Embedding（嵌入）是自然语言中的概念转变为数值表示的一种处理，用来测量文本字符串之间的相关度，在NLP中应用广泛。

据官方博客介绍，新模型 text-embedding-ada-002 统一替代了原来用于text-similarity, text-search-query, text-search-doc, code-search-text and code-search-code等任务的5个模型。

而且超越了此前最强的Davinci。

当然，这是一个收费服务，好消息是新版本价格降低了 99.8% 。现在的价格是1K token 0.04美分，少了1到两个数量级。

小的改进还有：

上下文更长。 增加了四倍，从 2048到 8192，处理长文档更方便。

更小的嵌入尺寸。 新模型只有 1536 维，是  davinci-001 的八分之一，使用向量数据库时成本更低。

值得注意的是：

新的模型在 SentEval 线性探测分类基准上的表现没有超过原来的 text-similarity-davinci-001 。 对于需要在嵌入向量之上训练轻量级线性层以进行分类预测的任务，我们建议将新模型与 text-similarity-davinci-001 进行比较。

博客中也提供了相应数据：

更多细节请访问文档： https://beta.openai.com/docs/guides/embeddings 

项目负责人Ryan Greene（LinkedIn）是一位大学辍学生（Illinois州立2016级），他2019年加入Facebook工作了两年多，今年2月加盟OpenAI。他在Twitter上表示这是自己在OpenAI第一个公开的成果。