bge-base-en-v1.5 è il modello inglese di embedding denso di dimensione base di BAAI. Converte ogni testo in una rappresentazione numerica a 768 dimensioni per il recupero di informazioni e il confronto semantico. Il modello appartiene alla linea BGE v1.5, che interviene sulla distribuzione dei punteggi di similarità della famiglia precedente e migliora il recupero quando non viene fornita un’istruzione. Il suo output è un vettore usato per confrontare testi o trovare passaggi pertinenti.
Per una query breve che cerca passaggi più lunghi, BAAI raccomanda di anteporre alla query «Represent this sentence for searching relevant passages:». I passaggi del corpus non ricevono quell’istruzione. Per altre attività, il testo originale può essere codificato direttamente. Il produttore osserva che v1.5 funziona anche senza istruzione, quindi la preparazione dovrebbe essere scelta in base all’attività anziché trattare il prefisso come l’unico input valido.
Una raccolta concreta di ricerca può contenere articoli di aiuto, spiegazioni di prodotto o istruzioni tecniche. Una query come «How do I change the export format?» dovrebbe recuperare il passaggio che descrive quell’azione. Mantieni insieme il titolo della sezione, le condizioni pertinenti e il testo effettivo della fonte. Memorizza l’identificatore e la posizione del passaggio insieme al suo vettore, affinché un risultato di ricerca possa restituire qualcosa che l’utente può leggere o che una successiva fase di risposta può citare.
La rappresentazione documentata usa lo stato nascosto finale del primo token, o token CLS, come embedding della frase. Gli esempi del produttore normalizzano il vettore e confrontano gli embedding normalizzati con un prodotto scalare, equivalente alla similarità del coseno. Le 768 dimensioni sono la dimensione della rappresentazione di output di questo modello; non sono una lunghezza di contesto selezionabile né un’allocazione per la generazione testuale.
Usa lo stesso modello e la stessa convenzione di preparazione per i vettori della query e del corpus confrontati. Un controllo pratico consiste nel recuperare passaggi noti per contenere la risposta a un piccolo insieme di domande reali degli utenti, quindi esaminare il testo restituito. Una forma vettoriale compatibile permette a un indice di memorizzare la rappresentazione, mentre il passaggio di origine stabilisce ciò che il risultato dice effettivamente.
La lunghezza di sequenza documentata del modello è di 512 token. Una fonte lunga dovrebbe quindi essere suddivisa in passaggi coerenti contenenti risposte prima della codifica. Mantieni definizioni ed eccezioni insieme all’affermazione che precisano e conserva il collegamento tra un passaggio e il documento principale. Il testo da codificare include qualsiasi istruzione o titolo aggiunto, quindi una preparazione compatta lascia più spazio al contenuto utile della fonte.
Per un rapporto o un manuale, scegli confini attorno a una sezione o a un piccolo gruppo di paragrafi correlati. Un passaggio che contiene solo un titolo o un frammento senza il suo soggetto può essere difficile da interpretare quando viene recuperato. Conserva il testo originale e una versione della fonte, affinché un aggiornamento dell’indice possa sostituire il materiale corrispondente quando il documento cambia.
BAAI avverte che i valori assoluti di similarità non sono soglie universali per decidere che due testi significano la stessa cosa. Conta l’ordinamento relativo, e una soglia di filtraggio dovrebbe essere scelta usando la distribuzione sui dati dell’attività stessa. Un’elevata similarità vettoriale è un segnale di recupero, anziché una verifica del contenuto fattuale del passaggio.
Il risultato utile è un indice di passaggi inglesi, un insieme di vettori di query o caratteristiche numeriche per il confronto semantico. Un reranker separato può affinare i candidati recuperati e una fase distinta di generazione può scrivere una risposta dal loro testo. Questo esatto modello base inglese v1.5 rimane distinto da BGE Large, dalle edizioni cinesi e dai profili multilingue e ibridi di recupero di BGE-M3.
", "aboutText": "bge-base-en-v1.5 è il modello inglese di embedding denso di dimensione base di BAAI. Converte ogni testo in una rappresentazione numerica a 768 dimensioni per il recupero di informazioni e il confronto semantico. Il modello appartiene alla linea BGE v1.5, che interviene sulla distribuzione dei punteggi di similarità della famiglia precedente e migliora il recupero quando non viene fornita un’istruzione. Il suo output è un vettore usato per confrontare testi o trovare passaggi pertinenti.\n\n### Preparare query e passaggi\n\nPer una query breve che cerca passaggi più lunghi, BAAI raccomanda di anteporre alla query «Represent this sentence for searching relevant passages:». I passaggi del corpus non ricevono quell’istruzione. Per altre attività, il testo originale può essere codificato direttamente. Il produttore osserva che v1.5 funziona anche senza istruzione, quindi la preparazione dovrebbe essere scelta in base all’attività anziché trattare il prefisso come l’unico input valido.\n\nUna raccolta concreta di ricerca può contenere articoli di aiuto, spiegazioni di prodotto o istruzioni tecniche. Una query come «How do I change the export format?» dovrebbe recuperare il passaggio che descrive quell’azione. Mantieni insieme il titolo della sezione, le condizioni pertinenti e il testo effettivo della fonte. Memorizza l’identificatore e la posizione del passaggio insieme al suo vettore, affinché un risultato di ricerca possa restituire qualcosa che l’utente può leggere o che una successiva fase di risposta può citare.\n\n### Formato del vettore e confronto\n\nLa rappresentazione documentata usa lo stato nascosto finale del primo token, o token CLS, come embedding della frase. Gli esempi del produttore normalizzano il vettore e confrontano gli embedding normalizzati con un prodotto scalare, equivalente alla similarità del coseno. Le 768 dimensioni sono la dimensione della rappresentazione di output di questo modello; non sono una lunghezza di contesto selezionabile né un’allocazione per la generazione testuale.\n\nUsa lo stesso modello e la stessa convenzione di preparazione per i vettori della query e del corpus confrontati. Un controllo pratico consiste nel recuperare passaggi noti per contenere la risposta a un piccolo insieme di domande reali degli utenti, quindi esaminare il testo restituito. Una forma vettoriale compatibile permette a un indice di memorizzare la rappresentazione, mentre il passaggio di origine stabilisce ciò che il risultato dice effettivamente.\n\n### Lunghezza dell’input e preparazione dei documenti\n\nLa lunghezza di sequenza documentata del modello è di 512 token. Una fonte lunga dovrebbe quindi essere suddivisa in passaggi coerenti contenenti risposte prima della codifica. Mantieni definizioni ed eccezioni insieme all’affermazione che precisano e conserva il collegamento tra un passaggio e il documento principale. Il testo da codificare include qualsiasi istruzione o titolo aggiunto, quindi una preparazione compatta lascia più spazio al contenuto utile della fonte.\n\nPer un rapporto o un manuale, scegli confini attorno a una sezione o a un piccolo gruppo di paragrafi correlati. Un passaggio che contiene solo un titolo o un frammento senza il suo soggetto può essere difficile da interpretare quando viene recuperato. Conserva il testo originale e una versione della fonte, affinché un aggiornamento dell’indice possa sostituire il materiale corrispondente quando il documento cambia.\n\n### Punteggi e output utile\n\nBAAI avverte che i valori assoluti di similarità non sono soglie universali per decidere che due testi significano la stessa cosa. Conta l’ordinamento relativo, e una soglia di filtraggio dovrebbe essere scelta usando la distribuzione sui dati dell’attività stessa. Un’elevata similarità vettoriale è un segnale di recupero, anziché una verifica del contenuto fattuale del passaggio.\n\nIl risultato utile è un indice di passaggi inglesi, un insieme di vettori di query o caratteristiche numeriche per il confronto semantico. Un reranker separato può affinare i candidati recuperati e una fase distinta di generazione può scrivere una risposta dal loro testo. Questo esatto modello base inglese v1.5 rimane distinto da BGE Large, dalle edizioni cinesi e dai profili multilingue e ibridi di recupero di BGE-M3.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "9826ceeb582a6397ebd7db21af3c5fd0fbeb3846eec9395d6799d337e154ec7e", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "it", "methods": [ { "html": "baai/bge-base-en-v1.5BAAI bge-base-en-v1.5 converte testo inglese in vettori a 768 dimensioni per attività di ricerca semantica e similarità. La sua finestra di input di 512 token e l’istruzione di recupero riservata alla query sono adatte a passaggi mirati in un indice documentale o di ricerca di conoscenze.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
bge-base-en-v1.5 è il modello inglese di embedding denso di dimensione base di BAAI. Converte ogni testo in una rappresentazione numerica a 768 dimensioni per il recupero di informazioni e il confronto semantico. Il modello appartiene alla linea BGE v1.5, che interviene sulla distribuzione dei punteggi di similarità della famiglia precedente e migliora il recupero quando non viene fornita un’istruzione. Il suo output è un vettore usato per confrontare testi o trovare passaggi pertinenti.
Per una query breve che cerca passaggi più lunghi, BAAI raccomanda di anteporre alla query «Represent this sentence for searching relevant passages:». I passaggi del corpus non ricevono quell’istruzione. Per altre attività, il testo originale può essere codificato direttamente. Il produttore osserva che v1.5 funziona anche senza istruzione, quindi la preparazione dovrebbe essere scelta in base all’attività anziché trattare il prefisso come l’unico input valido.
Una raccolta concreta di ricerca può contenere articoli di aiuto, spiegazioni di prodotto o istruzioni tecniche. Una query come «How do I change the export format?» dovrebbe recuperare il passaggio che descrive quell’azione. Mantieni insieme il titolo della sezione, le condizioni pertinenti e il testo effettivo della fonte. Memorizza l’identificatore e la posizione del passaggio insieme al suo vettore, affinché un risultato di ricerca possa restituire qualcosa che l’utente può leggere o che una successiva fase di risposta può citare.
La rappresentazione documentata usa lo stato nascosto finale del primo token, o token CLS, come embedding della frase. Gli esempi del produttore normalizzano il vettore e confrontano gli embedding normalizzati con un prodotto scalare, equivalente alla similarità del coseno. Le 768 dimensioni sono la dimensione della rappresentazione di output di questo modello; non sono una lunghezza di contesto selezionabile né un’allocazione per la generazione testuale.
Usa lo stesso modello e la stessa convenzione di preparazione per i vettori della query e del corpus confrontati. Un controllo pratico consiste nel recuperare passaggi noti per contenere la risposta a un piccolo insieme di domande reali degli utenti, quindi esaminare il testo restituito. Una forma vettoriale compatibile permette a un indice di memorizzare la rappresentazione, mentre il passaggio di origine stabilisce ciò che il risultato dice effettivamente.
La lunghezza di sequenza documentata del modello è di 512 token. Una fonte lunga dovrebbe quindi essere suddivisa in passaggi coerenti contenenti risposte prima della codifica. Mantieni definizioni ed eccezioni insieme all’affermazione che precisano e conserva il collegamento tra un passaggio e il documento principale. Il testo da codificare include qualsiasi istruzione o titolo aggiunto, quindi una preparazione compatta lascia più spazio al contenuto utile della fonte.
Per un rapporto o un manuale, scegli confini attorno a una sezione o a un piccolo gruppo di paragrafi correlati. Un passaggio che contiene solo un titolo o un frammento senza il suo soggetto può essere difficile da interpretare quando viene recuperato. Conserva il testo originale e una versione della fonte, affinché un aggiornamento dell’indice possa sostituire il materiale corrispondente quando il documento cambia.
BAAI avverte che i valori assoluti di similarità non sono soglie universali per decidere che due testi significano la stessa cosa. Conta l’ordinamento relativo, e una soglia di filtraggio dovrebbe essere scelta usando la distribuzione sui dati dell’attività stessa. Un’elevata similarità vettoriale è un segnale di recupero, anziché una verifica del contenuto fattuale del passaggio.
Il risultato utile è un indice di passaggi inglesi, un insieme di vettori di query o caratteristiche numeriche per il confronto semantico. Un reranker separato può affinare i candidati recuperati e una fase distinta di generazione può scrivere una risposta dal loro testo. Questo esatto modello base inglese v1.5 rimane distinto da BGE Large, dalle edizioni cinesi e dai profili multilingue e ibridi di recupero di BGE-M3.
POST /v1/embeddingstext, token_idsembedding| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti baai/bge-base-en-v1.5 | Predefinito— |
Campoinput | Tipostring|string[]|integer[]|integer[][] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 Condizioni: Batch omogeneo non vuoto. Gli ID dei token sono numeri interi non negativi. Budget di input: Massimo: 512 · Unità di testo: byte UTF8 · Unità di token: elementi dell’array di token | Predefinito— |
Campoencoding_format | Tipostring | RequisitoFacoltativo | Valori e limiti float | Predefinitofloat |
Campodimensions | Tipointeger | RequisitoNon supportato | Valori e limiti Minimo: 1 | Predefinito— |
Campouser | Tipojson_value | RequisitoFacoltativo | Valori e limiti Condizioni: La fonte consente questo campo di metadati JSON; la semantica esatta del fornitore a monte dipende dal modello. | Predefinito— |
Camposession_id | Tipojson_value | RequisitoFacoltativo | Valori e limiti Condizioni: La fonte consente questo campo di metadati JSON; la semantica esatta del fornitore a monte dipende dal modello. | Predefinito— |
Campotrace | Tipojson_value | RequisitoFacoltativo | Valori e limiti Condizioni: La fonte consente questo campo di metadati JSON; la semantica esatta del fornitore a monte dipende dal modello. | Predefinito— |
Campoprovider | Tipoobject | RequisitoFacoltativo | Valori e limiti Condizioni: provider.options rifiutato | Predefinito— |
text_to_embedding
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, input |
Parametroinput_shapes | Contrattostring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parametroencoding_format | Contrattofloat |
Parametrodimensions_override | Contrattofalse |
Parametromax_input_budget_units | Contratto512 |
Parametromultimodal_objects | Contrattofalse |
Parametromaterial_types | Contrattotext, token_ids |
Ciclo di vita: synchronous_json
Conserva l'indice e la dimensione di ogni vettore.
Il nome del modello multimodale non consente oggetti immagine su questo percorso specifico.
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
| Configurazione | Listino delle tariffe | Costo |
|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Costo Input · Token in input $0.00001 / 1K token Output · Token in output $0 / 1K token Input · Lettura dalla cache — / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${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
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva ogni vettore con il suo indice. Il numero di vettori deve coincidere con il numero di input; le dimensioni devono essere coerenti.
Non viene introdotto alcun endpoint per i job di embedding.
| Campo | Tipo |
|---|---|
Campoobject | Tipostring |
Campomodel | Tipostring |
Campodata[].index | Tipointeger |
Campodata[].embedding | Tipofinite float[] |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra baai/bge-base-en-v1.5
Usa i percorsi dei metodi indicati sopra.