Source: https://ailoot.ai/models/es-mx/baai-bge-m3/ Canonical: https://ailoot.ai/models/es-mx/baai-bge-m3/ Language: es-mx # BAAI: bge-m3 [Markdown](https://ailoot.ai/models/es-mx/baai-bge-m3/index.md) · [JSON](https://ailoot.ai/models/es-mx/baai-bge-m3/facts.json) ## [BAAI: bge-m3](https://ailoot.ai/models/es-mx/baai-bge-m3/) BAAI BGE-M3 admite recuperación densa, léxica dispersa y multivectorial en más de 100 idiomas. Su salida densa tiene 1024 dimensiones y su ventana de 8192 tokens admite desde frases hasta documentos más largos sin exigir una instrucción de consulta. - [**Ailoot Ultra · Representaciones vectoriales** `POST /v1/embeddings` `baai/bge-m3`](https://ailoot.ai/models/es-mx/baai-bge-m3/#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-M3 es el modelo de recuperación multilingüe de BAAI, diseñado en torno a tres tipos de versatilidad: varias funciones de recuperación, varios idiomas y distintas longitudes de entrada. El fabricante documenta compatibilidad con más de cien idiomas y entradas de hasta 8192 tokens. Su modelo unificado puede proporcionar vectores densos, pesos léxicos dispersos y representaciones multivector, por lo que un diseño de recuperación puede seleccionar o combinar más de un tipo de evidencia. #### Tres representaciones para recuperación El modo denso asigna a un texto un único vector de 1024 dimensiones. Permite comparar el significado representado por una consulta y un pasaje. El modo disperso asigna pesos a los tokens presentes en el texto para correspondencia léxica. El modo multivector representa un texto con varios vectores y utiliza una interacción de tipo ColBERT para comparar la consulta y el documento con mayor detalle. Estas salidas tienen funciones distintas en un índice de búsqueda. Un vector denso proporciona una representación de un pasaje; un mapa disperso de pesos de tokens conserva señales léxicas; varios vectores aportan una estructura de comparación diferente. Los ejemplos del productor muestran cómo devolver las representaciones seleccionadas y calcular puntuaciones para pares de textos. Trata la representación y el método de puntuación elegidos como una parte deliberada de la tarea de recuperación. #### Texto multilingüe y preparación de entrada BGE-M3 no exige añadir la instrucción de recuperación utilizada por modelos BGE anteriores. Prepara directamente la consulta y los pasajes de origen reales. Una colección multilingüe de conocimiento puede conservar cada pasaje en su idioma original, con su identificador de documento y configuración regional. Utiliza preguntas reales de usuarios de la combinación lingüística prevista al comprobar los resultados. Una tarea práctica es buscar explicaciones de políticas, ayuda de productos o documentación técnica disponible en varios idiomas. Conserva los nombres, números de modelo y términos que importen para la pregunta. Una representación léxica puede ayudar a conservar las coincidencias con esos términos, mientras que una representación densa aporta evidencia semántica. El pasaje recuperado debe incluir el texto y la ubicación de origen que un lector pueda examinar. #### Documentos más largos y granularidad La ventana de entrada de 8192 tokens permite que el modelo represente material desde frases cortas hasta documentos más largos. Elige la granularidad en función de la respuesta que deba devolver la búsqueda. Una sección completa puede conservar una definición y sus excepciones; un pasaje más pequeño puede facilitar la localización de una instrucción específica. Una ventana larga permite esas elecciones, pero el vector sigue asociado al material que realmente se codificó. Mantén cada pasaje vinculado a su documento principal y su versión. Para un informe extenso, conserva el encabezado y la explicación que rodea a la cifra o conclusión pertinente. No te bases únicamente en el título de un resultado de búsqueda cuando la evidencia esté en el cuerpo. Si la fuente cambia, conserva suficientes metadatos para actualizar las representaciones de recuperación correspondientes. #### Puntuaciones híbridas y uso posterior El fabricante recomienda recuperación híbrida seguida de una etapa separada de reordenación. Sus ejemplos calculan puntuaciones densas, dispersas y multivector y forman combinaciones ponderadas. Selecciona la combinación en función de las preguntas y el vocabulario de la colección; un peso mostrado en un ejemplo no es un ajuste universal para todos los corpus. Un resultado útil es un conjunto de candidatos cuyos pasajes de origen sigan disponibles, con la representación y el método de ordenación registrados. Un reranker separado puede refinar ese conjunto y una etapa separada de generación de texto puede utilizar el contenido de los pasajes. Las capacidades dispersas y multivector de BGE-M3 son modos del modelo del productor; el embedding denso, la salida léxica y la puntuación por pares son artefactos distintos, en lugar de arrays intercambiables. **Ailoot Ultra · Representaciones vectoriales** `POST /v1/embeddings` `baai/bge-m3` [`baai/bge-m3`](https://ailoot.ai/models/es-mx/#m=baai%2Fbge-m3&route=Ultra&caller=baai%2Fbge-m3&fmt=embeddings) BAAI /`baai/bge-m3` ### Inicio BAAI BGE-M3 admite recuperación densa, léxica dispersa y multivectorial en más de 100 idiomas. Su salida densa tiene 1024 dimensiones y su ventana de 8192 tokens admite desde frases hasta documentos más largos sin exigir una instrucción de consulta. 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` Contexto 8,194 tokens Formato de salida json | Campo | Tipo | Requisito | Valores y límites | Predeterminado | | --- | --- | --- | --- | --- | | Campo`model` | Tipo`string` | RequisitoObligatorio | Valores y límites baai/bge-m3 | 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: 8,194 · 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` | Contrato8194 | | 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 Tarifa estándar Cuando se selecciona el modo fast Modo flex Tarifa estándar Cuando se selecciona el modo flex Esfuerzo máximo de razonamiento Tarifa estándar 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 **$0.00004** / 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-m3", "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-m3',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-m3`](https://ailoot.ai/models/es-mx/#m=baai%2Fbge-m3&route=Ultra&caller=baai%2Fbge-m3&fmt=embeddings) #### Alias de rutas de métodos Usa las rutas de método indicadas arriba. #### ID de modelo relacionados [`baai/bge-m3`](https://ailoot.ai/models/es-mx/#m=baai%2Fbge-m3&route=Ultra&caller=baai%2Fbge-m3&fmt=embeddings) FAQ · BAAI: bge-m3 ¿Qué entradas y resultados están disponibles? `POST /v1/embeddings` · `baai/bge-m3`: `text`, `token_ids` → `embedding` ¿Qué campos utiliza la solicitud? `POST /v1/embeddings` · `baai/bge-m3`: `model`, `input`, `encoding_format`, `provider` ¿Qué límites se aplican? `POST /v1/embeddings` · `baai/bge-m3`: `ctx`: `8194`; `input.budget.maximum`: `8194` (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.