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 官方文档 ↗智谱 AI 开放平台（bigmodel.cn） ↗

智谱 AI Embedding-3 是北京智谱 AI（GLM 系列语言模型背后的研究机构）推出的第三代文本向量化模型，在 bigmodel.cn 开放平台上发布。相较于 Embedding-2 的固定维度，Embedding-3 引入了可调输出维度（256 / 512 / 1024 / 2048）和 8K token 输入窗口（Embedding-2 仅 512 token），是一次重要升级。该模型专为中英双语语义理解设计，在以中文为主的检索语料库中表现尤为突出。

对 TheRouter 路由层用户，Embedding-3 是中文优先 RAG、搜索和推荐流水线的推荐嵌入模型。通过 TheRouter，价格约 $0.069/MTok（¥0.5/MTok），是中文 AI 技术栈中最具成本效益的嵌入 API 之一。其 matryoshka 风格的维度选择允许用户在存储成本与向量检索延迟之间灵活权衡——例如在大规模近似搜索中使用 256 维向量，在高保真检索中使用 2048 维——且无需对整个语料库重新嵌入。该模型通过 api.therouter.ai 的 OpenAI 兼容 /v1/embeddings 端点访问，使用 zhipu/embedding-3 模型标识符。

适合使用

• 中英双语 RAG 流水线：对中文文档为主的混合语言知识库进行语义检索
• 成本敏感的大规模嵌入：¥0.5/MTok 的定价使其成为高吞吐量中文语料库（>1 亿 tokens/天）的默认选择
• 维度灵活部署：matryoshka 维度控制（256–2048）允许在不重新嵌入的情况下压缩向量用于 ANN 索引
• 大型中文文本语料库（新闻、电商、用户评论）的推荐系统与内容去重

不适合使用

• 纯英文大规模检索：OpenAI text-embedding-3-large（3072 维，英文任务 MTEB 最优）或 Cohere Embed V4（多模态、多语言）更为适合
• 多模态（图像+文本）嵌入任务：Cohere Embed V4 支持图像/文本混合输入；Embedding-3 仅支持文本
• 超出中英之外的跨语言语义任务：具备更广泛多语言 MTEB 覆盖的模型（如 Cohere Embed V4、multilingual-e5-large）更为可靠

上下文长度

最大输出

输入价格每百万 tokens

$0.081每百万 Tokens

模态能力

文本→embedding

价格明细

类型	费率
输入	$0.081 每百万 Tokens

支持参数

inputdimensionsencoding_formatuser

模型规格

上下文窗口	8192 tokens（8K）docs.bigmodel.cn ↗	已核实
输出维度	256、512、1024 或 2048（默认：2048）docs.bigmodel.cn ↗	已核实
批次大小限制	每次请求最多 64 条字符串docs.bigmodel.cn ↗	已核实
官方价格（智谱直购）	¥0.5 / 百万 tokensdocs.bigmodel.cn ↗	已核实
Matryoshka 维度压缩	支持 — 通过 `dimensions` 参数选择 256/512/1024/2048docs.bigmodel.cn ↗	已核实
模态	文本 → 嵌入（仅支持文本输入，不支持图像或音频）docs.bigmodel.cn ↗	已核实
前代型号	智谱 Embedding-2（固定 1024 维，512 token 上下文）docs.bigmodel.cn ↗	已核实

API 使用示例

所有新集成都应使用下方示例中的全球端点 api.therouter.ai；旧中国加速端点已下线。

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."}
    ]
  }'

API 使用指南

嵌入向量（OpenAI 兼容）

通过 api.therouter.ai 的标准 OpenAI /v1/embeddings 端点访问 Embedding-3。通过 dimensions 参数（256、512、1024 或 2048）选择输出维度。每次请求最多可批量处理 64 条字符串以获得最大吞吐量。

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
  }'

zhipu 其他模型

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

常见问题

应该选择哪种维度？

2048（默认）提供最高的语义保真度，适合精度要求严格的检索场景（如法律或医疗知识库）。1024 适合大多数生产 RAG 栈的实用平衡。512 适合存储成本敏感的大规模近似近邻（ANN）搜索。256 适合以延迟为首要约束的实时相似度评分场景。四种维度的 token 成本相同。

能否在 LangChain、LlamaIndex 或 Spring AI 中使用 Embedding-3？

可以。由于 TheRouter 通过标准 OpenAI 嵌入 API（api.therouter.ai）暴露 Embedding-3，任何支持 OpenAI 嵌入客户端的框架均可开箱即用。对于 LangChain 和 LlamaIndex，将 base URL 设置为 https://api.therouter.ai/v1，模型设置为 zhipu/embedding-3。对于 Spring AI，设置 spring.ai.openai.embedding.options.model=zhipu/embedding-3 并根据需要设置 dimensions=1024。

Embedding-3 与 OpenAI text-embedding-3-small 相比如何？

Embedding-3 的成本效益显著更高（约 $0.069/MTok vs $0.020/MTok），但主要面向中文优先的工作负载。OpenAI text-embedding-3-small 在纯英文 MTEB 基准测试中表现更强，是 TheRouter 中英文主导 RAG 栈的默认选择。Embedding-3 的 8K 上下文窗口（vs text-embedding-3-small 的 8191 tokens）和 matryoshka 维度控制相当。若中文召回质量是主要关注点，选择 Embedding-3；若是英文或以西方语言为主的语料库，选择 text-embedding-3-small。

事实档案 — 本页每条断言可在此回溯来源

来源	URL	采集于
上下文窗口	docs.bigmodel.cn ↗	2026-06-09	已核实
输出维度	docs.bigmodel.cn ↗	2026-06-09	已核实
批次大小限制	docs.bigmodel.cn ↗	2026-06-09	已核实
官方价格（智谱直购）	docs.bigmodel.cn ↗	2026-06-09	已核实
Matryoshka 维度压缩	docs.bigmodel.cn ↗	2026-06-09	已核实
模态	docs.bigmodel.cn ↗	2026-06-09	已核实
前代型号	docs.bigmodel.cn ↗	2026-06-09	已核实