Comparação de modelos
Compare EmbeddingGemma 2 e text-embedding-3-large usando a mesma rubrica incorporações e pesquisa vetorial fornecida pelo provedor. Nenhuma pontuação misteriosa e nenhuma classificação de benchmark inventada.
Defina seu uso. A estimativa é atualizada enquanto você digita.
Supõe 600 tokens por página, processada separadamente. A contagem real varia. Inclui apenas embeddings, sem armazenamento, busca ou respostas.
Estimativas sem impostos, ferramentas, armazenamento/gravação de cache, franquias gratuitas e descontos personalizados. Imagens incluem apenas a saída, sem prompt ou referências. Os modos de qualidade variam. Configurações não listadas não são consideradas gratuitas.
| Modelo | Acesso | Total estimado (USD) |
|---|---|---|
| text-embedding-3-largeOpenAI | OpenAI | US$ 0,0008 |
| EmbeddingGemma 2Google DeepMind | Google DeepMind | Sem preço revisado |
Tomada rápida
O modelo de embeddings com pesos abertos do Google DeepMind para busca local em texto, código, imagens, áudio e vídeo.
Pesos abertos não tornam a computação gratuita. Reconstrua e avalie o índice ao mudar de modelo, use a precisão numérica documentada e verifique vetores truncados com seus próprios dados.
Modelo de incorporação de texto de maior capacidade do OpenAI para pesquisa semântica, recomendações, clustering e pipelines de recuperação.
O modelo incorpora apenas texto e não agrupa documentos longos para você. Seu pipeline de ingestão ainda precisa de uma estratégia deliberada de agrupamento, metadados, avaliação e reindexação.
Compare os fatos publicados
Os valores usam as próprias unidades e limites publicados de cada provedor. Um espaço em branco significa que o fornecedor não publicou um valor diretamente comparável nas fontes analisadas.
| Incorporações e pesquisa vetorial | EmbeddingGemma 2 | text-embedding-3-large |
|---|---|---|
| Preço de incorporaçãoPreço atual do provedor por milhão de tokens de entrada ou a unidade de cobrança publicada mais próxima. | Pesos abertos; auto-hospedado | US$ 0,13/1 milhão de tokens |
| Capacidade de entradaConteúdo máximo aceito em uma entrada de incorporação, usando a base de token documentada do provedor. | 8,192 tokens compartilhados entre texto e mídias | 8.191 tokens de entrada |
| Dimensões vetoriaisTamanhos de saída suportados; vetores menores reduzem o armazenamento, enquanto vetores maiores podem preservar mais informações. | 768 por padrão; 512, 256 ou 128 com renormalização | 3.072 inadimplência; vetores mais curtos via dimensões |
| Entradas aceitasEntrada com reconhecimento de texto, código, imagem, áudio, vídeo, PDF ou documento compatível com o endpoint. | Texto, código, imagens, áudio e quadros de vídeo amostrados | Texto |
| Controles de recuperaçãoModos de consulta/documento, tipos de tarefas, truncamento, fragmentação ou outros controles que moldam vetores para recuperação. | Prompts de tarefa, codificadores seletivos, truncamento e normalização de vetores | Parâmetro opcional de dimensões; chunking tratado pelo aplicativo |
| Onde correAPI direta, mercado em nuvem, implantação privada ou rota auto-hospedada documentada pelo provedor. | Local ou auto-hospedado; pesos sob Apache 2.0 | API de incorporação hospedada OpenAI |
Como escolher
Comece com o trabalho que você precisa concluir e, em seguida, valide os detalhes de custo, acesso e política na rota exata do seu provedor.
A inferência pode rodar localmente sem enviar o conteúdo de origem a uma API de embeddings. A retenção de dados e o acesso à rede dependem da aplicação e dos serviços conectados.
OpenAI afirma que os dados de negócios e API não são usados para treinar seus modelos por padrão. A retenção de monitoramento de abuso e os controles elegíveis de retenção de dados zero dependem do endpoint e da aprovação da organização.
Links de provedor e API
Perguntas frequentes
EmbeddingGemma 2: O modelo de embeddings com pesos abertos do Google DeepMind para busca local em texto, código, imagens, áudio e vídeo. text-embedding-3-large: Modelo de incorporação de texto de maior capacidade do OpenAI para pesquisa semântica, recomendações, clustering e pipelines de recuperação.
Considere EmbeddingGemma 2 quando sua prioridade for Busca multimodal local e offline. Considere text-embedding-3-large quando sua prioridade for Pesquisa de texto de alta qualidade e RAG. Teste ambos com seus próprios dados e rota do provedor antes de confirmar.
Não. Esta comparação alinha os fatos publicados pelo fornecedor para a categoria Incorporações e pesquisa vetorial. Ele não reivindica um vencedor universal nem combina pontuações de benchmark de terceiros incompatíveis.
