BGE-M3 er BAAI’s flersprogede genfindingsmodel, designet omkring tre former for alsidighed: flere genfindingsfunktioner, flere sprog og forskellige inputlængder. Producenten dokumenterer understøttelse af mere end hundrede sprog og input på op til 8192 tokens. Den fælles model kan levere tætte vektorer, sparsomme leksikale vægte og multivektorrepræsentationer, så et genfindingsdesign kan vælge eller kombinere mere end én slags evidens.
Tæt tilstand afbilder en tekst til én 1024-dimensional vektor. Den understøtter sammenligning af den betydning, som en forespørgsel og en passage repræsenterer. Sparsom tilstand tildeler vægte til de tokens, der findes i teksten, til leksikalt match. Multivektortilstand repræsenterer en tekst med flere vektorer og bruger en ColBERT-lignende interaktion til at sammenligne forespørgsel og dokument på et finere niveau.
Disse output har forskellige roller i et søgeindeks. En tæt vektor giver én repræsentation af en passage; en sparsom mapping af tokens til vægte bevarer leksikale signaler; flere vektorer giver en anden sammenligningsstruktur. Producentens eksempler viser returnering af de valgte repræsentationer og beregning af scorer for tekstpar. Behandl den valgte repræsentation og scoringsmetode som en bevidst del af genfindingsopgaven.
BGE-M3 kræver ikke tilføjelse af den genfindingsinstruktion, som tidligere BGE-modeller brugte. Forbered forespørgslen og de faktiske kildepassager direkte. En flersproget videnssamling kan bevare hver passage på originalsproget sammen med dokumentidentifikator og locale. Brug virkelige brugerspørgsmål fra den tilsigtede sprogblanding ved kontrol af resultaterne.
En praktisk opgave er at søge i regelforklaringer, produkthjælp eller teknisk dokumentation på flere sprog. Bevar navne, modelnumre og termer, som er vigtige for spørgsmålet. En leksikal repræsentation kan hjælpe med at bevare match på disse termer, mens en tæt repræsentation leverer semantisk evidens. Den genfundne passage bør omfatte teksten og kildeplaceringen, som en læser kan undersøge.
Inputvinduet på 8192 tokens lader modellen repræsentere materiale fra korte sætninger til længere dokumenter. Vælg detaljeringsgraden ud fra det svar, søgningen skal returnere. Et komplet afsnit kan bevare en definition og dens undtagelser; en mindre passage kan gøre en bestemt instruktion lettere at finde. Et langt vindue muliggør disse valg, men vektoren er fortsat knyttet til det materiale, der faktisk blev kodet.
Hold hver passage knyttet til sit overordnede dokument og sin version. Ved en lang rapport skal du bevare overskriften og den omgivende forklaring til det relevante tal eller den relevante konklusion. Stol ikke alene på en søgetræffers titel, når evidensen er i brødteksten. Hvis kilden ændres, skal der bevares tilstrækkelige metadata til at opdatere de tilsvarende genfindingsrepræsentationer.
Producenten anbefaler hybrid genfinding efterfulgt af et separat rerankingtrin. Dens eksempler beregner tætte, sparsomme og multivektorscorer og danner vægtede kombinationer. Vælg kombinationen ud fra samlingens spørgsmål og ordforråd; en vægt vist i et eksempel er ikke en universel indstilling for ethvert korpus.
Et nyttigt resultat er et kandidatsæt, hvis kildepassager fortsat er tilgængelige, og hvor repræsentationen og rangeringsmetoden er registreret. En separat reranker kan forfine sættet, og et separat tekstgenereringstrin kan bruge passageindholdet. BGE-M3’s sparsomme og multivektorbaserede evner er tilstande i producentens model; den tætte embeddingvektor, det leksikale output og parscoren er særskilte resultater frem for indbyrdes udskiftelige arrays.
", "aboutText": "BGE-M3 er BAAI’s flersprogede genfindingsmodel, designet omkring tre former for alsidighed: flere genfindingsfunktioner, flere sprog og forskellige inputlængder. Producenten dokumenterer understøttelse af mere end hundrede sprog og input på op til 8192 tokens. Den fælles model kan levere tætte vektorer, sparsomme leksikale vægte og multivektorrepræsentationer, så et genfindingsdesign kan vælge eller kombinere mere end én slags evidens.\n\n### Tre repræsentationer til genfinding\n\nTæt tilstand afbilder en tekst til én 1024-dimensional vektor. Den understøtter sammenligning af den betydning, som en forespørgsel og en passage repræsenterer. Sparsom tilstand tildeler vægte til de tokens, der findes i teksten, til leksikalt match. Multivektortilstand repræsenterer en tekst med flere vektorer og bruger en ColBERT-lignende interaktion til at sammenligne forespørgsel og dokument på et finere niveau.\n\nDisse output har forskellige roller i et søgeindeks. En tæt vektor giver én repræsentation af en passage; en sparsom mapping af tokens til vægte bevarer leksikale signaler; flere vektorer giver en anden sammenligningsstruktur. Producentens eksempler viser returnering af de valgte repræsentationer og beregning af scorer for tekstpar. Behandl den valgte repræsentation og scoringsmetode som en bevidst del af genfindingsopgaven.\n\n### Flersproget tekst og inputforberedelse\n\nBGE-M3 kræver ikke tilføjelse af den genfindingsinstruktion, som tidligere BGE-modeller brugte. Forbered forespørgslen og de faktiske kildepassager direkte. En flersproget videnssamling kan bevare hver passage på originalsproget sammen med dokumentidentifikator og locale. Brug virkelige brugerspørgsmål fra den tilsigtede sprogblanding ved kontrol af resultaterne.\n\nEn praktisk opgave er at søge i regelforklaringer, produkthjælp eller teknisk dokumentation på flere sprog. Bevar navne, modelnumre og termer, som er vigtige for spørgsmålet. En leksikal repræsentation kan hjælpe med at bevare match på disse termer, mens en tæt repræsentation leverer semantisk evidens. Den genfundne passage bør omfatte teksten og kildeplaceringen, som en læser kan undersøge.\n\n### Længere dokumenter og detaljeringsgrad\n\nInputvinduet på 8192 tokens lader modellen repræsentere materiale fra korte sætninger til længere dokumenter. Vælg detaljeringsgraden ud fra det svar, søgningen skal returnere. Et komplet afsnit kan bevare en definition og dens undtagelser; en mindre passage kan gøre en bestemt instruktion lettere at finde. Et langt vindue muliggør disse valg, men vektoren er fortsat knyttet til det materiale, der faktisk blev kodet.\n\nHold hver passage knyttet til sit overordnede dokument og sin version. Ved en lang rapport skal du bevare overskriften og den omgivende forklaring til det relevante tal eller den relevante konklusion. Stol ikke alene på en søgetræffers titel, når evidensen er i brødteksten. Hvis kilden ændres, skal der bevares tilstrækkelige metadata til at opdatere de tilsvarende genfindingsrepræsentationer.\n\n### Hybride scorer og efterfølgende brug\n\nProducenten anbefaler hybrid genfinding efterfulgt af et separat rerankingtrin. Dens eksempler beregner tætte, sparsomme og multivektorscorer og danner vægtede kombinationer. Vælg kombinationen ud fra samlingens spørgsmål og ordforråd; en vægt vist i et eksempel er ikke en universel indstilling for ethvert korpus.\n\nEt nyttigt resultat er et kandidatsæt, hvis kildepassager fortsat er tilgængelige, og hvor repræsentationen og rangeringsmetoden er registreret. En separat reranker kan forfine sættet, og et separat tekstgenereringstrin kan bruge passageindholdet. BGE-M3’s sparsomme og multivektorbaserede evner er tilstande i producentens model; den tætte embeddingvektor, det leksikale output og parscoren er særskilte resultater frem for indbyrdes udskiftelige arrays.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "16ec0183efeac580a51c00816dc6c2044c1d27853babd2aca81fcf2a644ccd99", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "baai/bge-m3BAAI BGE-M3 understøtter tæt vektorsøgning, sparsom leksikalsk søgning og søgning med flere vektorer på mere end 100 sprog. Den tætte vektorrepræsentation har 1024 dimensioner, og vinduet på 8192 tokens rummer både sætninger og længere dokumenter uden en påkrævet instruktion til søgeforespørgslen.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
BGE-M3 er BAAI’s flersprogede genfindingsmodel, designet omkring tre former for alsidighed: flere genfindingsfunktioner, flere sprog og forskellige inputlængder. Producenten dokumenterer understøttelse af mere end hundrede sprog og input på op til 8192 tokens. Den fælles model kan levere tætte vektorer, sparsomme leksikale vægte og multivektorrepræsentationer, så et genfindingsdesign kan vælge eller kombinere mere end én slags evidens.
Tæt tilstand afbilder en tekst til én 1024-dimensional vektor. Den understøtter sammenligning af den betydning, som en forespørgsel og en passage repræsenterer. Sparsom tilstand tildeler vægte til de tokens, der findes i teksten, til leksikalt match. Multivektortilstand repræsenterer en tekst med flere vektorer og bruger en ColBERT-lignende interaktion til at sammenligne forespørgsel og dokument på et finere niveau.
Disse output har forskellige roller i et søgeindeks. En tæt vektor giver én repræsentation af en passage; en sparsom mapping af tokens til vægte bevarer leksikale signaler; flere vektorer giver en anden sammenligningsstruktur. Producentens eksempler viser returnering af de valgte repræsentationer og beregning af scorer for tekstpar. Behandl den valgte repræsentation og scoringsmetode som en bevidst del af genfindingsopgaven.
BGE-M3 kræver ikke tilføjelse af den genfindingsinstruktion, som tidligere BGE-modeller brugte. Forbered forespørgslen og de faktiske kildepassager direkte. En flersproget videnssamling kan bevare hver passage på originalsproget sammen med dokumentidentifikator og locale. Brug virkelige brugerspørgsmål fra den tilsigtede sprogblanding ved kontrol af resultaterne.
En praktisk opgave er at søge i regelforklaringer, produkthjælp eller teknisk dokumentation på flere sprog. Bevar navne, modelnumre og termer, som er vigtige for spørgsmålet. En leksikal repræsentation kan hjælpe med at bevare match på disse termer, mens en tæt repræsentation leverer semantisk evidens. Den genfundne passage bør omfatte teksten og kildeplaceringen, som en læser kan undersøge.
Inputvinduet på 8192 tokens lader modellen repræsentere materiale fra korte sætninger til længere dokumenter. Vælg detaljeringsgraden ud fra det svar, søgningen skal returnere. Et komplet afsnit kan bevare en definition og dens undtagelser; en mindre passage kan gøre en bestemt instruktion lettere at finde. Et langt vindue muliggør disse valg, men vektoren er fortsat knyttet til det materiale, der faktisk blev kodet.
Hold hver passage knyttet til sit overordnede dokument og sin version. Ved en lang rapport skal du bevare overskriften og den omgivende forklaring til det relevante tal eller den relevante konklusion. Stol ikke alene på en søgetræffers titel, når evidensen er i brødteksten. Hvis kilden ændres, skal der bevares tilstrækkelige metadata til at opdatere de tilsvarende genfindingsrepræsentationer.
Producenten anbefaler hybrid genfinding efterfulgt af et separat rerankingtrin. Dens eksempler beregner tætte, sparsomme og multivektorscorer og danner vægtede kombinationer. Vælg kombinationen ud fra samlingens spørgsmål og ordforråd; en vægt vist i et eksempel er ikke en universel indstilling for ethvert korpus.
Et nyttigt resultat er et kandidatsæt, hvis kildepassager fortsat er tilgængelige, og hvor repræsentationen og rangeringsmetoden er registreret. En separat reranker kan forfine sættet, og et separat tekstgenereringstrin kan bruge passageindholdet. BGE-M3’s sparsomme og multivektorbaserede evner er tilstande i producentens model; den tætte embeddingvektor, det leksikale output og parscoren er særskilte resultater frem for indbyrdes udskiftelige arrays.
POST /v1/embeddingstext, token_idsembedding| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser baai/bge-m3 | 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: 8.194 · 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 | Kontrakt8194 |
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 $0.00004 / 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-m3", "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-m3',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-m3
Brug metodestierne vist ovenfor.