bge-large-en-v1.5 ist die große englischsprachige Edition für dichte Embeddings von BAAI. Sie bildet einen Text auf einen 1024-dimensionalen Vektor zur Suche nach Textpassagen und zum semantischen Vergleich ab. Version 1.5 ist die Aktualisierung des Herstellers für eine nützlichere Ähnlichkeitsverteilung und eine verbesserte Suche ohne Anweisung. Large bleibt ein eigenständiger Checkpoint, getrennt von Base, Small, chinesischsprachigen Editionen und dem mehrsprachigen Modell BGE-M3.
Für eine kurze Suchanfrage in längeren Dokumenten empfiehlt der Hersteller die Abfrageanweisung „Represent this sentence for searching relevant passages:“. Fügen Sie sie auf der Abfrageseite hinzu; die Passagen des Korpus behalten ihren Quelltext ohne diese Anweisung. Bei anderen Anwendungen genügt der direkte Text. BAAI dokumentiert für v1.5 auch die Suche ohne Präfix und empfiehlt, die Vorbereitung zu wählen, die bei der tatsächlichen Aufgabe am besten funktioniert.
Eine praktische Wissenssammlung kann die Abschnitte eines englischsprachigen technischen Handbuchs indexieren. Eine Frage danach, welche Einstellung das Ausgabeformat ändert, sollte den Abschnitt zurückliefern, der diese Einstellung und ihre Bedingungen erklärt. Bewahren Sie Überschrift, relevante Erklärung und Quellenstelle zusammen mit jeder Passage auf. Das Modell liefert die numerische Darstellung; der zurückgegebene Quelltext wird von einem Leser oder einer späteren RAG-Stufe verwendet.
Das direkte Kodierungsbeispiel des Herstellers verwendet den letzten verborgenen Zustand des ersten CLS-Tokens als gepooltes Embedding und normalisiert anschließend den Vektor. Der Vergleich normalisierter Vektoren über ihr Skalarprodukt ergibt die Kosinusähnlichkeit. Jede Passage kann daher einmal aufbereitet und für den Vergleich mit eingehenden Abfragevektoren gespeichert werden, während geändertes Quellmaterial eine aktualisierte Darstellung erhält.
Die 1024 Dimensionen legen die Länge des Ausgabevektors fest. Sie unterscheiden sich von der 768-dimensionalen Base-Darstellung und belegen keinen kompatiblen gemeinsamen Vektorraum mit einem anderen Checkpoint. Speichern Sie Modell und Aufbereitungskonvention zusammen mit dem Index. Bei einem Wechsel der Embedding-Edition müssen die Darstellungen von Korpus und Abfragen gemeinsam geprüft werden.
Die dokumentierte Sequenzlänge beträgt 512 Token. Bereiten Sie ein langes Handbuch als zusammenhängende Abschnitte statt als eine übergroße Eingabe auf. Lassen Sie Bedingungen oder Ausnahmen bei der Regel, die sie näher bestimmen, und fügen Sie genügend Kontext hinzu, damit ein gefundener Abschnitt für sich verständlich bleibt. Eine zusätzliche Abfrageanweisung belegt ebenfalls Eingabetoken; das Kontextfenster des Modells betrifft also die gesamte aufbereitete Eingabe.
Eine sinnvolle Passage kann eine Überschrift und die Absätze enthalten, die eine Nutzerfrage beantworten. Bewahren Sie Kennung und Version des übergeordneten Dokuments außerhalb des Vektors auf, damit ein Ergebnis zur richtigen Quelle zurückverfolgt werden kann. Verwenden Sie bei Vergleichsaufgaben die tatsächlichen Vergleichstexte, statt sie durch sachfremde Zusammenfassungen zu ersetzen, die den gesuchten Unterschied entfernen.
Der Hersteller warnt davor, absolute Ähnlichkeit als universelle Regel für semantische Gleichwertigkeit zu behandeln. Die relative Reihenfolge der Werte ist für die Suche entscheidend; ein Schwellenwert sollte anhand der Textverteilung der jeweiligen Aufgabe kalibriert werden. Prüfen Sie mögliche Treffer für Fragen mit bekannten Antworten und für Fragen, deren Antwort fehlt. Das zeigt, ob ein gefundener Abschnitt die benötigte Information liefert oder nur thematisch ähnlich ist.
bge-large-en-v1.5 liefert englischsprachige dichte Vektoren. Ein separater Reranker kann die Reihenfolge der Treffer verfeinern; ein separates Sprachmodell kann aus den ausgewählten Passagen eine Antwort formulieren. Die nutzbare Ausgabe dieser Edition ist eine durchsuchbare Darstellung mit Bezug zu ihrem Quelltext, bei der die genaue Wahl des Modells Large v1.5 und die Eingabeaufbereitung erhalten bleiben.
", "aboutText": "bge-large-en-v1.5 ist die große englischsprachige Edition für dichte Embeddings von BAAI. Sie bildet einen Text auf einen 1024-dimensionalen Vektor zur Suche nach Textpassagen und zum semantischen Vergleich ab. Version 1.5 ist die Aktualisierung des Herstellers für eine nützlichere Ähnlichkeitsverteilung und eine verbesserte Suche ohne Anweisung. Large bleibt ein eigenständiger Checkpoint, getrennt von Base, Small, chinesischsprachigen Editionen und dem mehrsprachigen Modell BGE-M3.\n\n### Richten Sie die Suche nach Textpassagen ein\n\nFür eine kurze Suchanfrage in längeren Dokumenten empfiehlt der Hersteller die Abfrageanweisung „Represent this sentence for searching relevant passages:“. Fügen Sie sie auf der Abfrageseite hinzu; die Passagen des Korpus behalten ihren Quelltext ohne diese Anweisung. Bei anderen Anwendungen genügt der direkte Text. BAAI dokumentiert für v1.5 auch die Suche ohne Präfix und empfiehlt, die Vorbereitung zu wählen, die bei der tatsächlichen Aufgabe am besten funktioniert.\n\nEine praktische Wissenssammlung kann die Abschnitte eines englischsprachigen technischen Handbuchs indexieren. Eine Frage danach, welche Einstellung das Ausgabeformat ändert, sollte den Abschnitt zurückliefern, der diese Einstellung und ihre Bedingungen erklärt. Bewahren Sie Überschrift, relevante Erklärung und Quellenstelle zusammen mit jeder Passage auf. Das Modell liefert die numerische Darstellung; der zurückgegebene Quelltext wird von einem Leser oder einer späteren RAG-Stufe verwendet.\n\n### Darstellung und Abgleich\n\nDas direkte Kodierungsbeispiel des Herstellers verwendet den letzten verborgenen Zustand des ersten CLS-Tokens als gepooltes Embedding und normalisiert anschließend den Vektor. Der Vergleich normalisierter Vektoren über ihr Skalarprodukt ergibt die Kosinusähnlichkeit. Jede Passage kann daher einmal aufbereitet und für den Vergleich mit eingehenden Abfragevektoren gespeichert werden, während geändertes Quellmaterial eine aktualisierte Darstellung erhält.\n\nDie 1024 Dimensionen legen die Länge des Ausgabevektors fest. Sie unterscheiden sich von der 768-dimensionalen Base-Darstellung und belegen keinen kompatiblen gemeinsamen Vektorraum mit einem anderen Checkpoint. Speichern Sie Modell und Aufbereitungskonvention zusammen mit dem Index. Bei einem Wechsel der Embedding-Edition müssen die Darstellungen von Korpus und Abfragen gemeinsam geprüft werden.\n\n### Passen Sie die Quelle an das Kontextfenster an\n\nDie dokumentierte Sequenzlänge beträgt 512 Token. Bereiten Sie ein langes Handbuch als zusammenhängende Abschnitte statt als eine übergroße Eingabe auf. Lassen Sie Bedingungen oder Ausnahmen bei der Regel, die sie näher bestimmen, und fügen Sie genügend Kontext hinzu, damit ein gefundener Abschnitt für sich verständlich bleibt. Eine zusätzliche Abfrageanweisung belegt ebenfalls Eingabetoken; das Kontextfenster des Modells betrifft also die gesamte aufbereitete Eingabe.\n\nEine sinnvolle Passage kann eine Überschrift und die Absätze enthalten, die eine Nutzerfrage beantworten. Bewahren Sie Kennung und Version des übergeordneten Dokuments außerhalb des Vektors auf, damit ein Ergebnis zur richtigen Quelle zurückverfolgt werden kann. Verwenden Sie bei Vergleichsaufgaben die tatsächlichen Vergleichstexte, statt sie durch sachfremde Zusammenfassungen zu ersetzen, die den gesuchten Unterschied entfernen.\n\n### Ordnen Sie den Ähnlichkeitswert ein\n\nDer Hersteller warnt davor, absolute Ähnlichkeit als universelle Regel für semantische Gleichwertigkeit zu behandeln. Die relative Reihenfolge der Werte ist für die Suche entscheidend; ein Schwellenwert sollte anhand der Textverteilung der jeweiligen Aufgabe kalibriert werden. Prüfen Sie mögliche Treffer für Fragen mit bekannten Antworten und für Fragen, deren Antwort fehlt. Das zeigt, ob ein gefundener Abschnitt die benötigte Information liefert oder nur thematisch ähnlich ist.\n\nbge-large-en-v1.5 liefert englischsprachige dichte Vektoren. Ein separater Reranker kann die Reihenfolge der Treffer verfeinern; ein separates Sprachmodell kann aus den ausgewählten Passagen eine Antwort formulieren. Die nutzbare Ausgabe dieser Edition ist eine durchsuchbare Darstellung mit Bezug zu ihrem Quelltext, bei der die genaue Wahl des Modells Large v1.5 und die Eingabeaufbereitung erhalten bleiben.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "42c57bc4041803609a19956804bf4dd4478e29085c7c3075b19ba412f14267ff", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de-at", "methods": [ { "html": "baai/bge-large-en-v1.5BAAI bge-large-en-v1.5 erzeugt 1024-dimensionale englische Textvektoren für Informationssuche und semantische Vergleiche. Seine v1.5-Vorbereitung unterstützt eine optionale Suchanfrage-Instruktion bei einer dokumentierten Sequenzlänge von 512 Tokens.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
bge-large-en-v1.5 ist die große englischsprachige Edition für dichte Embeddings von BAAI. Sie bildet einen Text auf einen 1024-dimensionalen Vektor zur Suche nach Textpassagen und zum semantischen Vergleich ab. Version 1.5 ist die Aktualisierung des Herstellers für eine nützlichere Ähnlichkeitsverteilung und eine verbesserte Suche ohne Anweisung. Large bleibt ein eigenständiger Checkpoint, getrennt von Base, Small, chinesischsprachigen Editionen und dem mehrsprachigen Modell BGE-M3.
Für eine kurze Suchanfrage in längeren Dokumenten empfiehlt der Hersteller die Abfrageanweisung „Represent this sentence for searching relevant passages:“. Fügen Sie sie auf der Abfrageseite hinzu; die Passagen des Korpus behalten ihren Quelltext ohne diese Anweisung. Bei anderen Anwendungen genügt der direkte Text. BAAI dokumentiert für v1.5 auch die Suche ohne Präfix und empfiehlt, die Vorbereitung zu wählen, die bei der tatsächlichen Aufgabe am besten funktioniert.
Eine praktische Wissenssammlung kann die Abschnitte eines englischsprachigen technischen Handbuchs indexieren. Eine Frage danach, welche Einstellung das Ausgabeformat ändert, sollte den Abschnitt zurückliefern, der diese Einstellung und ihre Bedingungen erklärt. Bewahren Sie Überschrift, relevante Erklärung und Quellenstelle zusammen mit jeder Passage auf. Das Modell liefert die numerische Darstellung; der zurückgegebene Quelltext wird von einem Leser oder einer späteren RAG-Stufe verwendet.
Das direkte Kodierungsbeispiel des Herstellers verwendet den letzten verborgenen Zustand des ersten CLS-Tokens als gepooltes Embedding und normalisiert anschließend den Vektor. Der Vergleich normalisierter Vektoren über ihr Skalarprodukt ergibt die Kosinusähnlichkeit. Jede Passage kann daher einmal aufbereitet und für den Vergleich mit eingehenden Abfragevektoren gespeichert werden, während geändertes Quellmaterial eine aktualisierte Darstellung erhält.
Die 1024 Dimensionen legen die Länge des Ausgabevektors fest. Sie unterscheiden sich von der 768-dimensionalen Base-Darstellung und belegen keinen kompatiblen gemeinsamen Vektorraum mit einem anderen Checkpoint. Speichern Sie Modell und Aufbereitungskonvention zusammen mit dem Index. Bei einem Wechsel der Embedding-Edition müssen die Darstellungen von Korpus und Abfragen gemeinsam geprüft werden.
Die dokumentierte Sequenzlänge beträgt 512 Token. Bereiten Sie ein langes Handbuch als zusammenhängende Abschnitte statt als eine übergroße Eingabe auf. Lassen Sie Bedingungen oder Ausnahmen bei der Regel, die sie näher bestimmen, und fügen Sie genügend Kontext hinzu, damit ein gefundener Abschnitt für sich verständlich bleibt. Eine zusätzliche Abfrageanweisung belegt ebenfalls Eingabetoken; das Kontextfenster des Modells betrifft also die gesamte aufbereitete Eingabe.
Eine sinnvolle Passage kann eine Überschrift und die Absätze enthalten, die eine Nutzerfrage beantworten. Bewahren Sie Kennung und Version des übergeordneten Dokuments außerhalb des Vektors auf, damit ein Ergebnis zur richtigen Quelle zurückverfolgt werden kann. Verwenden Sie bei Vergleichsaufgaben die tatsächlichen Vergleichstexte, statt sie durch sachfremde Zusammenfassungen zu ersetzen, die den gesuchten Unterschied entfernen.
Der Hersteller warnt davor, absolute Ähnlichkeit als universelle Regel für semantische Gleichwertigkeit zu behandeln. Die relative Reihenfolge der Werte ist für die Suche entscheidend; ein Schwellenwert sollte anhand der Textverteilung der jeweiligen Aufgabe kalibriert werden. Prüfen Sie mögliche Treffer für Fragen mit bekannten Antworten und für Fragen, deren Antwort fehlt. Das zeigt, ob ein gefundener Abschnitt die benötigte Information liefert oder nur thematisch ähnlich ist.
bge-large-en-v1.5 liefert englischsprachige dichte Vektoren. Ein separater Reranker kann die Reihenfolge der Treffer verfeinern; ein separates Sprachmodell kann aus den ausgewählten Passagen eine Antwort formulieren. Die nutzbare Ausgabe dieser Edition ist eine durchsuchbare Darstellung mit Bezug zu ihrem Quelltext, bei der die genaue Wahl des Modells Large v1.5 und die Eingabeaufbereitung erhalten bleiben.
POST /v1/embeddingstext, token_idsembedding| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits baai/bge-large-en-v1.5 | Standard— |
Feldinput | Typstring|string[]|integer[]|integer[][] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 Bedingungen: Nicht leerer, homogener Batch. Token-IDs sind nichtnegative Ganzzahlen. Eingabebudget: Maximum: 512 · Texteinheit: UTF8-Bytes · Tokeneinheit: Elemente des Token-Arrays | Standard— |
Feldencoding_format | Typstring | AnforderungOptional | Werte und Limits float | Standardfloat |
Felddimensions | Typinteger | AnforderungNicht unterstützt | Werte und Limits Minimum: 1 | Standard— |
Felduser | Typjson_value | AnforderungOptional | Werte und Limits Bedingungen: Die Quelle lässt dieses JSON-Metadatenfeld zu; die genaue Semantik des vorgelagerten Systems ist modellspezifisch. | Standard— |
Feldsession_id | Typjson_value | AnforderungOptional | Werte und Limits Bedingungen: Die Quelle lässt dieses JSON-Metadatenfeld zu; die genaue Semantik des vorgelagerten Systems ist modellspezifisch. | Standard— |
Feldtrace | Typjson_value | AnforderungOptional | Werte und Limits Bedingungen: Die Quelle lässt dieses JSON-Metadatenfeld zu; die genaue Semantik des vorgelagerten Systems ist modellspezifisch. | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options abgelehnt | Standard— |
text_to_embedding
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, input |
Parameterinput_shapes | Vertragstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parameterencoding_format | Vertragfloat |
Parameterdimensions_override | Vertragfalse |
Parametermax_input_budget_units | Vertrag512 |
Parametermultimodal_objects | Vertragfalse |
Parametermaterial_types | Vertragtext, token_ids |
Lebenszyklus: synchronous_json
Jeden Vektorindex und jede Dimension beibehalten.
Ein multimodaler Modellname erlaubt auf genau diesem Pfad keine Bildobjekte.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.00002 / 1K Tokens Ausgabe · Ausgabetoken $0 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${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
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Jeden Vektor mit seinem Index beibehalten. Die Anzahl der Vektoren muss der Anzahl der Eingaben entsprechen; die Dimensionen müssen konsistent sein.
Es wird kein Endpunkt für Embedding-Aufträge eingeführt.
| Feld | Typ |
|---|---|
Feldobject | Typstring |
Feldmodel | Typstring |
Felddata[].index | Typinteger |
Felddata[].embedding | Typfinite float[] |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra baai/bge-large-en-v1.5
Verwenden Sie die oben angezeigten Methodenpfade.