Embedding 3

zhipuzhipu/embedding-3

Zhipu AI Embedding 3 — latest text embedding model. Default 2048-dim, supports custom dimensions (256, 512, 1024, 2048).

Embedding-3 — официальная документация Zhipu AI ↗Открытая платформа Zhipu AI (bigmodel.cn) ↗

Zhipu AI Embedding-3 — третье поколение модели текстовых эмбеддингов от пекинской компании Zhipu AI (智谱 AI), создателей серии языковых моделей GLM. Выпущена на открытой платформе bigmodel.cn, Embedding-3 — значительный шаг вперёд по сравнению с Embedding-2 с фиксированной размерностью: вводит настраиваемые выходные размерности (256 / 512 / 1024 / 2048) и окно ввода 8K токенов (против 512 у Embedding-2). Модель разработана для двуязычного (китайско-английского) семантического понимания, особенно сильна на поисковых корпусах с преобладанием китайского языка.

Для операторов TheRouter Embedding-3 — рекомендуемая модель эмбеддингов для RAG, поиска и рекомендательных систем с китайским приоритетом. По цене ~$0,069/MTok (¥0,5/MTok через TheRouter) это одно из наиболее экономичных API эмбеддингов в китайском AI-стеке. Выбор матрёшечных размерностей позволяет гибко балансировать между стоимостью хранения и задержкой векторного поиска — например, 256-мерные векторы для приближённого поиска большого масштаба и 2048-мерные для высокоточного извлечения — без повторного эмбеддинга всего корпуса. Модель доступна через OpenAI-совместимый эндпоинт /v1/embeddings на api.therouter.ai с идентификатором zhipu/embedding-3.

Когда выбирать

• Двуязычные (китайско-английские) RAG-конвейеры: семантический поиск по смешанным базам знаний с преобладанием китайских документов
• Крупномасштабные эмбеддинги с ограниченным бюджетом: цена ¥0,5/MTok делает её выбором по умолчанию для высокообъёмных китайских корпусов (>100M токенов/день)
• Гибкое управление размерностью: матрёшечный контроль (256–2048) позволяет сжимать векторы для ANN-индексов без повторного эмбеддинга
• Рекомендательные системы и дедупликация контента на крупных китайских текстовых корпусах (новости, e-commerce, отзывы)

Когда не выбирать

• Исключительно англоязычный поиск в масштабе: OpenAI text-embedding-3-large (3072-мерный, лидер MTEB на английском) или Cohere Embed V4 (мультимодальный, многоязычный) — лучший выбор
• Мультимодальные задачи (изображение + текст): Cohere Embed V4 поддерживает смешанный image/text ввод; Embedding-3 — только текст
• Кросс-языковые задачи за пределами китайского и английского: модели с более широким многоязычным покрытием MTEB (например, Cohere Embed V4, multilingual-e5-large) надёжнее

Размер контекста

Максимальный вывод

Цена Входза 1M токенов

$0.081за 1 млн токенов

Модальности

Текст→embedding

Разбивка цен

Тип	Ставка
Вход	$0.081 за 1 млн токенов

Поддерживаемые параметры

inputdimensionsencoding_formatuser

Характеристики

Контекстное окно	8 192 токена (8K)docs.bigmodel.cn ↗	проверено
Размерность выхода	256, 512, 1024 или 2048 (по умолчанию: 2048)docs.bigmodel.cn ↗	проверено
Ограничение размера пакета	До 64 строк на запросdocs.bigmodel.cn ↗	проверено
Прейскурантная цена (прямая покупка)	¥0,5 за миллион токеновdocs.bigmodel.cn ↗	проверено
Матрёшечное уменьшение размерности	Поддерживается — выбор 256/512/1024/2048 через параметр `dimensions`docs.bigmodel.cn ↗	проверено
Модальность	Текст → эмбеддинг (только текстовый ввод; изображения и аудио не поддерживаются)docs.bigmodel.cn ↗	проверено
Предшественник	Zhipu Embedding-2 (фиксированные 1024 измерения, контекст 512 токенов)docs.bigmodel.cn ↗	проверено

Примеры API

Для новых интеграций используйте глобальный endpoint api.therouter.ai из примеров ниже; старый China accelerated endpoint выведен из эксплуатации.

cURL

curl https://api.therouter.ai/v1/chat/completions   -H "Content-Type: application/json"   -H "Authorization: Bearer $THE_ROUTER_API_KEY"   -d '{
    "model": "zhipu/embedding-3",
    "messages": [
      {"role": "user", "content": "Summarize the key points from this input."}
    ]
  }'

Гид по API

Эмбеддинги (совместимость с OpenAI)

Доступ к Embedding-3 через стандартный OpenAI-совместимый эндпоинт /v1/embeddings на api.therouter.ai. Передайте параметр dimensions (256, 512, 1024 или 2048) для выбора размерности выхода. Батч до 64 строк на запрос для максимальной пропускной способности.

cURL

curl https://api.therouter.ai/v1/embeddings \
  -H "Authorization: Bearer $THEROUTER_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "zhipu/embedding-3",
    "input": ["智谱 AI 是中国领先的 AI 研究机构", "Zhipu AI is a leading Chinese AI research lab"],
    "dimensions": 1024
  }'

Ещё от zhipu

zhipu/embedding-2 zhipu/glm-4-flash zhipu/glm-4-air

Частые вопросы

Какую размерность выбрать?

2048 (по умолчанию) обеспечивает наивысшую семантическую точность — рекомендуется для критичных к точности задач (юридические, медицинские базы знаний). 1024 — практичный баланс для большинства продакшн RAG-систем. 512 подходит для крупномасштабного приближённого поиска (ANN), где стоимость хранения индекса важна. 256 — для оценки схожести в реальном времени, где задержка является основным ограничением. Стоимость в токенах одинакова для всех четырёх размерностей.

Можно ли использовать Embedding-3 с LangChain, LlamaIndex или Spring AI?

Да. Поскольку TheRouter предоставляет Embedding-3 через стандартный OpenAI embeddings API на api.therouter.ai, любой фреймворк с поддержкой OpenAI embeddings клиента работает сразу. Для LangChain и LlamaIndex укажите base URL https://api.therouter.ai/v1 и модель zhipu/embedding-3. Для Spring AI установите spring.ai.openai.embedding.options.model=zhipu/embedding-3 и spring.ai.openai.embedding.options.dimensions=1024 (или нужный размер).

Как Embedding-3 сравнивается с OpenAI text-embedding-3-small?

Embedding-3 значительно экономичнее (~$0,069/MTok против ~$0,020/MTok), но ориентирована на китайские задачи. OpenAI text-embedding-3-small сильнее на англоязычных MTEB-тестах и является выбором по умолчанию для англоязычных RAG-стеков в TheRouter. Контекстное окно 8K у Embedding-3 (против 8 191 токена у text-embedding-3-small) и матрёшечный контроль размерности сопоставимы. Выбирайте Embedding-3, когда приоритет — качество извлечения на китайском; text-embedding-3-small — для английских или западноязычных корпусов.

Реестр фактов — каждая утверждаемая величина имеет источник

источник	URL	получено
Контекстное окно	docs.bigmodel.cn ↗	2026-06-09	проверено
Размерность выхода	docs.bigmodel.cn ↗	2026-06-09	проверено
Ограничение размера пакета	docs.bigmodel.cn ↗	2026-06-09	проверено
Прейскурантная цена (прямая покупка)	docs.bigmodel.cn ↗	2026-06-09	проверено
Матрёшечное уменьшение размерности	docs.bigmodel.cn ↗	2026-06-09	проверено
Модальность	docs.bigmodel.cn ↗	2026-06-09	проверено
Предшественник	docs.bigmodel.cn ↗	2026-06-09	проверено