Source: https://ailoot.ai/models/fr-ca/baai-bge-large-en-v1-5/ Canonical: https://ailoot.ai/models/fr-ca/baai-bge-large-en-v1-5/ Language: fr-ca # BAAI: bge-large-en-v1.5 [Markdown](https://ailoot.ai/models/fr-ca/baai-bge-large-en-v1-5/index.md) · [JSON](https://ailoot.ai/models/fr-ca/baai-bge-large-en-v1-5/facts.json) ## [BAAI: bge-large-en-v1.5](https://ailoot.ai/models/fr-ca/baai-bge-large-en-v1-5/) BAAI bge-large-en-v1.5 produit des vecteurs de texte anglais de 1024 dimensions pour la recherche d’information et la comparaison sémantique. Sa préparation v1.5 permet une instruction de requête facultative, avec une longueur de séquence documentée de 512 tokens. - [**Ailoot Ultra · Embeddings** `POST /v1/embeddings` `baai/bge-large-en-v1.5`](https://ailoot.ai/models/fr-ca/baai-bge-large-en-v1-5/#method-0) À propos du modèle Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous. 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. **Ailoot Ultra · Embeddings** `POST /v1/embeddings` `baai/bge-large-en-v1.5` [`baai/bge-large-en-v1.5`](https://ailoot.ai/models/fr-ca/#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` ### Pour commencer BAAI bge-large-en-v1.5 produit des vecteurs de texte anglais de 1024 dimensions pour la recherche d’information et la comparaison sémantique. Sa préparation v1.5 permet une instruction de requête facultative, avec une longueur de séquence documentée de 512 tokens. Entrées acceptées Texte · token\_ids Résultats embedding ### Disponible dans Ailoot · entrées et méthodes **Ailoot Ultra · Embeddings** `POST /v1/embeddings` Entrée `text`, `token_ids` Sortie `embedding` Format de sortie json | Champ | Type | Exigence | Valeurs et limites | Par défaut | | --- | --- | --- | --- | --- | | Champ`model` | Type`string` | ExigenceObligatoire | Valeurs et limites baai/bge-large-en-v1.5 | Par défaut— | | Champ`input` | Type`string\|string[]\|integer[]\|integer[][]` | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 Conditions: Lot homogène non vide. Les identifiants de jetons sont des entiers positifs ou nuls. Budget d’entrée : Maximum: 512 · Unité de texte: octets UTF8 · Unité de jetons: éléments du tableau de jetons | Par défaut— | | Champ`encoding_format` | Type`string` | ExigenceFacultatif | Valeurs et limites float | Par défautfloat | | Champ`dimensions` | Type`integer` | ExigenceNon pris en charge | Valeurs et limites Minimum: 1 | Par défaut— | | Champ`user` | Type`json_value` | ExigenceFacultatif | Valeurs et limites Conditions: Le code source autorise ce champ de métadonnées JSON ; sa sémantique exacte en amont dépend du modèle. | Par défaut— | | Champ`session_id` | Type`json_value` | ExigenceFacultatif | Valeurs et limites Conditions: Le code source autorise ce champ de métadonnées JSON ; sa sémantique exacte en amont dépend du modèle. | Par défaut— | | Champ`trace` | Type`json_value` | ExigenceFacultatif | Valeurs et limites Conditions: Le code source autorise ce champ de métadonnées JSON ; sa sémantique exacte en amont dépend du modèle. | Par défaut— | | Champ`provider` | Type`object` | ExigenceFacultatif | Valeurs et limites Conditions: provider.options est refusé | Par défaut— | Combinaisons d’éléments d’entrée **text\_to\_embedding** Paramètres et cycle de vie de la méthode | Paramètre | Contrat | | --- | --- | | Paramètre`content_type` | Contratapplication/json | | Paramètre`required` | Contratmodel, input | | Paramètre`input_shapes` | Contratstring, string\[\], nonnegative\_integer\_token\_array, nonnegative\_integer\_token\_array\[\] | | Paramètre`encoding_format` | Contratfloat | | Paramètre`dimensions_override` | Contratfalse | | Paramètre`max_input_budget_units` | Contrat512 | | Paramètre`multimodal_objects` | Contratfalse | | Paramètre`material_types` | Contrattext, token\_ids | Cycle de vie : `synchronous_json` Conservez tous les indices et toutes les dimensions des vecteurs. Un nom de modèle multimodal n’autorise pas les objets image sur ce chemin précis. ### Tarifs Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée. Mode rapide Non précisé Lorsque le mode rapide est sélectionné Mode Flex Non précisé Lorsque le mode flex est sélectionné Effort de raisonnement maximal Non précisé Lorsque l’effort de raisonnement maximal utilise l’ajustement par défaut (default) #### Tarifs Ailoot #### Prix par configuration | Configuration | Barème tarifaire | Coût | | --- | --- | --- | | ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Coût Entrée · Jetons en entrée **$0.00002** / 1K jetons Sortie · Jetons en sortie **$0** / 1K jetons Entrée · Lecture du cache **—** / 1K jetons Entrée · Écriture dans le cache **—** / 1K jetons Entrée · Écriture dans le cache, 1 h **—** / 1K jetons | Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. [Fonctionnement de la réservation et du débit →](https://ailoot.ai/docs/fr-ca/billing/reserve/) ### Exemples de requêtes #### Ailoot Ultra · Embeddings curlPython SDK ```bash set -eu : "${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) ``` ### Recevoir et enregistrer les résultats #### Ailoot Ultra · Embeddings json ##### Conserver tous les résultats terminés Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité. Conservez chaque vecteur avec son indice. Le nombre de vecteurs doit être égal au nombre d’entrées ; les dimensions doivent être cohérentes. ##### Si la réponse d’origine doit être vérifiée Aucun point de terminaison dédié aux tâches d’embedding n’est ajouté. Champs de la réponse | Champ | Type | | --- | --- | | Champ`object` | Typestring | | Champ`model` | Typestring | | Champ`data[].index` | Typeinteger | | Champ`data[].embedding` | Typefinite float\[\] | | Champ`usage` | Typeobject | Erreurs et étapes suivantes | Réponse | Condition | Étape suivante | | --- | --- | --- | | Réponse400 · `invalid_request_error` | ConditionChamps obligatoires, représentation des éléments fournis ou valeur de paramètre invalides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. | ### Alias #### Alias du modèle **Ailoot Ultra** [`baai/bge-large-en-v1.5`](https://ailoot.ai/models/fr-ca/#m=baai%2Fbge-large-en-v1.5&route=Ultra&caller=baai%2Fbge-large-en-v1.5&fmt=embeddings) #### Alias des chemins de méthode Utilisez les chemins de méthode indiqués ci-dessus. #### ID d’appel associés [`baai/bge-large-en-v1.5`](https://ailoot.ai/models/fr-ca/#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 Quelles entrées et quels résultats sont disponibles ? `POST /v1/embeddings` · `baai/bge-large-en-v1.5`: `text`, `token_ids` → `embedding` Quels champs la requête utilise-t-elle ? `POST /v1/embeddings` · `baai/bge-large-en-v1.5`: `model`, `input`, `encoding_format`, `provider` Quelles limites s’appliquent ? `POST /v1/embeddings` · `baai/bge-large-en-v1.5`: `input.budget.maximum`: `512` (octets UTF8); `input.min_items`: `1` Connectez Ailoot à Claude Code, OpenCode, Hermes ou à votre application. ## L’entreprise et son portefeuille de projets L’entreprise et son portefeuille de projets : des millions de clients ; des ventes qui se chiffrent en milliards chaque mois. ## Achetez des tokens à prix réduit. Une remise d’abonnement pour le travail régulier. Des codes promo jusqu’à 50% sur l’achat de tokens. Abonnement Choisissez une offre à tarif réduit pour vos requêtes régulières. Code promo jusqu’à 50% Saisissez le code à l’achat. Le prix est recalculé selon la promotion en cours. Dépenses dans l’historique Modèle, tokens et montant sont enregistrés pour chaque requête. [Choisir un abonnement](https://ailoot.ai/docs/fr-ca/billing/subscriptions/) · [Voir les prix des modèles](https://ailoot.ai/models/fr-ca/) ## Connectez l’API au produit que vous vendez. SaaS, applications et bots selon l’offre officielle et le contrat de licence Ailoot. Pour la revente, demandez une licence revendeur. Application commerciale Intégrez la génération de texte, d’images, de vidéo et de son aux fonctions payantes de votre service. Licence revendeur Envoyez la description du projet et le mode d’accès. Demandez des conditions écrites d’utilisation et de revente. Documents sur le site L’offre officielle, le contrat de licence et la politique de traitement des données sont accessibles avant connexion. [Demander une licence revendeur](mailto:support@ailoot.ai) · [Offre officielle et contrat de licence](https://ailoot.ai/legal/offer?lang=fr-ca) ## Ailoot · L’entreprise et son portefeuille de projets Ailoot s’appuie sur une expérience opérationnelle éprouvée, une large clientèle, un service stable et un suivi continu des KPI. L’entreprise et son portefeuille de projets : des millions de clients ; des ventes qui se chiffrent en milliards chaque mois. Ailoot met cette expérience opérationnelle au service de l’accès API aux fonctions d’IA dans les produits des clients, leurs agents, applications et automatisations.