bge-base-en-v1.5 ist das dichte englische Embedding-Modell von BAAI in Basisgröße. Es wandelt jeden Text in eine 768-dimensionale numerische Repräsentation für Informationssuche und semantische Vergleiche um. Das Modell gehört zur BGE-v1.5-Reihe, die die Verteilung der Ähnlichkeitswerte der früheren Familie überarbeitet und die Suche ohne mitgelieferte Instruktion verbessert. Seine Ausgabe ist ein Vektor zum Vergleich von Texten oder zum Auffinden relevanter Passagen.
Für eine kurze Anfrage, die längere Passagen durchsucht, empfiehlt BAAI das Präfix „Represent this sentence for searching relevant passages:“. Die Korpuspassagen erhalten diese Instruktion nicht. Für andere Aufgaben kann der Originaltext direkt eingebettet werden. Der Hersteller weist darauf hin, dass v1.5 auch ohne Instruktion funktioniert; die Vorbereitung sollte daher aufgabenbezogen gewählt werden, statt das Präfix als einzig gültige Eingabe zu behandeln.
Eine praktische Suchsammlung kann Hilfeartikel, Produkterklärungen oder technische Anweisungen enthalten. Eine Anfrage wie „Wie ändere ich das Exportformat?“ sollte die Passage abrufen, die diese Handlung beschreibt. Halten Sie die Abschnittsüberschrift, relevante Bedingungen und den tatsächlichen Quelltext zusammen. Speichern Sie die Kennung und Fundstelle der Passage bei ihrem Vektor, damit ein Suchergebnis lesbaren Inhalt zurückgeben kann, den eine spätere Antwortstufe auch zitieren kann.
Die dokumentierte Repräsentation verwendet den letzten verborgenen Zustand des ersten Tokens, des CLS-Tokens, als Satz-Embedding. Die Beispiele des Herstellers normalisieren den Vektor und vergleichen normalisierte Embeddings mit einem Skalarprodukt, das der Kosinusähnlichkeit entspricht. Die 768 Dimensionen sind die Größe der Ausgaberepräsentation dieses Modells; sie sind weder eine wählbare Kontextlänge noch ein Kontingent für Textgenerierung.
Verwenden Sie für die verglichenen Anfrage- und Korpusvektoren dasselbe Modell und dieselbe Vorbereitungskonvention. Eine praktische Prüfung besteht darin, für eine kleine Menge tatsächlicher Nutzerfragen bekannte antwortrelevante Passagen abzurufen und den zurückgegebenen Text zu untersuchen. Eine kompatible Vektorform ermöglicht dem Index die Speicherung der Repräsentation, während die Quellpassage belegt, was das Ergebnis tatsächlich aussagt.
Die dokumentierte Sequenzlänge des Modells beträgt 512 Tokens. Eine lange Quelle sollte deshalb vor der Embedding-Berechnung in zusammenhängende, antwortrelevante Passagen aufgeteilt werden. Bewahren Sie Definitionen und Ausnahmen bei der Aussage, auf die sie sich beziehen, und erhalten Sie die Verbindung von einer Passage zu ihrem übergeordneten Dokument. Der einzubettende Text umfasst jede ergänzte Instruktion und Überschrift; eine kompakte Vorbereitung lässt daher mehr Platz für den nützlichen Quellinhalt.
Wählen Sie bei einem Bericht oder Handbuch Grenzen um einen Abschnitt oder eine kleine Gruppe zusammengehöriger Absätze. Eine Passage, die nur einen Titel oder ein Fragment ohne dessen Gegenstand enthält, kann nach dem Abruf schwer verständlich sein. Bewahren Sie den Originaltext und eine Quellversion auf, damit eine Indexaktualisierung bei Dokumentänderungen das zugehörige Material ersetzen kann.
BAAI warnt davor, absolute Ähnlichkeitswerte als universelle Schwellenwerte dafür zu verwenden, ob zwei Texte dasselbe bedeuten. Entscheidend ist die relative Rangfolge, und ein Filterschwellenwert sollte anhand der Verteilung in den eigenen Aufgabendaten gewählt werden. Eine hohe Vektorähnlichkeit ist ein Suchsignal und keine Verifizierung des sachlichen Inhalts der Passage.
Das nützliche Ergebnis ist ein englischer Passagenindex, eine Menge von Anfragevektoren oder numerische Merkmale für semantische Vergleiche. Ein separater Reranker kann abgerufene Kandidaten verfeinern, und eine separate Generierungsstufe kann aus deren Text eine Antwort verfassen. Dieses konkrete englische Basismodell v1.5 bleibt von BGE Large, chinesischen Ausgaben sowie den mehrsprachigen und hybriden Retrieval-Profilen von BGE-M3 getrennt.
", "aboutText": "bge-base-en-v1.5 ist das dichte englische Embedding-Modell von BAAI in Basisgröße. Es wandelt jeden Text in eine 768-dimensionale numerische Repräsentation für Informationssuche und semantische Vergleiche um. Das Modell gehört zur BGE-v1.5-Reihe, die die Verteilung der Ähnlichkeitswerte der früheren Familie überarbeitet und die Suche ohne mitgelieferte Instruktion verbessert. Seine Ausgabe ist ein Vektor zum Vergleich von Texten oder zum Auffinden relevanter Passagen.\n\n### Suchanfragen und Passagen vorbereiten\n\nFür eine kurze Anfrage, die längere Passagen durchsucht, empfiehlt BAAI das Präfix „Represent this sentence for searching relevant passages:“. Die Korpuspassagen erhalten diese Instruktion nicht. Für andere Aufgaben kann der Originaltext direkt eingebettet werden. Der Hersteller weist darauf hin, dass v1.5 auch ohne Instruktion funktioniert; die Vorbereitung sollte daher aufgabenbezogen gewählt werden, statt das Präfix als einzig gültige Eingabe zu behandeln.\n\nEine praktische Suchsammlung kann Hilfeartikel, Produkterklärungen oder technische Anweisungen enthalten. Eine Anfrage wie „Wie ändere ich das Exportformat?“ sollte die Passage abrufen, die diese Handlung beschreibt. Halten Sie die Abschnittsüberschrift, relevante Bedingungen und den tatsächlichen Quelltext zusammen. Speichern Sie die Kennung und Fundstelle der Passage bei ihrem Vektor, damit ein Suchergebnis lesbaren Inhalt zurückgeben kann, den eine spätere Antwortstufe auch zitieren kann.\n\n### Vektorformat und Vergleich\n\nDie dokumentierte Repräsentation verwendet den letzten verborgenen Zustand des ersten Tokens, des CLS-Tokens, als Satz-Embedding. Die Beispiele des Herstellers normalisieren den Vektor und vergleichen normalisierte Embeddings mit einem Skalarprodukt, das der Kosinusähnlichkeit entspricht. Die 768 Dimensionen sind die Größe der Ausgaberepräsentation dieses Modells; sie sind weder eine wählbare Kontextlänge noch ein Kontingent für Textgenerierung.\n\nVerwenden Sie für die verglichenen Anfrage- und Korpusvektoren dasselbe Modell und dieselbe Vorbereitungskonvention. Eine praktische Prüfung besteht darin, für eine kleine Menge tatsächlicher Nutzerfragen bekannte antwortrelevante Passagen abzurufen und den zurückgegebenen Text zu untersuchen. Eine kompatible Vektorform ermöglicht dem Index die Speicherung der Repräsentation, während die Quellpassage belegt, was das Ergebnis tatsächlich aussagt.\n\n### Eingabelänge und Dokumentvorbereitung\n\nDie dokumentierte Sequenzlänge des Modells beträgt 512 Tokens. Eine lange Quelle sollte deshalb vor der Embedding-Berechnung in zusammenhängende, antwortrelevante Passagen aufgeteilt werden. Bewahren Sie Definitionen und Ausnahmen bei der Aussage, auf die sie sich beziehen, und erhalten Sie die Verbindung von einer Passage zu ihrem übergeordneten Dokument. Der einzubettende Text umfasst jede ergänzte Instruktion und Überschrift; eine kompakte Vorbereitung lässt daher mehr Platz für den nützlichen Quellinhalt.\n\nWählen Sie bei einem Bericht oder Handbuch Grenzen um einen Abschnitt oder eine kleine Gruppe zusammengehöriger Absätze. Eine Passage, die nur einen Titel oder ein Fragment ohne dessen Gegenstand enthält, kann nach dem Abruf schwer verständlich sein. Bewahren Sie den Originaltext und eine Quellversion auf, damit eine Indexaktualisierung bei Dokumentänderungen das zugehörige Material ersetzen kann.\n\n### Bewertungen und nützliche Ausgabe\n\nBAAI warnt davor, absolute Ähnlichkeitswerte als universelle Schwellenwerte dafür zu verwenden, ob zwei Texte dasselbe bedeuten. Entscheidend ist die relative Rangfolge, und ein Filterschwellenwert sollte anhand der Verteilung in den eigenen Aufgabendaten gewählt werden. Eine hohe Vektorähnlichkeit ist ein Suchsignal und keine Verifizierung des sachlichen Inhalts der Passage.\n\nDas nützliche Ergebnis ist ein englischer Passagenindex, eine Menge von Anfragevektoren oder numerische Merkmale für semantische Vergleiche. Ein separater Reranker kann abgerufene Kandidaten verfeinern, und eine separate Generierungsstufe kann aus deren Text eine Antwort verfassen. Dieses konkrete englische Basismodell v1.5 bleibt von BGE Large, chinesischen Ausgaben sowie den mehrsprachigen und hybriden Retrieval-Profilen von BGE-M3 getrennt.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "08cffd9d35b0c9eb46eed1d11538542483f3aa391b504ca8fefa46d15d6585f0", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de", "methods": [ { "html": "baai/bge-base-en-v1.5BAAI bge-base-en-v1.5 wandelt englischen Text in 768-dimensionale Vektoren für semantische Suche und Ähnlichkeitsaufgaben um. Sein Eingabefenster von 512 Tokens und die nur für Suchanfragen verwendete Suchinstruktion eignen sich für fokussierte Passagen in einem Dokumenten- oder Wissenssuchindex.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
bge-base-en-v1.5 ist das dichte englische Embedding-Modell von BAAI in Basisgröße. Es wandelt jeden Text in eine 768-dimensionale numerische Repräsentation für Informationssuche und semantische Vergleiche um. Das Modell gehört zur BGE-v1.5-Reihe, die die Verteilung der Ähnlichkeitswerte der früheren Familie überarbeitet und die Suche ohne mitgelieferte Instruktion verbessert. Seine Ausgabe ist ein Vektor zum Vergleich von Texten oder zum Auffinden relevanter Passagen.
Für eine kurze Anfrage, die längere Passagen durchsucht, empfiehlt BAAI das Präfix „Represent this sentence for searching relevant passages:“. Die Korpuspassagen erhalten diese Instruktion nicht. Für andere Aufgaben kann der Originaltext direkt eingebettet werden. Der Hersteller weist darauf hin, dass v1.5 auch ohne Instruktion funktioniert; die Vorbereitung sollte daher aufgabenbezogen gewählt werden, statt das Präfix als einzig gültige Eingabe zu behandeln.
Eine praktische Suchsammlung kann Hilfeartikel, Produkterklärungen oder technische Anweisungen enthalten. Eine Anfrage wie „Wie ändere ich das Exportformat?“ sollte die Passage abrufen, die diese Handlung beschreibt. Halten Sie die Abschnittsüberschrift, relevante Bedingungen und den tatsächlichen Quelltext zusammen. Speichern Sie die Kennung und Fundstelle der Passage bei ihrem Vektor, damit ein Suchergebnis lesbaren Inhalt zurückgeben kann, den eine spätere Antwortstufe auch zitieren kann.
Die dokumentierte Repräsentation verwendet den letzten verborgenen Zustand des ersten Tokens, des CLS-Tokens, als Satz-Embedding. Die Beispiele des Herstellers normalisieren den Vektor und vergleichen normalisierte Embeddings mit einem Skalarprodukt, das der Kosinusähnlichkeit entspricht. Die 768 Dimensionen sind die Größe der Ausgaberepräsentation dieses Modells; sie sind weder eine wählbare Kontextlänge noch ein Kontingent für Textgenerierung.
Verwenden Sie für die verglichenen Anfrage- und Korpusvektoren dasselbe Modell und dieselbe Vorbereitungskonvention. Eine praktische Prüfung besteht darin, für eine kleine Menge tatsächlicher Nutzerfragen bekannte antwortrelevante Passagen abzurufen und den zurückgegebenen Text zu untersuchen. Eine kompatible Vektorform ermöglicht dem Index die Speicherung der Repräsentation, während die Quellpassage belegt, was das Ergebnis tatsächlich aussagt.
Die dokumentierte Sequenzlänge des Modells beträgt 512 Tokens. Eine lange Quelle sollte deshalb vor der Embedding-Berechnung in zusammenhängende, antwortrelevante Passagen aufgeteilt werden. Bewahren Sie Definitionen und Ausnahmen bei der Aussage, auf die sie sich beziehen, und erhalten Sie die Verbindung von einer Passage zu ihrem übergeordneten Dokument. Der einzubettende Text umfasst jede ergänzte Instruktion und Überschrift; eine kompakte Vorbereitung lässt daher mehr Platz für den nützlichen Quellinhalt.
Wählen Sie bei einem Bericht oder Handbuch Grenzen um einen Abschnitt oder eine kleine Gruppe zusammengehöriger Absätze. Eine Passage, die nur einen Titel oder ein Fragment ohne dessen Gegenstand enthält, kann nach dem Abruf schwer verständlich sein. Bewahren Sie den Originaltext und eine Quellversion auf, damit eine Indexaktualisierung bei Dokumentänderungen das zugehörige Material ersetzen kann.
BAAI warnt davor, absolute Ähnlichkeitswerte als universelle Schwellenwerte dafür zu verwenden, ob zwei Texte dasselbe bedeuten. Entscheidend ist die relative Rangfolge, und ein Filterschwellenwert sollte anhand der Verteilung in den eigenen Aufgabendaten gewählt werden. Eine hohe Vektorähnlichkeit ist ein Suchsignal und keine Verifizierung des sachlichen Inhalts der Passage.
Das nützliche Ergebnis ist ein englischer Passagenindex, eine Menge von Anfragevektoren oder numerische Merkmale für semantische Vergleiche. Ein separater Reranker kann abgerufene Kandidaten verfeinern, und eine separate Generierungsstufe kann aus deren Text eine Antwort verfassen. Dieses konkrete englische Basismodell v1.5 bleibt von BGE Large, chinesischen Ausgaben sowie den mehrsprachigen und hybriden Retrieval-Profilen von BGE-M3 getrennt.
POST /v1/embeddingstext, token_idsembedding| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits baai/bge-base-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: Der Quellcode erlaubt dieses JSON-Metadatenfeld; die genaue Semantik beim vorgelagerten Anbieter ist modellspezifisch. | Standard— |
Feldsession_id | Typjson_value | AnforderungOptional | Werte und Limits Bedingungen: Der Quellcode erlaubt dieses JSON-Metadatenfeld; die genaue Semantik beim vorgelagerten Anbieter ist modellspezifisch. | Standard— |
Feldtrace | Typjson_value | AnforderungOptional | Werte und Limits Bedingungen: Der Quellcode erlaubt dieses JSON-Metadatenfeld; die genaue Semantik beim vorgelagerten Anbieter 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 $0.00001 / 1K Token Ausgabe · Ausgabetoken $0 / 1K Token Eingabe · Cache-Lesen — / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "baai/bge-base-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-base-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-base-en-v1.5
Verwenden Sie die oben angezeigten Methodenpfade.