalización | 3.072 morosos; vectores más cortos a través de dimensiones |
| Entradas aceptadasEntrada de texto, código, imagen, audio, vídeo, PDF o documento compatible con el punto final. | Texto, código, imágenes, audio y fotogramas de vídeo muestreados | Texto |
| Controles de recuperaciónModos de consulta/documento, tipos de tareas, truncamiento, fragmentación u otros controles que dan forma a los vectores para su recuperación. | Prompts por tarea, codificadores selectivos, truncado de vectores y normalización | Parámetro de dimensiones opcional; fragmentación manejada por la aplicación |
| donde correAPI directa, mercado en la nube, implementación privada o ruta autohospedada documentada por el proveedor. | Local o autoalojado; pesos bajo Apache 2.0 | OpenAI API de incrustaciones alojadas |
como elegir
Comience con el trabajo que necesita completar y luego valide los detalles del costo, el acceso y la política en la ruta exacta de su proveedor.
La inferencia puede ejecutarse localmente sin enviar el contenido fuente a una API de embeddings. La retención de datos y el acceso a la red dependen de la aplicación y de los servicios conectados.
OpenAI dice que los datos comerciales y API no se utilizan para entrenar sus modelos de forma predeterminada. La retención de monitoreo de abusos y los controles elegibles de cero retención de datos dependen del punto final y de la aprobación de la organización.
Enlaces de proveedores y API
Preguntas frecuentes
EmbeddingGemma 2: El modelo de embeddings de pesos abiertos de Google DeepMind para búsquedas locales en texto, código, imágenes, audio y vídeo. text-embedding-3-large: El modelo de incrustación de texto de mayor capacidad de OpenAI para búsqueda semántica, recomendaciones, agrupación y canales de recuperación.
Considere EmbeddingGemma 2 cuando su prioridad sea Búsqueda multimodal local y sin conexión. Considere text-embedding-3-large cuando su prioridad sea Búsqueda de texto de alta calidad y RAG. Pruebe ambos con sus propios datos y la ruta del proveedor antes de comprometerse.
No. Esta comparación alinea los datos publicados por el proveedor para la categoría Incrustaciones y búsqueda de vectores. No reclama un ganador universal ni combina puntuaciones de referencia de terceros incompatibles.
