text-embedding-3-small（OpenAI）（テキストエンベディングスリースモール）

from openai import OpenAI

client = OpenAI()

# 基本的な埋め込み生成
response = client.embeddings.create(
    input=["PCパーツの選び方について教えてください"],
    model="text-embedding-3-small"
)

vector = response.data[0].embedding  # 1536次元のリスト
print(f"次元数: {len(vector)}")  # 1536

# MRL: 次元削減して利用（コスト・ストレージ節約）
response_small = client.embeddings.create(
    input=["PCパーツの選び方について教えてください"],
    model="text-embedding-3-small",
    dimensions=512  # 512次元に削減
)

vector_small = response_small.data[0].embedding
print(f"削減後次元数: {len(vector_small)}")  # 512

import numpy as np
from openai import OpenAI

client = OpenAI()

def cosine_similarity(a: list, b: list) -> float:
    a, b = np.array(a), np.array(b)
    return np.dot(a, b) / (np.linalg.norm(a) * np.linalg.norm(b))

documents = [
    "DDR5メモリはDDR4の2倍の帯域幅を持つ",
    "NVMe SSDはSATA SSDより約5倍高速",
    "GeForce RTX 4090は24GB GDDR6Xを搭載"
]

doc_embeddings = [
    client.embeddings.create(input=[doc], model="text-embedding-3-small").data[0].embedding
    for doc in documents
]

query = "最新メモリの帯域幅は？"
query_embedding = client.embeddings.create(
    input=[query], model="text-embedding-3-small"
).data[0].embedding

similarities = [
    (doc, cosine_similarity(query_embedding, emb))
    for doc, emb in zip(documents, doc_embeddings)
]
similarities.sort(key=lambda x: x[1], reverse=True)
print(f"最類似: {similarities[0][0]} (score: {similarities[0][1]:.3f})")