Source: https://ailoot.ai/models/es-mx/baai-bge-large-en-v1-5/ Canonical: https://ailoot.ai/models/es-mx/baai-bge-large-en-v1-5/ Language: es-mx # BAAI: bge-large-en-v1.5 [Markdown](https://ailoot.ai/models/es-mx/baai-bge-large-en-v1-5/index.md) · [JSON](https://ailoot.ai/models/es-mx/baai-bge-large-en-v1-5/facts.json) ## [BAAI: bge-large-en-v1.5](https://ailoot.ai/models/es-mx/baai-bge-large-en-v1-5/) BAAI 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. - [**Ailoot Ultra · Representaciones vectoriales** `POST /v1/embeddings` `baai/bge-large-en-v1.5`](https://ailoot.ai/models/es-mx/baai-bge-large-en-v1-5/#method-0) Sobre el modelo 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. #### Prepara la recuperación de pasajes 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. #### Representación y comparación 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. #### Ajusta la fuente a la ventana 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. #### Interpreta la puntuación 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. **Ailoot Ultra · Representaciones vectoriales** `POST /v1/embeddings` `baai/bge-large-en-v1.5` [`baai/bge-large-en-v1.5`](https://ailoot.ai/models/es-mx/#m=baai%2Fbge-large-en-v1.5&route=Ultra&caller=baai%2Fbge-large-en-v1.5&fmt=embeddings) BAAI /`baai/bge-large-en-v1.5` ### Inicio BAAI 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. Entradas aceptadas Texto · token\_ids Resultados embedding ### Disponible en Ailoot · entradas y métodos **Ailoot Ultra · Representaciones vectoriales** `POST /v1/embeddings` Entrada `text`, `token_ids` Salida `embedding` Formato de salida json | Campo | Tipo | Requisito | Valores y límites | Predeterminado | | --- | --- | --- | --- | --- | | Campo`model` | Tipo`string` | RequisitoObligatorio | Valores y límites baai/bge-large-en-v1.5 | Predeterminado— | | Campo`input` | Tipo`string\|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— | | Campo`encoding_format` | Tipo`string` | RequisitoOpcional | Valores y límites float | Predeterminadofloat | | Campo`dimensions` | Tipo`integer` | RequisitoNo compatible | Valores y límites Mínimo: 1 | Predeterminado— | | Campo`user` | Tipo`json_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— | | Campo`session_id` | Tipo`json_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— | | Campo`trace` | Tipo`json_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— | | Campo`provider` | Tipo`object` | RequisitoOpcional | Valores y límites Condiciones: provider.options rechazado | Predeterminado— | Combinaciones de materiales de entrada **text\_to\_embedding** Parámetros del método y ciclo de vida | Parámetro | Contrato | | --- | --- | | Parámetro`content_type` | Contratoapplication/json | | Parámetro`required` | Contratomodel, input | | Parámetro`input_shapes` | Contratostring, string\[\], nonnegative\_integer\_token\_array, nonnegative\_integer\_token\_array\[\] | | Parámetro`encoding_format` | Contratofloat | | Parámetro`dimensions_override` | Contratofalse | | Parámetro`max_input_budget_units` | Contrato512 | | Parámetro`multimodal_objects` | Contratofalse | | Parámetro`material_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. ### Tarifas Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado. Modo fast Sin especificar Cuando se selecciona el modo fast Modo flex Sin especificar Cuando se selecciona el modo flex Esfuerzo máximo de razonamiento Sin especificar Cuando el esfuerzo máximo de razonamiento usa el ajuste default #### Tarifas de Ailoot #### Precios por configuración | 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 **$0** / 1K tokens Entrada · Lectura de caché **—** / 1K tokens Entrada · Escritura en caché **—** / 1K tokens Entrada · Escritura en caché, 1 hora **—** / 1K tokens | Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. [Cómo funcionan la reserva y la liquidación →](https://ailoot.ai/docs/es-mx/billing/reserve/) ### Solicitudes de ejemplo #### Ailoot Ultra · Representaciones vectoriales curlPython SDK ```bash set -eu : "${AILOOT_API_KEY:?Set your Ailoot API key}" python3 - <<'PY_REQUEST' import json,os from pathlib import Path p=json.loads('{"model": "baai/bge-large-en-v1.5", "input": ["First document", "Second document"]}') Path("request.json").write_text(json.dumps(p,ensure_ascii=False)) PY_REQUEST curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \ -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \ --data-binary @request.json -D response-headers.txt -o result.json python3 - <<'PY_RESULT' import json from pathlib import Path r=json.loads(Path("result.json").read_text()) for x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")})) PY_RESULT ``` ```python from openai import OpenAI import os client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0) result=client.embeddings.create(model='baai/bge-large-en-v1.5',input=["First document","Second document"]) print(result) for item in result.data:print(item.index,item.embedding) ``` ### Recibir y guardar resultados #### Ailoot Ultra · Representaciones vectoriales json ##### Conserva todos los resultados completados 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. ##### Si es necesario revisar la respuesta original No se incorpora ningún endpoint de tareas de embeddings. Campos de respuesta | Campo | Tipo | | --- | --- | | Campo`object` | Tipostring | | Campo`model` | Tipostring | | Campo`data[].index` | Tipointeger | | Campo`data[].embedding` | Tipofinite float\[\] | | Campo`usage` | Tipoobject | Errores y siguientes pasos | 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. | ### Alias #### Alias del modelo **Ailoot Ultra** [`baai/bge-large-en-v1.5`](https://ailoot.ai/models/es-mx/#m=baai%2Fbge-large-en-v1.5&route=Ultra&caller=baai%2Fbge-large-en-v1.5&fmt=embeddings) #### Alias de rutas de métodos Usa las rutas de método indicadas arriba. #### ID de modelo relacionados [`baai/bge-large-en-v1.5`](https://ailoot.ai/models/es-mx/#m=baai%2Fbge-large-en-v1.5&route=Ultra&caller=baai%2Fbge-large-en-v1.5&fmt=embeddings) FAQ · BAAI: bge-large-en-v1.5 ¿Qué entradas y resultados están disponibles? `POST /v1/embeddings` · `baai/bge-large-en-v1.5`: `text`, `token_ids` → `embedding` ¿Qué campos utiliza la solicitud? `POST /v1/embeddings` · `baai/bge-large-en-v1.5`: `model`, `input`, `encoding_format`, `provider` ¿Qué límites se aplican? `POST /v1/embeddings` · `baai/bge-large-en-v1.5`: `input.budget.maximum`: `512` (bytes UTF8); `input.min_items`: `1` Conecta Ailoot a Claude Code, OpenCode, Hermes o tu aplicación. ## La empresa y su cartera de proyectos La empresa y su cartera de proyectos: millones de clientes; ventas por miles de millones al mes. ## Compra tokens con descuento. Ahorro por suscripción para trabajo habitual. Códigos promocionales: hasta el 50% al comprar tokens. Suscripción Elige un plan con descuento para tus peticiones habituales. Código de hasta el 50% Introduce el código al comprar. El precio se recalcula según la promoción vigente. Gasto en el historial Modelo, tokens e importe quedan guardados por cada petición. [Elegir suscripción](https://ailoot.ai/docs/es-mx/billing/subscriptions/) · [Consultar precios de modelos](https://ailoot.ai/models/es-mx/) ## Conecta la API al producto que vendes. SaaS, aplicaciones y bots bajo la oferta y el acuerdo de licencia Ailoot. Solicita una licencia de reventa para redistribuir el acceso. Aplicación comercial Integra generación de texto, imágenes, vídeo y sonido en funciones de pago de tu servicio. Licencia para revendedores Envía descripción del proyecto y esquema de acceso. Solicita condiciones escritas de uso y reventa. Documentos en la web La oferta, el acuerdo de licencia y la política de datos están disponibles antes de conectar. [Solicitar licencia de reventa](mailto:support@ailoot.ai) · [Oferta y acuerdo de licencia](https://ailoot.ai/legal/offer?lang=es-mx) ## Ailoot · La empresa y su cartera de proyectos Ailoot se apoya en la experiencia operativa acumulada, una amplia base de clientes, un servicio estable y el seguimiento continuo de KPI. La empresa y su cartera de proyectos: millones de clientes; ventas por miles de millones al mes. Ailoot aplica esa experiencia operativa al acceso por API a funciones de IA en productos de clientes, agentes, aplicaciones y automatizaciones.