bge-large-en-v1.5 es la edición grande de embeddings densos en inglés de BAAI. Convierte un texto en un vector de 1024 dimensiones para recuperar pasajes y realizar comparaciones semánticas. La versión 1.5 es la actualización del fabricante destinada a ofrecer una distribución de similitud más útil y mejorar la recuperación sin instrucciones. Large sigue siendo un modelo entrenado distinto de Base, Small, las ediciones chinas y el modelo multilingüe BGE-M3.
Para una consulta breve de búsqueda sobre documentos más largos, el fabricante recomienda la instrucción de consulta «Represent this sentence for searching relevant passages:». Añádela a la consulta; los pasajes del corpus conservan su texto original sin esa instrucción. En otros usos basta con el texto directo. BAAI también documenta la recuperación sin el prefijo en v1.5 y recomienda elegir la preparación que mejor funcione para la tarea real.
Una colección práctica de conocimiento puede indexar las secciones de un manual técnico en inglés. Una pregunta sobre qué ajuste cambia el formato de salida debe recuperar la sección que explica ese ajuste y sus condiciones. Conserva el encabezado, la explicación pertinente y la ubicación de origen con cada pasaje. El modelo proporciona la representación numérica; el texto original recuperado es lo que utiliza un lector o una etapa posterior de RAG.
El ejemplo de codificación directa del fabricante utiliza el estado oculto final del primer token CLS como embedding agregado y después normaliza el vector. El producto escalar de vectores normalizados da la similitud coseno. Así, cada pasaje puede prepararse una vez y almacenarse para compararlo con los vectores de las consultas entrantes, mientras que el material de origen que cambie recibe una representación actualizada.
Las 1024 dimensiones especifican la longitud del vector de salida. Difieren de la representación de 768 dimensiones de Base y no establecen un espacio compartido compatible con otro modelo entrenado. Mantén asociados al índice almacenado el modelo y el criterio de preparación. Un cambio de edición de embeddings exige comprobar conjuntamente las representaciones del corpus y de las consultas.
La longitud de secuencia documentada es de 512 tokens. Prepara un manual largo como secciones coherentes en lugar de una entrada demasiado grande. Mantén cada condición o excepción junto a la regla que matiza e incluye contexto suficiente para que una sección recuperada tenga sentido por sí misma. La instrucción de consulta añadida también ocupa tokens de entrada, por lo que la ventana del modelo abarca toda la entrada preparada.
Un límite útil de pasaje puede incluir un encabezado y los párrafos que responden a una pregunta del usuario. Conserva fuera del vector el identificador y la versión del documento principal para poder rastrear el resultado hasta la fuente correcta. En una comparación, utiliza los textos reales que quieres comparar en vez de sustituirlos por resúmenes ajenos que eliminen la diferencia que buscas.
El fabricante advierte que la similitud absoluta no debe tratarse como una regla universal de equivalencia semántica. El orden relativo de las puntuaciones es central para la recuperación y el umbral debe calibrarse sobre la distribución de textos de la propia tarea. Revisa los pasajes candidatos tanto para preguntas con respuesta conocida como para preguntas cuya respuesta no está presente. Esto permite saber si la sección recuperada aporta la información necesaria en vez de limitarse a parecerse al tema.
bge-large-en-v1.5 proporciona vectores densos en inglés. Un modelo separado de reordenación puede afinar el orden de los candidatos y otro modelo de lenguaje puede redactar una respuesta a partir de los pasajes seleccionados. La salida útil de esta edición es una representación que permite realizar búsquedas y está vinculada a su texto de origen, conservando la elección exacta de Large v1.5 y la preparación de la entrada.
", "aboutText": "bge-large-en-v1.5 es la edición grande de embeddings densos en inglés de BAAI. Convierte un texto en un vector de 1024 dimensiones para recuperar pasajes y realizar comparaciones semánticas. La versión 1.5 es la actualización del fabricante destinada a ofrecer una distribución de similitud más útil y mejorar la recuperación sin instrucciones. Large sigue siendo un modelo entrenado distinto de Base, Small, las ediciones chinas y el modelo multilingüe BGE-M3.\n\n### Prepara la recuperación de pasajes\n\nPara una consulta breve de búsqueda sobre documentos más largos, el fabricante recomienda la instrucción de consulta «Represent this sentence for searching relevant passages:». Añádela a la consulta; los pasajes del corpus conservan su texto original sin esa instrucción. En otros usos basta con el texto directo. BAAI también documenta la recuperación sin el prefijo en v1.5 y recomienda elegir la preparación que mejor funcione para la tarea real.\n\nUna colección práctica de conocimiento puede indexar las secciones de un manual técnico en inglés. Una pregunta sobre qué ajuste cambia el formato de salida debe recuperar la sección que explica ese ajuste y sus condiciones. Conserva el encabezado, la explicación pertinente y la ubicación de origen con cada pasaje. El modelo proporciona la representación numérica; el texto original recuperado es lo que utiliza un lector o una etapa posterior de RAG.\n\n### Representación y comparación\n\nEl ejemplo de codificación directa del fabricante utiliza el estado oculto final del primer token CLS como embedding agregado y después normaliza el vector. El producto escalar de vectores normalizados da la similitud coseno. Así, cada pasaje puede prepararse una vez y almacenarse para compararlo con los vectores de las consultas entrantes, mientras que el material de origen que cambie recibe una representación actualizada.\n\nLas 1024 dimensiones especifican la longitud del vector de salida. Difieren de la representación de 768 dimensiones de Base y no establecen un espacio compartido compatible con otro modelo entrenado. Mantén asociados al índice almacenado el modelo y el criterio de preparación. Un cambio de edición de embeddings exige comprobar conjuntamente las representaciones del corpus y de las consultas.\n\n### Ajusta la fuente a la ventana\n\nLa longitud de secuencia documentada es de 512 tokens. Prepara un manual largo como secciones coherentes en lugar de una entrada demasiado grande. Mantén cada condición o excepción junto a la regla que matiza e incluye contexto suficiente para que una sección recuperada tenga sentido por sí misma. La instrucción de consulta añadida también ocupa tokens de entrada, por lo que la ventana del modelo abarca toda la entrada preparada.\n\nUn límite útil de pasaje puede incluir un encabezado y los párrafos que responden a una pregunta del usuario. Conserva fuera del vector el identificador y la versión del documento principal para poder rastrear el resultado hasta la fuente correcta. En una comparación, utiliza los textos reales que quieres comparar en vez de sustituirlos por resúmenes ajenos que eliminen la diferencia que buscas.\n\n### Interpreta la puntuación\n\nEl fabricante advierte que la similitud absoluta no debe tratarse como una regla universal de equivalencia semántica. El orden relativo de las puntuaciones es central para la recuperación y el umbral debe calibrarse sobre la distribución de textos de la propia tarea. Revisa los pasajes candidatos tanto para preguntas con respuesta conocida como para preguntas cuya respuesta no está presente. Esto permite saber si la sección recuperada aporta la información necesaria en vez de limitarse a parecerse al tema.\n\nbge-large-en-v1.5 proporciona vectores densos en inglés. Un modelo separado de reordenación puede afinar el orden de los candidatos y otro modelo de lenguaje puede redactar una respuesta a partir de los pasajes seleccionados. La salida útil de esta edición es una representación que permite realizar búsquedas y está vinculada a su texto de origen, conservando la elección exacta de Large v1.5 y la preparación de la entrada.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "513cf9fc1461953945835ca66733c94f839fcfbb44f5273fb9b1689d90bf4a7c", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es-mx", "methods": [ { "html": "baai/bge-large-en-v1.5BAAI bge-large-en-v1.5 produce vectores de texto en inglés de 1024 dimensiones para recuperación y comparación semántica. Su preparación v1.5 admite una instrucción de consulta opcional, con una longitud de secuencia documentada de 512 tokens.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
bge-large-en-v1.5 es la edición grande de embeddings densos en inglés de BAAI. Convierte un texto en un vector de 1024 dimensiones para recuperar pasajes y realizar comparaciones semánticas. La versión 1.5 es la actualización del fabricante destinada a ofrecer una distribución de similitud más útil y mejorar la recuperación sin instrucciones. Large sigue siendo un modelo entrenado distinto de Base, Small, las ediciones chinas y el modelo multilingüe BGE-M3.
Para una consulta breve de búsqueda sobre documentos más largos, el fabricante recomienda la instrucción de consulta «Represent this sentence for searching relevant passages:». Añádela a la consulta; los pasajes del corpus conservan su texto original sin esa instrucción. En otros usos basta con el texto directo. BAAI también documenta la recuperación sin el prefijo en v1.5 y recomienda elegir la preparación que mejor funcione para la tarea real.
Una colección práctica de conocimiento puede indexar las secciones de un manual técnico en inglés. Una pregunta sobre qué ajuste cambia el formato de salida debe recuperar la sección que explica ese ajuste y sus condiciones. Conserva el encabezado, la explicación pertinente y la ubicación de origen con cada pasaje. El modelo proporciona la representación numérica; el texto original recuperado es lo que utiliza un lector o una etapa posterior de RAG.
El ejemplo de codificación directa del fabricante utiliza el estado oculto final del primer token CLS como embedding agregado y después normaliza el vector. El producto escalar de vectores normalizados da la similitud coseno. Así, cada pasaje puede prepararse una vez y almacenarse para compararlo con los vectores de las consultas entrantes, mientras que el material de origen que cambie recibe una representación actualizada.
Las 1024 dimensiones especifican la longitud del vector de salida. Difieren de la representación de 768 dimensiones de Base y no establecen un espacio compartido compatible con otro modelo entrenado. Mantén asociados al índice almacenado el modelo y el criterio de preparación. Un cambio de edición de embeddings exige comprobar conjuntamente las representaciones del corpus y de las consultas.
La longitud de secuencia documentada es de 512 tokens. Prepara un manual largo como secciones coherentes en lugar de una entrada demasiado grande. Mantén cada condición o excepción junto a la regla que matiza e incluye contexto suficiente para que una sección recuperada tenga sentido por sí misma. La instrucción de consulta añadida también ocupa tokens de entrada, por lo que la ventana del modelo abarca toda la entrada preparada.
Un límite útil de pasaje puede incluir un encabezado y los párrafos que responden a una pregunta del usuario. Conserva fuera del vector el identificador y la versión del documento principal para poder rastrear el resultado hasta la fuente correcta. En una comparación, utiliza los textos reales que quieres comparar en vez de sustituirlos por resúmenes ajenos que eliminen la diferencia que buscas.
El fabricante advierte que la similitud absoluta no debe tratarse como una regla universal de equivalencia semántica. El orden relativo de las puntuaciones es central para la recuperación y el umbral debe calibrarse sobre la distribución de textos de la propia tarea. Revisa los pasajes candidatos tanto para preguntas con respuesta conocida como para preguntas cuya respuesta no está presente. Esto permite saber si la sección recuperada aporta la información necesaria en vez de limitarse a parecerse al tema.
bge-large-en-v1.5 proporciona vectores densos en inglés. Un modelo separado de reordenación puede afinar el orden de los candidatos y otro modelo de lenguaje puede redactar una respuesta a partir de los pasajes seleccionados. La salida útil de esta edición es una representación que permite realizar búsquedas y está vinculada a su texto de origen, conservando la elección exacta de Large v1.5 y la preparación de la entrada.
POST /v1/embeddingstext, token_idsembedding| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites baai/bge-large-en-v1.5 | Predeterminado— |
Campoinput | Tipostring|string[]|integer[]|integer[][] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 Condiciones: Lote homogéneo no vacío. Los ID de tokens son números enteros no negativos. Presupuesto de entrada: Máximo: 512 · Unidad de texto: bytes UTF8 · Unidad de tokens: elementos de un arreglo de tokens | Predeterminado— |
Campoencoding_format | Tipostring | RequisitoOpcional | Valores y límites float | Predeterminadofloat |
Campodimensions | Tipointeger | RequisitoNo compatible | Valores y límites Mínimo: 1 | Predeterminado— |
Campouser | Tipojson_value | RequisitoOpcional | Valores y límites Condiciones: La fuente permite este campo metadata de JSON; la semántica exacta en el sistema de origen depende del modelo. | Predeterminado— |
Camposession_id | Tipojson_value | RequisitoOpcional | Valores y límites Condiciones: La fuente permite este campo metadata de JSON; la semántica exacta en el sistema de origen depende del modelo. | Predeterminado— |
Campotrace | Tipojson_value | RequisitoOpcional | Valores y límites Condiciones: La fuente permite este campo metadata de JSON; la semántica exacta en el sistema de origen depende del modelo. | Predeterminado— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores y límites Condiciones: provider.options rechazado | Predeterminado— |
text_to_embedding
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, input |
Parámetroinput_shapes | Contratostring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parámetroencoding_format | Contratofloat |
Parámetrodimensions_override | Contratofalse |
Parámetromax_input_budget_units | Contrato512 |
Parámetromultimodal_objects | Contratofalse |
Parámetromaterial_types | Contratotext, token_ids |
Ciclo de vida: synchronous_json
Conserva todos los índices y dimensiones de los vectores.
El nombre de un modelo multimodal no habilita objetos de imagen en esta ruta exacta.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.00002 / 1K tokens Salida · Tokens de salida $0 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${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
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva cada vector con su índice. La cantidad de vectores debe ser igual a la cantidad de entradas; las dimensiones deben ser consistentes.
No se incorpora ningún endpoint de tareas de embeddings.
| Campo | Tipo |
|---|---|
Campoobject | Tipostring |
Campomodel | Tipostring |
Campodata[].index | Tipointeger |
Campodata[].embedding | Tipofinite float[] |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra baai/bge-large-en-v1.5
Usa las rutas de método indicadas arriba.