bge-large-en-v1.5 er BAAI’s store engelske udgave til tætte embeddings. Den omsætter en tekst til en vektor med 1024 dimensioner til passagesøgning og semantisk sammenligning. Version 1.5 er udviklerens opdatering, der sigter mod en mere nyttig lighedsfordeling og bedre søgning uden en instruktion. Large er fortsat et separat checkpoint fra Base, Small, kinesiske udgaver og den flersprogede BGE-M3-model.
Til en kort søgeforespørgsel mod længere dokumenter anbefaler udvikleren forespørgselsinstruktionen “Represent this sentence for searching relevant passages:”. Føj den til forespørgselssiden; passager i korpusset beholder deres egen kildetekst uden denne instruktion. Ved andre anvendelser er direkte tekst tilstrækkelig. BAAI dokumenterer også søgning uden præfikset i v1.5 og anbefaler at vælge den forberedelse, der virker bedst på den faktiske opgave.
En praktisk videnssamling kan indeksere afsnittene i en engelsk teknisk manual. Et spørgsmål om, hvilken indstilling der ændrer outputformatet, bør returnere det afsnit, der forklarer indstillingen og dens betingelser. Gem overskriften, den relevante forklaring og kildeplaceringen sammen med hver passage. Modellen leverer den numeriske repræsentation; den returnerede kildetekst er det, en læser eller et senere RAG-trin bruger.
Udviklerens eksempel på direkte kodning bruger det første CLS-tokens sidste skjulte tilstand som samlet embedding og normaliserer derefter vektoren. Skalarproduktet af normaliserede vektorer giver cosinuslighed. Hver passage kan derfor forberedes én gang og gemmes til sammenligning med indgående forespørgselsvektorer, mens ændret kildemateriale får en opdateret repræsentation.
De 1024 dimensioner angiver outputvektorens længde. De adskiller sig fra Base-repræsentationen med 768 dimensioner og fastslår ikke et kompatibelt fælles vektorrum med et andet checkpoint. Gem modellen og forberedelseskonventionen sammen med det lagrede indeks. En ændring af embeddingudgaven kræver kontrol af korpus- og forespørgselsrepræsentationerne samlet.
Den dokumenterede sekvenslængde er 512 tokens. Forbered en lang manual som sammenhængende afsnit frem for ét overdimensioneret input. Hold en betingelse eller undtagelse ved siden af den regel, den præciserer, og medtag nok kontekst til, at et fundet afsnit giver mening alene. En tilføjet forespørgselsinstruktion optager også inputtokens, så modellens vindue gælder hele det forberedte input.
En nyttig passagegrænse kan omfatte en overskrift og de afsnit, som besvarer ét brugerspørgsmål. Gem det overordnede dokuments identifikator og version uden for vektoren, så et resultat fortsat kan spores til den rigtige kilde. Brug de faktiske tekster til en sammenligningsopgave i stedet for at erstatte dem med uvedkommende resuméer, som fjerner den forskel, du skal finde.
Udvikleren advarer mod at behandle absolut lighed som en universel regel for semantisk ækvivalens. Den relative scorerækkefølge er central for søgning, og en tærskel bør kalibreres på opgavens egen tekstfordeling. Gennemgå kandidatpassager for spørgsmål med kendte svar og for spørgsmål, hvis svar mangler. Det viser, om et returneret afsnit giver de nødvendige oplysninger i stedet for blot at ligne emnet.
bge-large-en-v1.5 leverer engelske tætte vektorer. En separat reranker kan forbedre kandidaternes rækkefølge, og en separat sprogmodel kan sammensætte et svar ud fra de valgte passager. Det nyttige output fra denne udgave er en søgbar repræsentation knyttet til sin kildetekst med bevaret valg af den præcise Large v1.5-model og inputforberedelse.
", "aboutText": "bge-large-en-v1.5 er BAAI’s store engelske udgave til tætte embeddings. Den omsætter en tekst til en vektor med 1024 dimensioner til passagesøgning og semantisk sammenligning. Version 1.5 er udviklerens opdatering, der sigter mod en mere nyttig lighedsfordeling og bedre søgning uden en instruktion. Large er fortsat et separat checkpoint fra Base, Small, kinesiske udgaver og den flersprogede BGE-M3-model.\n\n### Forbered passagesøgning\n\nTil en kort søgeforespørgsel mod længere dokumenter anbefaler udvikleren forespørgselsinstruktionen “Represent this sentence for searching relevant passages:”. Føj den til forespørgselssiden; passager i korpusset beholder deres egen kildetekst uden denne instruktion. Ved andre anvendelser er direkte tekst tilstrækkelig. BAAI dokumenterer også søgning uden præfikset i v1.5 og anbefaler at vælge den forberedelse, der virker bedst på den faktiske opgave.\n\nEn praktisk videnssamling kan indeksere afsnittene i en engelsk teknisk manual. Et spørgsmål om, hvilken indstilling der ændrer outputformatet, bør returnere det afsnit, der forklarer indstillingen og dens betingelser. Gem overskriften, den relevante forklaring og kildeplaceringen sammen med hver passage. Modellen leverer den numeriske repræsentation; den returnerede kildetekst er det, en læser eller et senere RAG-trin bruger.\n\n### Repræsentation og sammenligning\n\nUdviklerens eksempel på direkte kodning bruger det første CLS-tokens sidste skjulte tilstand som samlet embedding og normaliserer derefter vektoren. Skalarproduktet af normaliserede vektorer giver cosinuslighed. Hver passage kan derfor forberedes én gang og gemmes til sammenligning med indgående forespørgselsvektorer, mens ændret kildemateriale får en opdateret repræsentation.\n\nDe 1024 dimensioner angiver outputvektorens længde. De adskiller sig fra Base-repræsentationen med 768 dimensioner og fastslår ikke et kompatibelt fælles vektorrum med et andet checkpoint. Gem modellen og forberedelseskonventionen sammen med det lagrede indeks. En ændring af embeddingudgaven kræver kontrol af korpus- og forespørgselsrepræsentationerne samlet.\n\n### Tilpas kilden til vinduet\n\nDen dokumenterede sekvenslængde er 512 tokens. Forbered en lang manual som sammenhængende afsnit frem for ét overdimensioneret input. Hold en betingelse eller undtagelse ved siden af den regel, den præciserer, og medtag nok kontekst til, at et fundet afsnit giver mening alene. En tilføjet forespørgselsinstruktion optager også inputtokens, så modellens vindue gælder hele det forberedte input.\n\nEn nyttig passagegrænse kan omfatte en overskrift og de afsnit, som besvarer ét brugerspørgsmål. Gem det overordnede dokuments identifikator og version uden for vektoren, så et resultat fortsat kan spores til den rigtige kilde. Brug de faktiske tekster til en sammenligningsopgave i stedet for at erstatte dem med uvedkommende resuméer, som fjerner den forskel, du skal finde.\n\n### Fortolk scoren\n\nUdvikleren advarer mod at behandle absolut lighed som en universel regel for semantisk ækvivalens. Den relative scorerækkefølge er central for søgning, og en tærskel bør kalibreres på opgavens egen tekstfordeling. Gennemgå kandidatpassager for spørgsmål med kendte svar og for spørgsmål, hvis svar mangler. Det viser, om et returneret afsnit giver de nødvendige oplysninger i stedet for blot at ligne emnet.\n\nbge-large-en-v1.5 leverer engelske tætte vektorer. En separat reranker kan forbedre kandidaternes rækkefølge, og en separat sprogmodel kan sammensætte et svar ud fra de valgte passager. Det nyttige output fra denne udgave er en søgbar repræsentation knyttet til sin kildetekst med bevaret valg af den præcise Large v1.5-model og inputforberedelse.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "de242178cd178ce1fcfe56e55b890ea9941cbc70a206b71af30a78cf503043ec", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "baai/bge-large-en-v1.5BAAI bge-large-en-v1.5 producerer 1024-dimensionale engelske tekstvektorer til genfinding og semantisk sammenligning. Dens v1.5-forberedelse understøtter en valgfri forespørgselsinstruktion med en dokumenteret sekvenslængde på 512 tokens.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
bge-large-en-v1.5 er BAAI’s store engelske udgave til tætte embeddings. Den omsætter en tekst til en vektor med 1024 dimensioner til passagesøgning og semantisk sammenligning. Version 1.5 er udviklerens opdatering, der sigter mod en mere nyttig lighedsfordeling og bedre søgning uden en instruktion. Large er fortsat et separat checkpoint fra Base, Small, kinesiske udgaver og den flersprogede BGE-M3-model.
Til en kort søgeforespørgsel mod længere dokumenter anbefaler udvikleren forespørgselsinstruktionen “Represent this sentence for searching relevant passages:”. Føj den til forespørgselssiden; passager i korpusset beholder deres egen kildetekst uden denne instruktion. Ved andre anvendelser er direkte tekst tilstrækkelig. BAAI dokumenterer også søgning uden præfikset i v1.5 og anbefaler at vælge den forberedelse, der virker bedst på den faktiske opgave.
En praktisk videnssamling kan indeksere afsnittene i en engelsk teknisk manual. Et spørgsmål om, hvilken indstilling der ændrer outputformatet, bør returnere det afsnit, der forklarer indstillingen og dens betingelser. Gem overskriften, den relevante forklaring og kildeplaceringen sammen med hver passage. Modellen leverer den numeriske repræsentation; den returnerede kildetekst er det, en læser eller et senere RAG-trin bruger.
Udviklerens eksempel på direkte kodning bruger det første CLS-tokens sidste skjulte tilstand som samlet embedding og normaliserer derefter vektoren. Skalarproduktet af normaliserede vektorer giver cosinuslighed. Hver passage kan derfor forberedes én gang og gemmes til sammenligning med indgående forespørgselsvektorer, mens ændret kildemateriale får en opdateret repræsentation.
De 1024 dimensioner angiver outputvektorens længde. De adskiller sig fra Base-repræsentationen med 768 dimensioner og fastslår ikke et kompatibelt fælles vektorrum med et andet checkpoint. Gem modellen og forberedelseskonventionen sammen med det lagrede indeks. En ændring af embeddingudgaven kræver kontrol af korpus- og forespørgselsrepræsentationerne samlet.
Den dokumenterede sekvenslængde er 512 tokens. Forbered en lang manual som sammenhængende afsnit frem for ét overdimensioneret input. Hold en betingelse eller undtagelse ved siden af den regel, den præciserer, og medtag nok kontekst til, at et fundet afsnit giver mening alene. En tilføjet forespørgselsinstruktion optager også inputtokens, så modellens vindue gælder hele det forberedte input.
En nyttig passagegrænse kan omfatte en overskrift og de afsnit, som besvarer ét brugerspørgsmål. Gem det overordnede dokuments identifikator og version uden for vektoren, så et resultat fortsat kan spores til den rigtige kilde. Brug de faktiske tekster til en sammenligningsopgave i stedet for at erstatte dem med uvedkommende resuméer, som fjerner den forskel, du skal finde.
Udvikleren advarer mod at behandle absolut lighed som en universel regel for semantisk ækvivalens. Den relative scorerækkefølge er central for søgning, og en tærskel bør kalibreres på opgavens egen tekstfordeling. Gennemgå kandidatpassager for spørgsmål med kendte svar og for spørgsmål, hvis svar mangler. Det viser, om et returneret afsnit giver de nødvendige oplysninger i stedet for blot at ligne emnet.
bge-large-en-v1.5 leverer engelske tætte vektorer. En separat reranker kan forbedre kandidaternes rækkefølge, og en separat sprogmodel kan sammensætte et svar ud fra de valgte passager. Det nyttige output fra denne udgave er en søgbar repræsentation knyttet til sin kildetekst med bevaret valg af den præcise Large v1.5-model og inputforberedelse.
POST /v1/embeddingstext, token_idsembedding| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser baai/bge-large-en-v1.5 | Standard— |
Feltinput | Typestring|string[]|integer[]|integer[][] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 Betingelser: Ikke-tom batch med ensartede elementer. Token-ID’er er ikke-negative heltal. Inputbudget: Maksimum: 512 · Tekstenhed: UTF8-bytes · Tokenenhed: elementer i et tokenarray | Standard— |
Feltencoding_format | Typestring | KravValgfrit | Værdier og grænser float | Standardfloat |
Feltdimensions | Typeinteger | KravIkke understøttet | Værdier og grænser Minimum: 1 | Standard— |
Feltuser | Typejson_value | KravValgfrit | Værdier og grænser Betingelser: Kilden tillader dette JSON-metadatafelt; den præcise betydning hos den bagvedliggende udbyder afhænger af modellen. | Standard— |
Feltsession_id | Typejson_value | KravValgfrit | Værdier og grænser Betingelser: Kilden tillader dette JSON-metadatafelt; den præcise betydning hos den bagvedliggende udbyder afhænger af modellen. | Standard— |
Felttrace | Typejson_value | KravValgfrit | Værdier og grænser Betingelser: Kilden tillader dette JSON-metadatafelt; den præcise betydning hos den bagvedliggende udbyder afhænger af modellen. | Standard— |
Feltprovider | Typeobject | KravValgfrit | Værdier og grænser Betingelser: provider.options afvist | Standard— |
text_to_embedding
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, input |
Parameterinput_shapes | Kontraktstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parameterencoding_format | Kontraktfloat |
Parameterdimensions_override | Kontraktfalse |
Parametermax_input_budget_units | Kontrakt512 |
Parametermultimodal_objects | Kontraktfalse |
Parametermaterial_types | Kontrakttext, token_ids |
Livscyklus: synchronous_json
Gem hver vektors indeks og dimension.
Et multimodalt modelnavn giver ikke adgang til at bruge billedobjekter på denne præcise sti.
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.00002 / 1K tokens Output · Outputtokens $0 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "baai/bge-large-en-v1.5", "input": ["First document", "Second document"]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.embeddings.create(model='baai/bge-large-en-v1.5',input=["First document","Second document"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\njson
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Gem hver vektor med dens indeks. Antallet af vektorer skal svare til antallet af input; dimensionerne skal være ensartede.
Der indføres intet endpoint til embedding-job.
| Felt | Type |
|---|---|
Feltobject | Typestring |
Feltmodel | Typestring |
Feltdata[].index | Typeinteger |
Feltdata[].embedding | Typefinite float[] |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra baai/bge-large-en-v1.5
Brug metodestierne vist ovenfor.