bge-base-en-v1.5 est le modèle anglais de plongement dense de taille base de BAAI. Il convertit chaque texte en une représentation numérique de 768 dimensions pour la recherche d’information et la comparaison sémantique. Le modèle appartient à la gamme BGE v1.5, qui traite la distribution des scores de similarité de la famille antérieure et améliore la recherche lorsqu’aucune instruction n’est fournie. Sa sortie est un vecteur servant à comparer des textes ou à trouver des passages pertinents.
Pour une requête courte visant des passages plus longs, BAAI recommande de préfixer la requête par « Represent this sentence for searching relevant passages: ». Les passages du corpus ne reçoivent pas cette instruction. Pour les autres tâches, le texte d’origine peut être encodé directement. Le fabricant précise que la version v1.5 fonctionne aussi sans instruction ; choisissez donc la préparation selon la tâche, plutôt que de considérer le préfixe comme la seule entrée valide.
Une collection de recherche concrète peut contenir des articles d’aide, des explications produit ou des instructions techniques. Une requête telle que « How do I change the export format? » doit retrouver le passage décrivant cette action. Gardez ensemble le titre de la section, les conditions pertinentes et le texte source réel. Stockez l’identifiant et l’emplacement du passage avec son vecteur, afin qu’un résultat de recherche puisse renvoyer quelque chose que l’utilisateur peut lire ou qu’une étape ultérieure de réponse peut citer.
La représentation documentée utilise l’état caché final du premier token, ou token CLS, comme plongement de la phrase. Les exemples du fabricant normalisent le vecteur et comparent les plongements normalisés avec un produit scalaire, équivalent à la similarité cosinus. Les 768 dimensions correspondent à la taille de la représentation de sortie de ce modèle ; elles ne sont ni une longueur de contexte sélectionnable, ni une allocation de génération de texte.
Utilisez le même modèle et la même convention de préparation pour les vecteurs de requête et de corpus comparés. Une vérification concrète consiste à retrouver des passages connus pour contenir la réponse à un petit ensemble de vraies questions d’utilisateurs, puis à examiner le texte renvoyé. Une forme vectorielle compatible permet à un index de stocker la représentation, tandis que le passage source établit ce que dit réellement le résultat.
La longueur de séquence documentée du modèle est de 512 tokens. Une longue source doit donc être divisée en passages cohérents contenant des réponses avant l’encodage. Gardez les définitions et les exceptions avec l’énoncé qu’elles précisent, et préservez le lien entre chaque passage et son document parent. Le texte à encoder comprend toute instruction ou tout titre ajouté ; une préparation compacte laisse donc davantage de place au contenu source utile.
Pour un rapport ou un manuel, choisissez des limites autour d’une section ou d’un petit groupe de paragraphes liés. Un passage ne contenant qu’un titre ou un fragment sans son sujet peut être difficile à interpréter lorsqu’il est retrouvé. Conservez le texte d’origine et une version de la source, afin qu’une mise à jour de l’index puisse remplacer le matériau correspondant lorsque le document change.
BAAI souligne que les valeurs absolues de similarité ne sont pas des seuils universels permettant de décider que deux textes signifient la même chose. Le classement relatif compte, et un seuil de filtrage doit être choisi à partir de la distribution sur les données propres à la tâche. Une similarité vectorielle élevée est un signal de recherche, plutôt qu’une vérification du contenu factuel du passage.
Le livrable utile est un index de passages anglais, un ensemble de vecteurs de requêtes ou des caractéristiques numériques pour la comparaison sémantique. Un reclasseur distinct peut affiner les candidats retrouvés, et une étape séparée de génération peut rédiger une réponse à partir de leur texte. Ce modèle exact base anglais v1.5 reste distinct de BGE Large, des éditions chinoises et des profils multilingues et hybrides de recherche de BGE-M3.
", "aboutText": "bge-base-en-v1.5 est le modèle anglais de plongement dense de taille base de BAAI. Il convertit chaque texte en une représentation numérique de 768 dimensions pour la recherche d’information et la comparaison sémantique. Le modèle appartient à la gamme BGE v1.5, qui traite la distribution des scores de similarité de la famille antérieure et améliore la recherche lorsqu’aucune instruction n’est fournie. Sa sortie est un vecteur servant à comparer des textes ou à trouver des passages pertinents.\n\n### Préparer les requêtes et les passages\n\nPour une requête courte visant des passages plus longs, BAAI recommande de préfixer la requête par « Represent this sentence for searching relevant passages: ». Les passages du corpus ne reçoivent pas cette instruction. Pour les autres tâches, le texte d’origine peut être encodé directement. Le fabricant précise que la version v1.5 fonctionne aussi sans instruction ; choisissez donc la préparation selon la tâche, plutôt que de considérer le préfixe comme la seule entrée valide.\n\nUne collection de recherche concrète peut contenir des articles d’aide, des explications produit ou des instructions techniques. Une requête telle que « How do I change the export format? » doit retrouver le passage décrivant cette action. Gardez ensemble le titre de la section, les conditions pertinentes et le texte source réel. Stockez l’identifiant et l’emplacement du passage avec son vecteur, afin qu’un résultat de recherche puisse renvoyer quelque chose que l’utilisateur peut lire ou qu’une étape ultérieure de réponse peut citer.\n\n### Format vectoriel et comparaison\n\nLa représentation documentée utilise l’état caché final du premier token, ou token CLS, comme plongement de la phrase. Les exemples du fabricant normalisent le vecteur et comparent les plongements normalisés avec un produit scalaire, équivalent à la similarité cosinus. Les 768 dimensions correspondent à la taille de la représentation de sortie de ce modèle ; elles ne sont ni une longueur de contexte sélectionnable, ni une allocation de génération de texte.\n\nUtilisez le même modèle et la même convention de préparation pour les vecteurs de requête et de corpus comparés. Une vérification concrète consiste à retrouver des passages connus pour contenir la réponse à un petit ensemble de vraies questions d’utilisateurs, puis à examiner le texte renvoyé. Une forme vectorielle compatible permet à un index de stocker la représentation, tandis que le passage source établit ce que dit réellement le résultat.\n\n### Longueur d’entrée et préparation documentaire\n\nLa longueur de séquence documentée du modèle est de 512 tokens. Une longue source doit donc être divisée en passages cohérents contenant des réponses avant l’encodage. Gardez les définitions et les exceptions avec l’énoncé qu’elles précisent, et préservez le lien entre chaque passage et son document parent. Le texte à encoder comprend toute instruction ou tout titre ajouté ; une préparation compacte laisse donc davantage de place au contenu source utile.\n\nPour un rapport ou un manuel, choisissez des limites autour d’une section ou d’un petit groupe de paragraphes liés. Un passage ne contenant qu’un titre ou un fragment sans son sujet peut être difficile à interpréter lorsqu’il est retrouvé. Conservez le texte d’origine et une version de la source, afin qu’une mise à jour de l’index puisse remplacer le matériau correspondant lorsque le document change.\n\n### Scores et sortie utile\n\nBAAI souligne que les valeurs absolues de similarité ne sont pas des seuils universels permettant de décider que deux textes signifient la même chose. Le classement relatif compte, et un seuil de filtrage doit être choisi à partir de la distribution sur les données propres à la tâche. Une similarité vectorielle élevée est un signal de recherche, plutôt qu’une vérification du contenu factuel du passage.\n\nLe livrable utile est un index de passages anglais, un ensemble de vecteurs de requêtes ou des caractéristiques numériques pour la comparaison sémantique. Un reclasseur distinct peut affiner les candidats retrouvés, et une étape séparée de génération peut rédiger une réponse à partir de leur texte. Ce modèle exact base anglais v1.5 reste distinct de BGE Large, des éditions chinoises et des profils multilingues et hybrides de recherche de BGE-M3.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "3c176944f3a7f3151f033ae8ba27a9579b85a71a4a77922291795c50460e40be", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-ch", "methods": [ { "html": "baai/bge-base-en-v1.5BAAI bge-base-en-v1.5 convertit du texte anglais en vecteurs de 768 dimensions pour la recherche sémantique et les tâches de similarité. Sa fenêtre d’entrée de 512 tokens et son instruction de recherche réservée à la requête conviennent aux passages ciblés d’un index documentaire ou de recherche de connaissances.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
bge-base-en-v1.5 est le modèle anglais de plongement dense de taille base de BAAI. Il convertit chaque texte en une représentation numérique de 768 dimensions pour la recherche d’information et la comparaison sémantique. Le modèle appartient à la gamme BGE v1.5, qui traite la distribution des scores de similarité de la famille antérieure et améliore la recherche lorsqu’aucune instruction n’est fournie. Sa sortie est un vecteur servant à comparer des textes ou à trouver des passages pertinents.
Pour une requête courte visant des passages plus longs, BAAI recommande de préfixer la requête par « Represent this sentence for searching relevant passages: ». Les passages du corpus ne reçoivent pas cette instruction. Pour les autres tâches, le texte d’origine peut être encodé directement. Le fabricant précise que la version v1.5 fonctionne aussi sans instruction ; choisissez donc la préparation selon la tâche, plutôt que de considérer le préfixe comme la seule entrée valide.
Une collection de recherche concrète peut contenir des articles d’aide, des explications produit ou des instructions techniques. Une requête telle que « How do I change the export format? » doit retrouver le passage décrivant cette action. Gardez ensemble le titre de la section, les conditions pertinentes et le texte source réel. Stockez l’identifiant et l’emplacement du passage avec son vecteur, afin qu’un résultat de recherche puisse renvoyer quelque chose que l’utilisateur peut lire ou qu’une étape ultérieure de réponse peut citer.
La représentation documentée utilise l’état caché final du premier token, ou token CLS, comme plongement de la phrase. Les exemples du fabricant normalisent le vecteur et comparent les plongements normalisés avec un produit scalaire, équivalent à la similarité cosinus. Les 768 dimensions correspondent à la taille de la représentation de sortie de ce modèle ; elles ne sont ni une longueur de contexte sélectionnable, ni une allocation de génération de texte.
Utilisez le même modèle et la même convention de préparation pour les vecteurs de requête et de corpus comparés. Une vérification concrète consiste à retrouver des passages connus pour contenir la réponse à un petit ensemble de vraies questions d’utilisateurs, puis à examiner le texte renvoyé. Une forme vectorielle compatible permet à un index de stocker la représentation, tandis que le passage source établit ce que dit réellement le résultat.
La longueur de séquence documentée du modèle est de 512 tokens. Une longue source doit donc être divisée en passages cohérents contenant des réponses avant l’encodage. Gardez les définitions et les exceptions avec l’énoncé qu’elles précisent, et préservez le lien entre chaque passage et son document parent. Le texte à encoder comprend toute instruction ou tout titre ajouté ; une préparation compacte laisse donc davantage de place au contenu source utile.
Pour un rapport ou un manuel, choisissez des limites autour d’une section ou d’un petit groupe de paragraphes liés. Un passage ne contenant qu’un titre ou un fragment sans son sujet peut être difficile à interpréter lorsqu’il est retrouvé. Conservez le texte d’origine et une version de la source, afin qu’une mise à jour de l’index puisse remplacer le matériau correspondant lorsque le document change.
BAAI souligne que les valeurs absolues de similarité ne sont pas des seuils universels permettant de décider que deux textes signifient la même chose. Le classement relatif compte, et un seuil de filtrage doit être choisi à partir de la distribution sur les données propres à la tâche. Une similarité vectorielle élevée est un signal de recherche, plutôt qu’une vérification du contenu factuel du passage.
Le livrable utile est un index de passages anglais, un ensemble de vecteurs de requêtes ou des caractéristiques numériques pour la comparaison sémantique. Un reclasseur distinct peut affiner les candidats retrouvés, et une étape séparée de génération peut rédiger une réponse à partir de leur texte. Ce modèle exact base anglais v1.5 reste distinct de BGE Large, des éditions chinoises et des profils multilingues et hybrides de recherche de BGE-M3.
POST /v1/embeddingstext, token_idsembedding| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites baai/bge-base-en-v1.5 | Par défaut— |
Champinput | Typestring|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 tokens: éléments du tableau de jetons | Par défaut— |
Champencoding_format | Typestring | ExigenceFacultatif | Valeurs et limites float | Par défautfloat |
Champdimensions | Typeinteger | ExigenceNon pris en charge | Valeurs et limites Minimum: 1 | Par défaut— |
Champuser | Typejson_value | ExigenceFacultatif | Valeurs et limites Conditions: La source autorise ce champ de métadonnées JSON ; sa sémantique exacte en amont dépend du modèle. | Par défaut— |
Champsession_id | Typejson_value | ExigenceFacultatif | Valeurs et limites Conditions: La source autorise ce champ de métadonnées JSON ; sa sémantique exacte en amont dépend du modèle. | Par défaut— |
Champtrace | Typejson_value | ExigenceFacultatif | Valeurs et limites Conditions: La source autorise ce champ de métadonnées JSON ; sa sémantique exacte en amont dépend du modèle. | Par défaut— |
Champprovider | Typeobject | ExigenceFacultatif | Valeurs et limites Conditions: provider.options est refusé | Par défaut— |
text_to_embedding
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, input |
Paramètreinput_shapes | Contratstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Paramètreencoding_format | Contratfloat |
Paramètredimensions_override | Contratfalse |
Paramètremax_input_budget_units | Contrat512 |
Paramètremultimodal_objects | Contratfalse |
Paramètrematerial_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.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.00001 / 1K tokens Sortie · Tokens en sortie $0 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "baai/bge-base-en-v1.5", "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-base-en-v1.5',input=["First document","Second document"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\njson
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.
Aucun point de terminaison dédié aux tâches d’embedding n’est ajouté.
| Champ | Type |
|---|---|
Champobject | Typestring |
Champmodel | Typestring |
Champdata[].index | Typeinteger |
Champdata[].embedding | Typefinite float[] |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra baai/bge-base-en-v1.5
Utilisez les chemins de méthode indiqués ci-dessus.