BGE-M3 est le modèle multilingue de recherche d’information de BAAI, conçu autour de trois formes de polyvalence : plusieurs fonctions de recherche, plusieurs langues et différentes longueurs d’entrée. Le fabricant documente la prise en charge de plus de cent langues et d’entrées pouvant atteindre 8192 tokens. Son modèle unifié peut fournir des vecteurs denses, des poids lexicaux parcimonieux et des représentations multivecteurs ; une conception de recherche peut donc sélectionner ou combiner plusieurs types d’indices.
Le mode dense projette un texte vers un vecteur unique de 1024 dimensions. Il permet de comparer le sens représenté par une requête et un passage. Le mode parcimonieux attribue des poids aux tokens présents dans le texte pour la correspondance lexicale. Le mode multivecteur représente un texte par plusieurs vecteurs et utilise une interaction de type ColBERT pour comparer plus finement la requête et le document.
Ces sorties jouent des rôles différents dans un index de recherche. Un vecteur dense fournit une représentation d’un passage ; une table parcimonieuse de poids des tokens conserve les signaux lexicaux ; plusieurs vecteurs offrent une structure de comparaison différente. Les exemples du producteur montrent comment renvoyer les représentations choisies et calculer des scores pour des paires de textes. Considérez la représentation et la méthode de calcul du score retenues comme des choix délibérés de la tâche de recherche.
BGE-M3 ne nécessite pas l’ajout de l’instruction de recherche utilisée par les modèles BGE antérieurs. Préparez directement la requête et les véritables passages sources. Une collection de connaissances multilingue peut conserver chaque passage dans sa langue d’origine, avec son identifiant de document et sa locale. Utilisez de vraies questions d’utilisateurs issues du mélange linguistique visé lorsque vous vérifiez les résultats.
Une tâche concrète consiste à rechercher des explications de règles, de l’aide produit ou de la documentation technique disponibles dans plusieurs langues. Conservez les noms, les numéros de modèle et les termes importants pour la question. Une représentation lexicale peut aider à préserver les correspondances sur ces termes, tandis qu’une représentation dense apporte des indices sémantiques. Le passage retrouvé doit inclure le texte et l’emplacement source qu’un lecteur peut examiner.
La fenêtre d’entrée de 8192 tokens permet au modèle de représenter aussi bien de courtes phrases que des documents plus longs. Choisissez la granularité en fonction de la réponse que la recherche doit renvoyer. Une section complète peut préserver une définition et ses exceptions ; un passage plus court peut rendre une instruction précise plus facile à trouver. Une longue fenêtre permet ces choix, mais le vecteur reste associé au matériau effectivement encodé.
Gardez chaque passage lié à son document parent et à sa version. Pour un long rapport, préservez le titre et l’explication entourant le chiffre ou la conclusion pertinente. Ne vous fiez pas au seul titre d’un résultat de recherche lorsque les éléments se trouvent dans le corps du texte. Si la source change, conservez assez de métadonnées pour mettre à jour les représentations de recherche correspondantes.
Le fabricant recommande une recherche hybride suivie d’une étape de reclassement distincte. Ses exemples calculent des scores denses, parcimonieux et multivecteurs, puis forment des combinaisons pondérées. Choisissez la combinaison en fonction des questions et du vocabulaire de la collection ; un poids montré dans un exemple n’est pas un réglage universel pour tous les corpus.
Un résultat utile est un ensemble de candidats dont les passages sources restent disponibles, avec la représentation et la méthode de classement consignées. Un reclasseur distinct peut affiner cet ensemble, et une étape séparée de génération de texte peut utiliser le contenu des passages. Les capacités parcimonieuses et multivecteurs de BGE-M3 sont des modes du modèle du producteur ; le plongement dense, la sortie lexicale et le score par paire sont des artefacts distincts, plutôt que des tableaux interchangeables.
", "aboutText": "BGE-M3 est le modèle multilingue de recherche d’information de BAAI, conçu autour de trois formes de polyvalence : plusieurs fonctions de recherche, plusieurs langues et différentes longueurs d’entrée. Le fabricant documente la prise en charge de plus de cent langues et d’entrées pouvant atteindre 8192 tokens. Son modèle unifié peut fournir des vecteurs denses, des poids lexicaux parcimonieux et des représentations multivecteurs ; une conception de recherche peut donc sélectionner ou combiner plusieurs types d’indices.\n\n### Trois représentations pour la recherche\n\nLe mode dense projette un texte vers un vecteur unique de 1024 dimensions. Il permet de comparer le sens représenté par une requête et un passage. Le mode parcimonieux attribue des poids aux tokens présents dans le texte pour la correspondance lexicale. Le mode multivecteur représente un texte par plusieurs vecteurs et utilise une interaction de type ColBERT pour comparer plus finement la requête et le document.\n\nCes sorties jouent des rôles différents dans un index de recherche. Un vecteur dense fournit une représentation d’un passage ; une table parcimonieuse de poids des tokens conserve les signaux lexicaux ; plusieurs vecteurs offrent une structure de comparaison différente. Les exemples du producteur montrent comment renvoyer les représentations choisies et calculer des scores pour des paires de textes. Considérez la représentation et la méthode de calcul du score retenues comme des choix délibérés de la tâche de recherche.\n\n### Texte multilingue et préparation des entrées\n\nBGE-M3 ne nécessite pas l’ajout de l’instruction de recherche utilisée par les modèles BGE antérieurs. Préparez directement la requête et les véritables passages sources. Une collection de connaissances multilingue peut conserver chaque passage dans sa langue d’origine, avec son identifiant de document et sa locale. Utilisez de vraies questions d’utilisateurs issues du mélange linguistique visé lorsque vous vérifiez les résultats.\n\nUne tâche concrète consiste à rechercher des explications de règles, de l’aide produit ou de la documentation technique disponibles dans plusieurs langues. Conservez les noms, les numéros de modèle et les termes importants pour la question. Une représentation lexicale peut aider à préserver les correspondances sur ces termes, tandis qu’une représentation dense apporte des indices sémantiques. Le passage retrouvé doit inclure le texte et l’emplacement source qu’un lecteur peut examiner.\n\n### Documents plus longs et granularité\n\nLa fenêtre d’entrée de 8192 tokens permet au modèle de représenter aussi bien de courtes phrases que des documents plus longs. Choisissez la granularité en fonction de la réponse que la recherche doit renvoyer. Une section complète peut préserver une définition et ses exceptions ; un passage plus court peut rendre une instruction précise plus facile à trouver. Une longue fenêtre permet ces choix, mais le vecteur reste associé au matériau effectivement encodé.\n\nGardez chaque passage lié à son document parent et à sa version. Pour un long rapport, préservez le titre et l’explication entourant le chiffre ou la conclusion pertinente. Ne vous fiez pas au seul titre d’un résultat de recherche lorsque les éléments se trouvent dans le corps du texte. Si la source change, conservez assez de métadonnées pour mettre à jour les représentations de recherche correspondantes.\n\n### Scores hybrides et utilisation en aval\n\nLe fabricant recommande une recherche hybride suivie d’une étape de reclassement distincte. Ses exemples calculent des scores denses, parcimonieux et multivecteurs, puis forment des combinaisons pondérées. Choisissez la combinaison en fonction des questions et du vocabulaire de la collection ; un poids montré dans un exemple n’est pas un réglage universel pour tous les corpus.\n\nUn résultat utile est un ensemble de candidats dont les passages sources restent disponibles, avec la représentation et la méthode de classement consignées. Un reclasseur distinct peut affiner cet ensemble, et une étape séparée de génération de texte peut utiliser le contenu des passages. Les capacités parcimonieuses et multivecteurs de BGE-M3 sont des modes du modèle du producteur ; le plongement dense, la sortie lexicale et le score par paire sont des artefacts distincts, plutôt que des tableaux interchangeables.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "1c96fd11453de080b065575cb72668700a686f2b0535a46a2159fec1a61ab686", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr", "methods": [ { "html": "baai/bge-m3BAAI BGE-M3 prend en charge la recherche dense, la recherche lexicale à représentations creuses et la recherche multivecteur dans plus de 100 langues. Sa sortie dense comporte 1024 dimensions et sa fenêtre de 8192 tokens accueille aussi bien des phrases que des documents plus longs, sans consigne de requête obligatoire.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
BGE-M3 est le modèle multilingue de recherche d’information de BAAI, conçu autour de trois formes de polyvalence : plusieurs fonctions de recherche, plusieurs langues et différentes longueurs d’entrée. Le fabricant documente la prise en charge de plus de cent langues et d’entrées pouvant atteindre 8192 tokens. Son modèle unifié peut fournir des vecteurs denses, des poids lexicaux parcimonieux et des représentations multivecteurs ; une conception de recherche peut donc sélectionner ou combiner plusieurs types d’indices.
Le mode dense projette un texte vers un vecteur unique de 1024 dimensions. Il permet de comparer le sens représenté par une requête et un passage. Le mode parcimonieux attribue des poids aux tokens présents dans le texte pour la correspondance lexicale. Le mode multivecteur représente un texte par plusieurs vecteurs et utilise une interaction de type ColBERT pour comparer plus finement la requête et le document.
Ces sorties jouent des rôles différents dans un index de recherche. Un vecteur dense fournit une représentation d’un passage ; une table parcimonieuse de poids des tokens conserve les signaux lexicaux ; plusieurs vecteurs offrent une structure de comparaison différente. Les exemples du producteur montrent comment renvoyer les représentations choisies et calculer des scores pour des paires de textes. Considérez la représentation et la méthode de calcul du score retenues comme des choix délibérés de la tâche de recherche.
BGE-M3 ne nécessite pas l’ajout de l’instruction de recherche utilisée par les modèles BGE antérieurs. Préparez directement la requête et les véritables passages sources. Une collection de connaissances multilingue peut conserver chaque passage dans sa langue d’origine, avec son identifiant de document et sa locale. Utilisez de vraies questions d’utilisateurs issues du mélange linguistique visé lorsque vous vérifiez les résultats.
Une tâche concrète consiste à rechercher des explications de règles, de l’aide produit ou de la documentation technique disponibles dans plusieurs langues. Conservez les noms, les numéros de modèle et les termes importants pour la question. Une représentation lexicale peut aider à préserver les correspondances sur ces termes, tandis qu’une représentation dense apporte des indices sémantiques. Le passage retrouvé doit inclure le texte et l’emplacement source qu’un lecteur peut examiner.
La fenêtre d’entrée de 8192 tokens permet au modèle de représenter aussi bien de courtes phrases que des documents plus longs. Choisissez la granularité en fonction de la réponse que la recherche doit renvoyer. Une section complète peut préserver une définition et ses exceptions ; un passage plus court peut rendre une instruction précise plus facile à trouver. Une longue fenêtre permet ces choix, mais le vecteur reste associé au matériau effectivement encodé.
Gardez chaque passage lié à son document parent et à sa version. Pour un long rapport, préservez le titre et l’explication entourant le chiffre ou la conclusion pertinente. Ne vous fiez pas au seul titre d’un résultat de recherche lorsque les éléments se trouvent dans le corps du texte. Si la source change, conservez assez de métadonnées pour mettre à jour les représentations de recherche correspondantes.
Le fabricant recommande une recherche hybride suivie d’une étape de reclassement distincte. Ses exemples calculent des scores denses, parcimonieux et multivecteurs, puis forment des combinaisons pondérées. Choisissez la combinaison en fonction des questions et du vocabulaire de la collection ; un poids montré dans un exemple n’est pas un réglage universel pour tous les corpus.
Un résultat utile est un ensemble de candidats dont les passages sources restent disponibles, avec la représentation et la méthode de classement consignées. Un reclasseur distinct peut affiner cet ensemble, et une étape séparée de génération de texte peut utiliser le contenu des passages. Les capacités parcimonieuses et multivecteurs de BGE-M3 sont des modes du modèle du producteur ; le plongement dense, la sortie lexicale et le score par paire sont des artefacts distincts, plutôt que des tableaux interchangeables.
POST /v1/embeddingstext, token_idsembedding| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites baai/bge-m3 | 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: 8 194 · Unité de texte: octets UTF8 · Unité de tokens: éléments du tableau de tokens | 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: 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: 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: 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 | Contrat8194 |
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 $0.00004 / 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-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
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-m3
Utilisez les chemins de méthode indiqués ci-dessus.