Porównanie modeli
Porównaj EmbeddingGemma 2 i text-embedding-3-large, korzystając z tej samej rubryki osadzania i wyszukiwanie wektorów pochodzącej od dostawcy. Żadnych tajemniczych wyników i żadnego wymyślonego rankingu porównawczego.
Podaj zużycie. Szacunek aktualizuje się podczas wpisywania.
Zakładamy 600 tokenów na stronę, przetwarzaną osobno. Faktyczna liczba się różni. Tylko embeddingi, bez przechowywania, wyszukiwania i odpowiedzi.
Szacunki nie obejmują podatków, narzędzi, zapisu i przechowywania pamięci podręcznej, darmowych limitów ani rabatów. Dla obrazów obejmują tylko wynik, bez promptu i obrazów referencyjnych. Tryby jakości różnią się. Brak stawki nie oznacza bezpłatności.
| Modelka | Dostęp | Szacowany koszt (USD) |
|---|---|---|
| text-embedding-3-largeOpenAI | OpenAI | 0,0008 USD |
| EmbeddingGemma 2Google DeepMind | Google DeepMind | Brak zweryfikowanej stawki |
Szybkie ujęcie
Model embeddingowy Google DeepMind z otwartymi wagami do lokalnego wyszukiwania w tekście, kodzie, obrazach, dźwięku i wideo.
Otwarte wagi nie oznaczają darmowych obliczeń. Przy zmianie modelu przebuduj i oceń indeks, stosuj udokumentowaną precyzję liczbową i sprawdzaj skrócone wektory na własnych danych.
Model OpenAI o najwyższych możliwościach osadzania tekstu na potrzeby wyszukiwania semantycznego, rekomendacji, grupowania i potoków wyszukiwania.
Model osadza tylko tekst i nie dzieli za Ciebie długich dokumentów. Twój potok pozyskiwania nadal wymaga przemyślanej strategii dzielenia na porcje, metadanych, oceny i ponownego indeksowania.
Porównaj opublikowane fakty
Wartości korzystają z opublikowanych jednostek i limitów każdego dostawcy. Puste miejsce oznacza, że dostawca nie opublikował bezpośrednio porównywalnej wartości w sprawdzanych źródłach.
| Osadzania i wyszukiwanie wektorów | EmbeddingGemma 2 | text-embedding-3-large |
|---|---|---|
| Cena osadzaniaAktualna cena dostawcy za milion tokenów wejściowych lub najbliższa opublikowana jednostka rozliczeniowa. | Otwarte wagi; samodzielny hosting | Tokeny o wartości 0,13 USD / 1 milion |
| Pojemność wejściowaMaksymalna zawartość akceptowana w jednym wejściu do osadzania, przy użyciu udokumentowanej podstawy tokena dostawcy. | 8,192 tokenów współdzielonych przez tekst i media | 8191 tokenów wejściowych |
| Wymiary wektoroweObsługiwane rozmiary wyjściowe; mniejsze wektory zmniejszają ilość pamięci, podczas gdy większe wektory mogą zachować więcej informacji. | Domyślnie 768; 512, 256 lub 128 po ponownej normalizacji | 3072 domyślnie; krótsze wektory poprzez wymiary |
| Zaakceptowane dane wejścioweTekst, kod, obraz, dźwięk, wideo, plik PDF lub dane wejściowe obsługujące dokument obsługiwane przez punkt końcowy. | Tekst, kod, obrazy, dźwięk i próbkowane klatki wideo | Tekst |
| Kontrola pobieraniaTryby zapytań/dokumentów, typy zadań, obcinanie, dzielenie na porcje i inne elementy sterujące kształtujące wektory do pobrania. | Prompty zadaniowe, wybór koderów, skracanie wektorów i normalizacja | Opcjonalny parametr wymiarów; fragmentowanie obsługiwane przez aplikację |
| Gdzie biegnieBezpośredni interfejs API, rynek w chmurze, wdrożenie prywatne lub trasa hostowana samodzielnie udokumentowana przez dostawcę. | Lokalnie lub samodzielnie hostowany; wagi Apache 2.0 | Hostowany interfejs API osadzania OpenAI |
Jak wybrać
Zacznij od zadania, które chcesz wykonać, a następnie sprawdź koszty, dostęp i szczegóły zasad dotyczące dokładnej trasy dostawcy.
Inferencja może działać lokalnie bez przesyłania treści źródłowej do API embeddingowego. Przechowywanie danych i dostęp do sieci zależą od aplikacji oraz podłączonych usług.
OpenAI mówi, że dane biznesowe i API nie są domyślnie używane do uczenia modeli. Przechowywanie monitorowania nadużyć i kwalifikujące się kontrole polegające na zatrzymywaniu danych zerowych zależą od punktu końcowego i zgody organizacji.
Linki do dostawców i API
Często zadawane pytania
EmbeddingGemma 2: Model embeddingowy Google DeepMind z otwartymi wagami do lokalnego wyszukiwania w tekście, kodzie, obrazach, dźwięku i wideo. text-embedding-3-large: Model OpenAI o najwyższych możliwościach osadzania tekstu na potrzeby wyszukiwania semantycznego, rekomendacji, grupowania i potoków wyszukiwania.
Rozważ EmbeddingGemma 2, jeśli Twoim priorytetem jest Lokalne i offline wyszukiwanie multimodalne. Rozważ text-embedding-3-large, jeśli Twoim priorytetem jest Wysokiej jakości wyszukiwanie tekstowe i RAG. Przed zatwierdzeniem przetestuj oba rozwiązania, korzystając z własnych danych i trasy dostawcy.
Nie. To porównanie porównuje fakty opublikowane przez dostawcę dla kategorii Osadzania i wyszukiwanie wektorów. Nie wskazuje uniwersalnego zwycięzcy ani nie łączy niezgodnych wyników testów porównawczych stron trzecich.
