bge-large-en-v1.5 adalah edisi embedding dense bahasa Inggris berukuran Large dari BAAI. Model ini memetakan teks menjadi vektor berdimensi 1024 untuk pencarian bagian teks dan perbandingan semantik. Versi 1.5 merupakan pembaruan dari pengembang yang ditujukan untuk distribusi kemiripan yang lebih berguna dan pencarian yang lebih baik tanpa instruksi. Large tetap merupakan checkpoint yang berbeda dari Base, Small, edisi bahasa Mandarin, dan model multibahasa BGE-M3.
Untuk kueri pencarian singkat pada dokumen yang lebih panjang, pengembang merekomendasikan instruksi kueri “Represent this sentence for searching relevant passages:”. Tambahkan pada sisi kueri; bagian teks dalam korpus mempertahankan teks sumbernya sendiri tanpa instruksi tersebut. Untuk penggunaan lain, teks langsung sudah memadai. BAAI juga mendokumentasikan pencarian tanpa prefiks pada v1.5 dan menyarankan pemilihan persiapan yang paling sesuai dengan tugas nyata.
Kumpulan pengetahuan praktis dapat mengindeks bagian-bagian manual teknis berbahasa Inggris. Pertanyaan tentang pengaturan yang mengubah format keluaran seharusnya mengembalikan bagian yang menjelaskan pengaturan dan kondisinya. Simpan judul, penjelasan yang relevan, dan lokasi sumber bersama setiap bagian teks. Model menyediakan representasi numerik; teks sumber yang dikembalikanlah yang digunakan pembaca atau tahap RAG berikutnya.
Contoh pengodean langsung dari pengembang menggunakan hidden state terakhir dari token CLS pertama sebagai embedding gabungan, lalu menormalisasi vektor. Membandingkan vektor yang telah dinormalisasi dengan dot product menghasilkan kemiripan kosinus. Karena itu, setiap bagian teks dapat disiapkan sekali dan disimpan untuk dibandingkan dengan vektor kueri masuk, sementara materi sumber yang berubah menerima representasi yang diperbarui.
Angka 1024 dimensi menentukan panjang vektor keluaran. Angka ini berbeda dari representasi Base berdimensi 768 dan tidak membuktikan adanya ruang bersama yang kompatibel dengan checkpoint lain. Simpan identitas model dan konvensi persiapan bersama indeks yang disimpan. Perubahan edisi embedding memerlukan pemeriksaan representasi korpus dan kueri secara bersamaan.
Panjang urutan yang didokumentasikan adalah 512 token. Siapkan manual panjang sebagai bagian yang koheren, bukan satu masukan yang terlalu besar. Pertahankan kondisi atau pengecualian di samping aturan yang dibatasinya, dan sertakan konteks yang cukup agar bagian yang ditemukan dapat dipahami secara mandiri. Instruksi kueri tambahan juga memakai token masukan, sehingga jendela model mencakup seluruh masukan yang telah disiapkan.
Batas bagian teks yang berguna dapat mencakup judul dan paragraf yang menjawab satu pertanyaan pengguna. Simpan pengenal dan versi dokumen induk di luar vektor agar hasil tetap dapat ditelusuri ke sumber yang benar. Untuk tugas perbandingan, gunakan teks sebenarnya yang akan dibandingkan, bukan ringkasan yang tidak relevan dan menghapus perbedaan yang perlu ditemukan.
Pengembang memperingatkan agar kemiripan absolut tidak diperlakukan sebagai aturan universal untuk kesetaraan semantik. Urutan skor relatif merupakan inti pencarian, dan ambang batas perlu dikalibrasi pada distribusi teks tugas itu sendiri. Periksa bagian teks kandidat untuk pertanyaan dengan jawaban yang diketahui maupun pertanyaan yang jawabannya tidak tersedia. Dengan begitu, terlihat apakah bagian yang dikembalikan menyediakan informasi yang diperlukan, bukan sekadar menyerupai topiknya.
bge-large-en-v1.5 menyediakan vektor dense bahasa Inggris. Reranker terpisah dapat memperbaiki urutan kandidat, dan model bahasa terpisah dapat menyusun jawaban dari bagian teks yang dipilih. Keluaran berguna dari edisi ini adalah representasi yang dapat dicari dan terhubung dengan teks sumbernya, dengan pilihan model Large v1.5 serta persiapan masukan yang dipertahankan secara tepat.
", "aboutText": "bge-large-en-v1.5 adalah edisi embedding dense bahasa Inggris berukuran Large dari BAAI. Model ini memetakan teks menjadi vektor berdimensi 1024 untuk pencarian bagian teks dan perbandingan semantik. Versi 1.5 merupakan pembaruan dari pengembang yang ditujukan untuk distribusi kemiripan yang lebih berguna dan pencarian yang lebih baik tanpa instruksi. Large tetap merupakan checkpoint yang berbeda dari Base, Small, edisi bahasa Mandarin, dan model multibahasa BGE-M3.\n\n### Siapkan pencarian bagian teks\n\nUntuk kueri pencarian singkat pada dokumen yang lebih panjang, pengembang merekomendasikan instruksi kueri “Represent this sentence for searching relevant passages:”. Tambahkan pada sisi kueri; bagian teks dalam korpus mempertahankan teks sumbernya sendiri tanpa instruksi tersebut. Untuk penggunaan lain, teks langsung sudah memadai. BAAI juga mendokumentasikan pencarian tanpa prefiks pada v1.5 dan menyarankan pemilihan persiapan yang paling sesuai dengan tugas nyata.\n\nKumpulan pengetahuan praktis dapat mengindeks bagian-bagian manual teknis berbahasa Inggris. Pertanyaan tentang pengaturan yang mengubah format keluaran seharusnya mengembalikan bagian yang menjelaskan pengaturan dan kondisinya. Simpan judul, penjelasan yang relevan, dan lokasi sumber bersama setiap bagian teks. Model menyediakan representasi numerik; teks sumber yang dikembalikanlah yang digunakan pembaca atau tahap RAG berikutnya.\n\n### Representasi dan pencocokan\n\nContoh pengodean langsung dari pengembang menggunakan hidden state terakhir dari token CLS pertama sebagai embedding gabungan, lalu menormalisasi vektor. Membandingkan vektor yang telah dinormalisasi dengan dot product menghasilkan kemiripan kosinus. Karena itu, setiap bagian teks dapat disiapkan sekali dan disimpan untuk dibandingkan dengan vektor kueri masuk, sementara materi sumber yang berubah menerima representasi yang diperbarui.\n\nAngka 1024 dimensi menentukan panjang vektor keluaran. Angka ini berbeda dari representasi Base berdimensi 768 dan tidak membuktikan adanya ruang bersama yang kompatibel dengan checkpoint lain. Simpan identitas model dan konvensi persiapan bersama indeks yang disimpan. Perubahan edisi embedding memerlukan pemeriksaan representasi korpus dan kueri secara bersamaan.\n\n### Sesuaikan sumber dengan jendela masukan\n\nPanjang urutan yang didokumentasikan adalah 512 token. Siapkan manual panjang sebagai bagian yang koheren, bukan satu masukan yang terlalu besar. Pertahankan kondisi atau pengecualian di samping aturan yang dibatasinya, dan sertakan konteks yang cukup agar bagian yang ditemukan dapat dipahami secara mandiri. Instruksi kueri tambahan juga memakai token masukan, sehingga jendela model mencakup seluruh masukan yang telah disiapkan.\n\nBatas bagian teks yang berguna dapat mencakup judul dan paragraf yang menjawab satu pertanyaan pengguna. Simpan pengenal dan versi dokumen induk di luar vektor agar hasil tetap dapat ditelusuri ke sumber yang benar. Untuk tugas perbandingan, gunakan teks sebenarnya yang akan dibandingkan, bukan ringkasan yang tidak relevan dan menghapus perbedaan yang perlu ditemukan.\n\n### Tafsirkan skor\n\nPengembang memperingatkan agar kemiripan absolut tidak diperlakukan sebagai aturan universal untuk kesetaraan semantik. Urutan skor relatif merupakan inti pencarian, dan ambang batas perlu dikalibrasi pada distribusi teks tugas itu sendiri. Periksa bagian teks kandidat untuk pertanyaan dengan jawaban yang diketahui maupun pertanyaan yang jawabannya tidak tersedia. Dengan begitu, terlihat apakah bagian yang dikembalikan menyediakan informasi yang diperlukan, bukan sekadar menyerupai topiknya.\n\nbge-large-en-v1.5 menyediakan vektor dense bahasa Inggris. Reranker terpisah dapat memperbaiki urutan kandidat, dan model bahasa terpisah dapat menyusun jawaban dari bagian teks yang dipilih. Keluaran berguna dari edisi ini adalah representasi yang dapat dicari dan terhubung dengan teks sumbernya, dengan pilihan model Large v1.5 serta persiapan masukan yang dipertahankan secara tepat.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "90a7cbe964e190b07f729563ab6dcb4a431cd732b1f34084395f9e85e686d6c3", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "id", "methods": [ { "html": "baai/bge-large-en-v1.5BAAI bge-large-en-v1.5 menghasilkan vektor teks bahasa Inggris 1024 dimensi untuk temu kembali dan perbandingan semantik. Persiapan v1.5 mendukung instruksi kueri opsional, dengan panjang urutan 512 token yang didokumentasikan.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
bge-large-en-v1.5 adalah edisi embedding dense bahasa Inggris berukuran Large dari BAAI. Model ini memetakan teks menjadi vektor berdimensi 1024 untuk pencarian bagian teks dan perbandingan semantik. Versi 1.5 merupakan pembaruan dari pengembang yang ditujukan untuk distribusi kemiripan yang lebih berguna dan pencarian yang lebih baik tanpa instruksi. Large tetap merupakan checkpoint yang berbeda dari Base, Small, edisi bahasa Mandarin, dan model multibahasa BGE-M3.
Untuk kueri pencarian singkat pada dokumen yang lebih panjang, pengembang merekomendasikan instruksi kueri “Represent this sentence for searching relevant passages:”. Tambahkan pada sisi kueri; bagian teks dalam korpus mempertahankan teks sumbernya sendiri tanpa instruksi tersebut. Untuk penggunaan lain, teks langsung sudah memadai. BAAI juga mendokumentasikan pencarian tanpa prefiks pada v1.5 dan menyarankan pemilihan persiapan yang paling sesuai dengan tugas nyata.
Kumpulan pengetahuan praktis dapat mengindeks bagian-bagian manual teknis berbahasa Inggris. Pertanyaan tentang pengaturan yang mengubah format keluaran seharusnya mengembalikan bagian yang menjelaskan pengaturan dan kondisinya. Simpan judul, penjelasan yang relevan, dan lokasi sumber bersama setiap bagian teks. Model menyediakan representasi numerik; teks sumber yang dikembalikanlah yang digunakan pembaca atau tahap RAG berikutnya.
Contoh pengodean langsung dari pengembang menggunakan hidden state terakhir dari token CLS pertama sebagai embedding gabungan, lalu menormalisasi vektor. Membandingkan vektor yang telah dinormalisasi dengan dot product menghasilkan kemiripan kosinus. Karena itu, setiap bagian teks dapat disiapkan sekali dan disimpan untuk dibandingkan dengan vektor kueri masuk, sementara materi sumber yang berubah menerima representasi yang diperbarui.
Angka 1024 dimensi menentukan panjang vektor keluaran. Angka ini berbeda dari representasi Base berdimensi 768 dan tidak membuktikan adanya ruang bersama yang kompatibel dengan checkpoint lain. Simpan identitas model dan konvensi persiapan bersama indeks yang disimpan. Perubahan edisi embedding memerlukan pemeriksaan representasi korpus dan kueri secara bersamaan.
Panjang urutan yang didokumentasikan adalah 512 token. Siapkan manual panjang sebagai bagian yang koheren, bukan satu masukan yang terlalu besar. Pertahankan kondisi atau pengecualian di samping aturan yang dibatasinya, dan sertakan konteks yang cukup agar bagian yang ditemukan dapat dipahami secara mandiri. Instruksi kueri tambahan juga memakai token masukan, sehingga jendela model mencakup seluruh masukan yang telah disiapkan.
Batas bagian teks yang berguna dapat mencakup judul dan paragraf yang menjawab satu pertanyaan pengguna. Simpan pengenal dan versi dokumen induk di luar vektor agar hasil tetap dapat ditelusuri ke sumber yang benar. Untuk tugas perbandingan, gunakan teks sebenarnya yang akan dibandingkan, bukan ringkasan yang tidak relevan dan menghapus perbedaan yang perlu ditemukan.
Pengembang memperingatkan agar kemiripan absolut tidak diperlakukan sebagai aturan universal untuk kesetaraan semantik. Urutan skor relatif merupakan inti pencarian, dan ambang batas perlu dikalibrasi pada distribusi teks tugas itu sendiri. Periksa bagian teks kandidat untuk pertanyaan dengan jawaban yang diketahui maupun pertanyaan yang jawabannya tidak tersedia. Dengan begitu, terlihat apakah bagian yang dikembalikan menyediakan informasi yang diperlukan, bukan sekadar menyerupai topiknya.
bge-large-en-v1.5 menyediakan vektor dense bahasa Inggris. Reranker terpisah dapat memperbaiki urutan kandidat, dan model bahasa terpisah dapat menyusun jawaban dari bagian teks yang dipilih. Keluaran berguna dari edisi ini adalah representasi yang dapat dicari dan terhubung dengan teks sumbernya, dengan pilihan model Large v1.5 serta persiapan masukan yang dipertahankan secara tepat.
POST /v1/embeddingstext, token_idsembedding| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan baai/bge-large-en-v1.5 | Bawaan— |
Kolominput | Jenisstring|string[]|integer[]|integer[][] | PersyaratanWajib | Nilai & batasan Item minimum: 1 Kondisi: Batch homogen yang tidak kosong. ID token berupa bilangan bulat nonnegatif. Anggaran masukan: Maksimum: 512 · Satuan teks: byte UTF8 · Satuan token: elemen array token | Bawaan— |
Kolomencoding_format | Jenisstring | PersyaratanOpsional | Nilai & batasan float | Bawaanfloat |
Kolomdimensions | Jenisinteger | PersyaratanTidak didukung | Nilai & batasan Minimum: 1 | Bawaan— |
Kolomuser | Jenisjson_value | PersyaratanOpsional | Nilai & batasan Kondisi: Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model. | Bawaan— |
Kolomsession_id | Jenisjson_value | PersyaratanOpsional | Nilai & batasan Kondisi: Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model. | Bawaan— |
Kolomtrace | Jenisjson_value | PersyaratanOpsional | Nilai & batasan Kondisi: Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model. | Bawaan— |
Kolomprovider | Jenisobject | PersyaratanOpsional | Nilai & batasan Kondisi: provider.options ditolak | Bawaan— |
text_to_embedding
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, input |
Parameterinput_shapes | Kontrakstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parameterencoding_format | Kontrakfloat |
Parameterdimensions_override | Kontrakfalse |
Parametermax_input_budget_units | Kontrak512 |
Parametermultimodal_objects | Kontrakfalse |
Parametermaterial_types | Kontraktext, token_ids |
Siklus hidup: synchronous_json
Pertahankan index dan dimensi setiap vektor.
Nama model multimodal tidak mengizinkan objek gambar pada jalur persis ini.
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
| Konfigurasi | Jadwal tarif | Biaya |
|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Biaya Masukan · Token masukan $0.00002 / 1K token Keluaran · Token keluaran $0 / 1K token Masukan · Pembacaan cache — / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "baai/bge-large-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-large-en-v1.5',input=["First document","Second document"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\njson
Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
Simpan setiap vektor beserta index masing-masing. Jumlah vektor harus sama dengan jumlah input; dimensinya harus konsisten.
Endpoint untuk tugas embedding tidak ditambahkan.
| Kolom | Jenis |
|---|---|
Kolomobject | Jenisstring |
Kolommodel | Jenisstring |
Kolomdata[].index | Jenisinteger |
Kolomdata[].embedding | Jenisfinite float[] |
Kolomusage | Jenisobject |
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiBidang wajib, representasi materi, atau nilai parameter tidak valid | Langkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru. |
Ailoot Ultra baai/bge-large-en-v1.5
Gunakan jalur metode yang ditampilkan di atas.