BAAI: bge-base-en-v1.5

BAAI bge-base-en-v1.5 menukarkan teks bahasa Inggeris kepada vektor 768 dimensi untuk carian semantik dan tugas keserupaan. Tetingkap input 512 token dan arahan pemerolehan semula khusus pertanyaan sesuai untuk petikan terfokus dalam indeks dokumen atau carian pengetahuan.

Ailoot Ultra · Pembenaman POST /v1/embeddings baai/bge-base-en-v1.5

Tentang model

Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.

bge-base-en-v1.5 ialah model embedding padat bahasa Inggeris bersaiz base BAAI. Ia menukarkan setiap teks kepada perwakilan berangka 768 dimensi untuk pemerolehan semula dan perbandingan semantik. Model ini tergolong dalam siri BGE v1.5 yang menangani taburan skor keserupaan keluarga terdahulu dan meningkatkan pemerolehan semula apabila tiada arahan diberikan. Outputnya ialah vektor yang digunakan untuk membandingkan teks atau mencari petikan relevan.

Sediakan pertanyaan dan petikan

Untuk pertanyaan pendek yang mencari petikan lebih panjang, BAAI mengesyorkan awalan “Represent this sentence for searching relevant passages:” pada pertanyaan. Petikan korpus tidak menerima arahan itu. Untuk tugas lain, teks asal boleh terus dihasilkan embeddingnya. Pembuat menyatakan bahawa v1.5 juga berfungsi tanpa arahan, maka penyediaan perlu dipilih berdasarkan tugas dan jangan menganggap awalan sebagai satu-satunya input sah.

Koleksi carian praktikal boleh mengandungi artikel bantuan, penerangan produk atau arahan teknikal. Pertanyaan seperti “How do I change the export format?” patut mendapatkan petikan yang menerangkan tindakan itu. Simpan tajuk bahagian, syarat berkaitan dan teks sumber sebenar bersama-sama. Simpan pengecam serta lokasi petikan di sisi vektornya supaya hasil carian dapat mengembalikan sesuatu yang boleh dibaca pengguna atau dipetik oleh peringkat jawapan kemudian.

Format vektor dan perbandingan

Perwakilan yang didokumenkan menggunakan keadaan tersembunyi akhir token pertama, atau CLS, sebagai embedding ayat. Contoh pengeluar menormalkan vektor dan membandingkan embedding ternormal dengan hasil darab titik, bersamaan keserupaan kosinus. Sebanyak 768 dimensi ialah saiz perwakilan output model ini; ia bukan panjang konteks yang boleh dipilih atau peruntukan penjanaan teks.

Gunakan model dan konvensyen penyediaan yang sama untuk vektor pertanyaan dan korpus yang dibandingkan. Semakan praktikal ialah mendapatkan petikan yang diketahui mengandungi jawapan untuk set kecil soalan pengguna sebenar, kemudian memeriksa teks yang dikembalikan. Bentuk vektor serasi membolehkan indeks menyimpan perwakilan, manakala petikan sumber menentukan kandungan sebenar hasil.

Panjang input dan penyediaan dokumen

Panjang jujukan model yang didokumenkan ialah 512 token. Oleh itu, sumber panjang perlu dibahagikan kepada petikan koheren yang mengandungi jawapan sebelum dihasilkan embeddingnya. Simpan takrif dan pengecualian bersama pernyataan yang diperincikannya dan kekalkan pautan petikan kepada dokumen induk. Teks yang akan dihasilkan embeddingnya merangkumi sebarang arahan atau tajuk yang ditambah, maka penyediaan ringkas meninggalkan lebih banyak ruang untuk kandungan sumber berguna.

Untuk laporan atau manual, pilih sempadan berdasarkan bahagian atau kumpulan kecil perenggan berkaitan. Petikan yang hanya mengandungi tajuk atau fragmen tanpa subjeknya mungkin sukar ditafsirkan apabila diperoleh semula. Kekalkan teks asal dan versi sumber supaya kemas kini indeks dapat menggantikan bahan sepadan apabila dokumen berubah.

Skor dan output yang berguna

BAAI mengingatkan bahawa nilai keserupaan mutlak bukan ambang sejagat untuk memutuskan bahawa dua teks membawa makna yang sama. Kedudukan relatif penting dan ambang penapisan perlu dipilih menggunakan taburan data tugas itu sendiri. Keserupaan vektor tinggi ialah isyarat pemerolehan semula, bukannya pengesahan kandungan fakta petikan.

Hasil berguna ialah indeks petikan bahasa Inggeris, set vektor pertanyaan atau ciri berangka untuk perbandingan semantik. Penyusun semula kedudukan berasingan boleh memperhalus calon yang diperoleh semula dan peringkat penjanaan berasingan boleh menulis jawapan berdasarkan teksnya. Model base bahasa Inggeris v1.5 tepat ini kekal berbeza daripada BGE Large, edisi bahasa Cina serta profil pemerolehan semula berbilang bahasa dan hibrid BGE-M3.

Ailoot Ultra · Pembenaman POST /v1/embeddings baai/bge-base-en-v1.5

baai/bge-base-en-v1.5

BAAI /baai/bge-base-en-v1.5

Pengenalan

Input yang diterima: Teks · token_ids
Hasil: embedding

Tersedia di Ailoot · input & kaedah

Ailoot Ultra · Pembenaman POST /v1/embeddings

Input: text, token_ids
Output: embedding
Format output: json

Medan	Jenis	Keperluan	Nilai & had	Lalai
Medan`model`	Jenis`string`	KeperluanDiperlukan	Nilai & had baai/bge-base-en-v1.5	Lalai—
Medan`input`	Jenis`string\|string[]\|integer[]\|integer[][]`	KeperluanDiperlukan	Nilai & had Item minimum: 1 Syarat: Kelompok homogen yang tidak kosong. ID token ialah integer bukan negatif. Bajet input: Maksimum: 512 · Unit teks: bait UTF8 · Unit token: elemen tatasusunan token	Lalai—
Medan`encoding_format`	Jenis`string`	KeperluanPilihan	Nilai & had float	Lalaifloat
Medan`dimensions`	Jenis`integer`	KeperluanTidak disokong	Nilai & had Minimum: 1	Lalai—
Medan`user`	Jenis`json_value`	KeperluanPilihan	Nilai & had Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.	Lalai—
Medan`session_id`	Jenis`json_value`	KeperluanPilihan	Nilai & had Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.	Lalai—
Medan`trace`	Jenis`json_value`	KeperluanPilihan	Nilai & had Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.	Lalai—
Medan`provider`	Jenis`object`	KeperluanPilihan	Nilai & had Syarat: provider.options ditolak	Lalai—

Gabungan bahan input

text_to_embedding

Parameter kaedah dan kitar hayat

Parameter	Kontrak
Parameter`content_type`	Kontrakapplication/json
Parameter`required`	Kontrakmodel, input
Parameter`input_shapes`	Kontrakstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[]
Parameter`encoding_format`	Kontrakfloat
Parameter`dimensions_override`	Kontrakfalse
Parameter`max_input_budget_units`	Kontrak512
Parameter`multimodal_objects`	Kontrakfalse
Parameter`material_types`	Kontraktext, token_ids

Kitar hayat: synchronous_json

Simpan setiap indeks dan dimensi vektor.

Nama model multimodal tidak bermakna objek imej dibenarkan pada laluan khusus ini.

Pelan harga

Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.

Mod pantas: Tidak dinyatakan Apabila mod pantas dipilih
Mod flex: Tidak dinyatakan Apabila mod flex dipilih
Usaha penaakulan maksimum: Tidak dinyatakan Apabila usaha penaakulan maksimum menggunakan pelarasan default

Kadar Ailoot

Harga mengikut konfigurasi

Konfigurasi	Jadual kadar	Caj
KonfigurasiKadar asas token	Jadual kadarKadar asas	Caj Input · Token input $0.00001 / 1K token Output · Token output $0 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token

Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →

Contoh permintaan

Ailoot Ultra · Pembenaman

curlPython SDK

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-base-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

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-base-en-v1.5',input=["First document","Second document"])
print(result)
for item in result.data:print(item.index,item.embedding)

Terima dan simpan hasil

Ailoot Ultra · Pembenaman

json

Simpan semua hasil yang selesai

Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.

Simpan setiap vektor bersama indeksnya. Bilangan vektor mesti sama dengan bilangan input; dimensi mesti konsisten.

Jika respons asal perlu disemak

Tiada titik akhir tugas pembenaman diperkenalkan.

Medan respons

Medan	Jenis
Medan`object`	Jenisstring
Medan`model`	Jenisstring
Medan`data[].index`	Jenisinteger
Medan`data[].embedding`	Jenisfinite float[]
Medan`usage`	Jenisobject

Ralat dan langkah seterusnya

Respons	Syarat	Langkah seterusnya
Respons400 · `invalid_request_error`	SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah	Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu.

Alias

Alias model

Ailoot Ultra baai/bge-base-en-v1.5

Alias laluan kaedah

Gunakan laluan kaedah yang dipaparkan di atas.

ID pemanggil berkaitan

baai/bge-base-en-v1.5

FAQ · BAAI: bge-base-en-v1.5

Apakah input dan hasil yang tersedia?: POST /v1/embeddings · baai/bge-base-en-v1.5: text, token_ids → embedding
Apakah medan yang digunakan oleh permintaan?: POST /v1/embeddings · baai/bge-base-en-v1.5: model, input, encoding_format, provider
Apakah had yang terpakai?: POST /v1/embeddings · baai/bge-base-en-v1.5: input.budget.maximum: 512 (bait UTF8); input.min_items: 1

BAAI: bge-base-en-v1.5