OpenAI divise par cinq le coût des embeddings pour le RAG : 0,02 $ au lieu de 0,10 $ par million de tokens
Les embeddings transforment un texte en une série de nombres, grâce à laquelle le RAG et la recherche retrouvent les documents similaires. OpenAI vient de sortir le modèle text-embedding-3-small : un million de tokens coûte 0,02 $ contre 0,10 $ pour l'ancien ada-002, soit cinq fois moins cher. Sur le test de recherche multilingue MIRACL, il retrouve le bon document dans 44 % des cas, contre 31,4 % auparavant. Si votre RAG repose sur ada-002, la migration se rentabilise vite, mais il faudra recalculer toute l'archive.
Traité par IA depuis X: @OpenAI ; édité par Hamidun News
Si vous développez une recherche documentaire, un chat sur une base de connaissances ou un système RAG, les embeddings constituent le poste de dépense le plus discret, et pourtant le plus massif. Chaque fragment de texte est d'abord converti en une série de nombres, puis le système compare ces séries pour trouver le contenu le plus proche sur le plan du sens.
Le 25 janvier 2024, OpenAI a annoncé une mise à jour de sa plateforme pour développeurs et lancé le nouveau modèle text-embedding-3-small. Le traitement d'un million de tokens (environ 750 000 mots anglais) coûte 0,02 $ avec ce modèle, contre 0,10 $ avec l'ancien text-embedding-ada-002. C'est cinq fois moins cher, et la qualité n'a pas baissé : elle a progressé.
Dans la même annonce, GPT-4 Turbo a été mis à jour et GPT-3.5 Turbo a baissé de prix, mais ce sont les embeddings qui modifient le plus l'économie de la recherche. C'est donc d'eux que nous parlerons.
Ce qui sort exactement
OpenAI propose désormais deux nouveaux modèles : text-embedding-3-small et text-embedding-3-large. L'ancien ada-002 était apparu en décembre 2022 et est resté pendant plus d'un an le choix par défaut.
Le plus petit, small, coûte 0,02 $ par million de tokens. Pour fixer les idées : si votre base compte 100 000 documents de 1 000 tokens chacun, soit 100 millions de tokens, l'indexation initiale revient à 2 $ au lieu de 10 $.
La qualité progresse. Sur le benchmark anglophone MTEB, small obtient 62,3 % contre 61,0 % pour ada-002. L'écart est plus net sur le test multilingue MIRACL : 44,0 % contre 31,4 %. Concrètement, sur des requêtes qui ne sont pas en anglais, le système retrouve le bon document nettement plus souvent.
Le modèle large produit des vecteurs de 3072 nombres. Il atteint 64,6 % sur MTEB et 54,9 % sur MIRACL. Il coûte 0,13 $ par million de tokens, soit un peu plus cher qu'ada-002, mais c'est la variante la plus précise de la gamme.
Comment fonctionne la compression des vecteurs
La nouveauté la plus utile est le paramètre dimensions. Plus le vecteur est long, plus il occupe de mémoire dans la base vectorielle et plus la recherche ralentit. Auparavant, la longueur n'était pas réglable : ada-002 renvoyait toujours 1536 nombres.
Désormais, on peut raccourcir le vecteur directement dans la requête à l'API. Selon OpenAI, large, réduit à 256 nombres, dépasse tout de même sur MTEB la version pleine d'ada-002 avec ses 1536 nombres. Imaginez un fichier : au lieu d'une armoire de fiches détaillées, vous conservez des fiches courtes, et vous retrouvez ce que vous cherchez aussi bien qu'avant. Pour une base de plusieurs millions de documents, cela signifie une facture de stockage réduite et une recherche plus rapide.
Que faire concrètement
Premier point : si votre production tourne sur ada-002 avec un volume de requêtes important, small est le remplaçant évident. La facture des embeddings baissera d'environ cinq fois.
Deuxième point : la migration ne se résume pas à changer le nom du modèle dans le code. Les vecteurs de modèles différents sont incompatibles, on ne peut donc pas interroger un ancien index avec de nouveaux vecteurs. Il faudra recalculer les embeddings de tous les documents. Il s'agit d'une opération ponctuelle, peu coûteuse au tarif de small, mais elle doit être planifiée et testée d'abord sur une copie de la base.
Troisième point : si la recherche sur des textes en russe ou dans d'autres langues non anglaises est importante pour vous, regardez MIRACL plutôt que MTEB seul. Les chiffres d'OpenAI proviennent de tests publics, et le résultat peut différer sur vos propres données. Avant la migration, constituez donc un jeu de requêtes représentatives et comparez la fréquence à laquelle l'ancien et le nouveau modèle trouvent le bon document.
Quatrième point : si vous voulez la qualité maximale et que le prix est secondaire, choisissez large et testez immédiatement le paramètre dimensions. Trouvez la longueur de vecteur à partir de laquelle la qualité sur vos données tient encore, tout en gardant une base compacte.
Il existe aussi des limites. Le gain de small sur MTEB n'est que de 1,3 point, ce qui reste modeste : les principales raisons de migrer sont donc le prix et le multilinguisme. L'annonce ne dit pas comment les modèles se comportent sur des textes très spécialisés, médicaux ou juridiques par exemple. La mise à jour de GPT-4 Turbo et la baisse du prix de GPT-3.5 Turbo sont aussi à prendre en compte dans votre budget, mais la décision concernant la recherche doit être prise séparément, sur la base de vos propres mesures.
- 21 nov. 2026OpenAI GPT-6 Cyber a trouvé une trentaine de failles dans les iPhone, Mac et autres appareils Apple
- 21 nov. 202622 agents Claude ont cherché pendant six semaines des réponses sur les trous noirs — et ont résolu deux problèmes
- 21 nov. 2026Google sépare le stockage des conversations et l'entraînement de Gemini : refuser sans perdre l'historique
- 21 nov. 2026Apple : la macOS 27.3 bêta 2 permettra de restreindre l'accès des agents IA aux fichiers du Mac
Questions clés sur cet article
Que sait-on sur Ce qui sort exactement ?
OpenAI propose désormais deux nouveaux modèles : text-embedding-3-small et text-embedding-3-large. L'ancien ada-002 était apparu en décembre 2022 et est resté pendant plus d'un an le choix par défaut. Le plus petit, small, coûte 0,02 $ par million de tokens. Pour fixer les idées : si votre base compte 100 000 documents de 1 000 tokens chacun, soit 100 millions de tokens, l'indexation initiale revient à 2 $ au lieu de 10 $. La qualité progresse.
Comment fonctionne la compression des vecteurs?
La nouveauté la plus utile est le paramètre dimensions. Plus le vecteur est long, plus il occupe de mémoire dans la base vectorielle et plus la recherche ralentit. Auparavant, la longueur n'était pas réglable : ada-002 renvoyait toujours 1536 nombres. Désormais, on peut raccourcir le vecteur directement dans la requête à l'API. Selon OpenAI, large, réduit à 256 nombres, dépasse tout de même sur MTEB la version pleine d'ada-002 avec ses 1536 nombres.
Que sait-on sur Que faire concrètement ?
Premier point : si votre production tourne sur ada-002 avec un volume de requêtes important, small est le remplaçant évident. La facture des embeddings baissera d'environ cinq fois. Deuxième point : la migration ne se résume pas à changer le nom du modèle dans le code. Les vecteurs de modèles différents sont incompatibles, on ne peut donc pas interroger un ancien index avec de nouveaux vecteurs. Il faudra recalculer les embeddings de tous les documents.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
L'essentiel de l'IA — une fois par semaine
Sept actus qui ont vraiment compté, choisies à la main. Sans bruit ni communiqués.
C'est fait ! Vérifiez votre boîte mail pour la confirmation.