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.
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.
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.
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.
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.
", "aboutText": "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.\n\n### Tres representaciones para recuperación\n\nEl 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.\n\nEstas 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.\n\n### Texto multilingüe y preparación de entrada\n\nBGE-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.\n\nUna 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.\n\n### Documentos más largos y granularidad\n\nLa 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.\n\nMantén 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.\n\n### Puntuaciones híbridas y uso posterior\n\nEl 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.\n\nUn 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "c680352d5285c7ad9a3c74a1d8a5db26016bdfd8df181796940767c82546b68b", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es", "methods": [ { "html": "baai/bge-m3BAAI 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.
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.
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.
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.
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.
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.
POST /v1/embeddingstext, token_idsembedding| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites baai/bge-m3 | 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: 8194 · Unidad de texto: bytes UTF8 · Unidad de tokens: elementos de un array 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: Source permite este campo de metadatos JSON; su semántica exacta en el proveedor depende de cada modelo. | Predeterminado— |
Camposession_id | Tipojson_value | RequisitoOpcional | Valores y límites Condiciones: Source permite este campo de metadatos JSON; su semántica exacta en el proveedor depende de cada modelo. | Predeterminado— |
Campotrace | Tipojson_value | RequisitoOpcional | Valores y límites Condiciones: Source permite este campo de metadatos JSON; su semántica exacta en el proveedor depende de cada modelo. | Predeterminado— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores y límites Condiciones: provider.options se rechaza | 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 | Contrato8194 |
Parámetromultimodal_objects | Contratofalse |
Parámetromaterial_types | Contratotext, token_ids |
Ciclo de vida: synchronous_json
Conserva todos los índices y dimensiones de los vectores.
Que el modelo tenga un nombre multimodal no permite enviar objetos de imagen por esta ruta concreta.
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 $0.00004 / 1K tokens Salida · Tokens de salida $0 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "baai/bge-m3", "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-m3',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. El número de vectores debe coincidir con el número de entradas; las dimensiones deben ser coherentes.
No se introduce ningún endpoint de trabajos 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-m3
Usa las rutas de método indicadas arriba.