BAAI: bge-large-en-v1.5

bge-large-en-v1.5 est l’édition large d’embeddings denses anglais de BAAI. Elle transforme un texte en vecteur de 1024 dimensions pour rechercher des passages et comparer leur sens. La version 1.5 vise une distribution des similarités plus utile et une meilleure recherche sans consigne. Large reste un checkpoint distinct de Base, Small, des éditions chinoises et du modèle multilingue BGE-M3.

Préparer la recherche de passages

Pour une requête courte portant sur des documents plus longs, le fabricant recommande la consigne de requête «Represent this sentence for searching relevant passages:». Ajoutez-la du côté de la requête; les passages du corpus gardent leur texte source sans cette consigne. Dans d’autres usages, le texte direct suffit. BAAI documente aussi la recherche sans préfixe dans v1.5 et recommande de choisir la préparation la plus efficace sur la tâche réelle.

Une collection de connaissances pratique peut indexer les sections d’un manuel technique anglais. Une question sur le réglage qui change le format de sortie doit retrouver la section qui l’explique et précise ses conditions. Conservez le titre, l’explication pertinente et l’emplacement source avec chaque passage. Le modèle fournit la représentation numérique; le texte retrouvé est ce que le lecteur ou une étape ultérieure de RAG utilise.

Représentation et correspondance

L’exemple d’encodage direct du fabricant utilise l’état caché final du premier jeton CLS comme embedding agrégé, puis normalise le vecteur. Le produit scalaire de vecteurs normalisés donne la similarité cosinus. Chaque passage peut donc être préparé une fois et conservé pour comparaison avec les vecteurs de requêtes entrantes, tandis qu’une source modifiée reçoit une représentation à jour.

Les 1024 dimensions définissent la longueur du vecteur de sortie. Elles diffèrent des 768 dimensions de Base et n’établissent pas un espace partagé compatible avec un autre checkpoint. Associez le modèle et la convention de préparation à l’index conservé. Changer d’édition d’embedding exige de vérifier ensemble les représentations du corpus et des requêtes.

Faire tenir la source dans la fenêtre

La longueur de séquence documentée est de 512 jetons. Découpez un long manuel en sections cohérentes plutôt que de fournir une entrée surdimensionnée. Gardez une condition ou une exception près de la règle qu’elle précise et assez de contexte pour que la section retrouvée soit compréhensible seule. Une consigne de requête ajoutée occupe aussi des jetons : la fenêtre concerne l’entrée préparée complète.

Une limite de passage utile peut regrouper un titre et les paragraphes répondant à une question. Préservez l’identifiant et la version du document parent hors du vecteur pour garder la traçabilité. Pour comparer, utilisez les véritables textes au lieu de les remplacer par des résumés sans rapport qui retirent la différence recherchée.

Interpréter le score

Le fabricant avertit que la similarité absolue n’est pas une règle universelle d’équivalence sémantique. L’ordre relatif des scores est central à la recherche, et le seuil doit être calibré sur la distribution des textes de la tâche. Examinez les passages proposés pour des questions aux réponses connues et pour d’autres dont la réponse est absente. Cela montre si la section fournit l’information nécessaire plutôt que de seulement ressembler au sujet.

bge-large-en-v1.5 produit des vecteurs denses anglais. Un reranker distinct peut affiner leur classement, et un modèle de langage distinct peut rédiger une réponse à partir des passages choisis. La sortie utile de cette édition est une représentation interrogeable liée au texte source, avec le choix exact du modèle Large v1.5 et la préparation d’entrée conservés.