BAAI: bge-large-en-v1.5
BAAI bge-large-en-v1.5 menghasilkan vektor teks bahasa Inggeris 1024 dimensi untuk pemerolehan semula dan perbandingan semantik. Penyediaan v1.5 menyokong arahan pertanyaan pilihan, dengan panjang jujukan 512 token yang didokumenkan.
Tentang model
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
bge-large-en-v1.5 ialah edisi pembenaman padat bahasa Inggeris bersaiz Large daripada BAAI. Model ini memetakan teks kepada vektor 1024 dimensi untuk carian petikan dan perbandingan semantik. Versi 1.5 ialah kemas kini pengeluar yang menyasarkan taburan keserupaan yang lebih berguna dan carian yang lebih baik tanpa arahan. Large kekal sebagai titik semak yang berbeza daripada Base, Small, edisi bahasa Cina dan model berbilang bahasa BGE-M3.
Sediakan carian petikan
Untuk pertanyaan carian ringkas terhadap dokumen lebih panjang, pengeluar mengesyorkan arahan pertanyaan “Represent this sentence for searching relevant passages:”. Tambahkannya pada bahagian pertanyaan; petikan korpus mengekalkan teks sumbernya sendiri tanpa arahan tersebut. Dalam penggunaan lain, teks langsung memadai. BAAI turut mendokumentasikan carian tanpa awalan dalam v1.5 dan mengesyorkan persediaan yang paling berkesan untuk tugas sebenar.
Koleksi pengetahuan praktikal boleh mengindeks bahagian manual teknikal bahasa Inggeris. Soalan tentang tetapan yang mengubah format output sepatutnya memulangkan bahagian yang menjelaskan tetapan itu dan syaratnya. Simpan tajuk, penjelasan berkaitan dan lokasi sumber bersama setiap petikan. Model menyediakan perwakilan berangka; teks sumber yang dipulangkan ialah bahan yang digunakan pembaca atau peringkat RAG kemudian.
Perwakilan dan pemadanan
Contoh pengekodan langsung pengeluar menggunakan keadaan tersembunyi terakhir token CLS pertama sebagai pembenaman terkumpul, kemudian menormalkan vektor. Membandingkan vektor yang dinormalkan dengan hasil darab titik memberikan keserupaan kosinus. Oleh itu, setiap petikan boleh disediakan sekali dan disimpan untuk perbandingan dengan vektor pertanyaan masuk, manakala bahan sumber yang berubah menerima perwakilan yang dikemas kini.
Sebanyak 1024 dimensi menentukan panjang vektor output. Ini berbeza daripada perwakilan Base 768 dimensi dan tidak membuktikan ruang bersama yang serasi dengan titik semak lain. Kekalkan model dan kaedah persediaan bersama indeks yang disimpan. Perubahan edisi pembenaman memerlukan semakan perwakilan korpus dan pertanyaan bersama-sama.
Muatkan sumber dalam tetingkap
Panjang jujukan yang didokumentasikan ialah 512 token. Sediakan manual panjang sebagai bahagian yang koheren, bukannya satu input yang terlalu besar. Kekalkan syarat atau pengecualian bersebelahan dengan peraturan yang diperincikannya, dan sertakan konteks yang mencukupi supaya bahagian yang diperoleh dapat difahami secara tersendiri. Arahan pertanyaan tambahan turut menggunakan token input, jadi tetingkap model meliputi keseluruhan input yang disediakan.
Sempadan petikan yang berguna boleh mengandungi tajuk dan perenggan yang menjawab satu soalan pengguna. Simpan pengecam serta versi dokumen induk di luar vektor supaya hasil dapat dijejaki kepada sumber yang betul. Untuk tugas perbandingan, gunakan teks sebenar yang hendak dibandingkan, bukannya ringkasan tidak berkaitan yang membuang perbezaan yang perlu ditemui.
Tafsirkan skor
Pengeluar memberi amaran supaya keserupaan mutlak tidak dianggap sebagai peraturan universal untuk kesetaraan semantik. Susunan skor relatif penting dalam carian, dan ambang perlu ditentukur pada taburan teks tugas itu sendiri. Semak petikan calon untuk soalan dengan jawapan yang diketahui dan soalan yang jawapannya tiada. Ini menunjukkan sama ada bahagian yang dipulangkan memberikan maklumat yang diperlukan, bukannya sekadar menyerupai topiknya.
bge-large-en-v1.5 membekalkan vektor padat bahasa Inggeris. Pemeringkat semula berasingan boleh memperhalus susunan calon, dan model bahasa berasingan boleh membentuk jawapan daripada petikan yang dipilih. Output berguna daripada edisi ini ialah perwakilan boleh dicari yang terikat pada teks sumbernya, dengan pilihan model Large v1.5 yang tepat dan persediaan input dikekalkan.
Ailoot Ultra · Pembenaman POST /v1/embeddings baai/bge-large-en-v1.5
baai/bge-large-en-v1.5Pengenalan
BAAI bge-large-en-v1.5 menghasilkan vektor teks bahasa Inggeris 1024 dimensi untuk pemerolehan semula dan perbandingan semantik. Penyediaan v1.5 menyokong arahan pertanyaan pilihan, dengan panjang jujukan 512 token yang didokumenkan.
- 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 |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had baai/bge-large-en-v1.5 | Lalai— |
Medaninput | Jenisstring|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— |
Medanencoding_format | Jenisstring | KeperluanPilihan | Nilai & had float | Lalaifloat |
Medandimensions | Jenisinteger | KeperluanTidak disokong | Nilai & had Minimum: 1 | Lalai— |
Medanuser | Jenisjson_value | KeperluanPilihan | Nilai & had Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model. | Lalai— |
Medansession_id | Jenisjson_value | KeperluanPilihan | Nilai & had Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model. | Lalai— |
Medantrace | Jenisjson_value | KeperluanPilihan | Nilai & had Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model. | Lalai— |
Medanprovider | Jenisobject | KeperluanPilihan | Nilai & had Syarat: provider.options ditolak | Lalai— |
Gabungan bahan input
text_to_embedding
Parameter kaedah dan kitar hayat
| 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 |
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 $0.00002 / 1K token Output · Token output $0 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
Contoh permintaan
Ailoot Ultra · Pembenaman
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "baai/bge-large-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-large-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 |
|---|---|
Medanobject | Jenisstring |
Medanmodel | Jenisstring |
Medandata[].index | Jenisinteger |
Medandata[].embedding | Jenisfinite float[] |
Medanusage | 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-large-en-v1.5
Alias laluan kaedah
Gunakan laluan kaedah yang dipaparkan di atas.
ID pemanggil berkaitan
FAQ · BAAI: bge-large-en-v1.5
- Apakah input dan hasil yang tersedia?
POST /v1/embeddings·baai/bge-large-en-v1.5:text,token_ids→embedding- Apakah medan yang digunakan oleh permintaan?
POST /v1/embeddings·baai/bge-large-en-v1.5:model,input,encoding_format,provider- Apakah had yang terpakai?
POST /v1/embeddings·baai/bge-large-en-v1.5:input.budget.maximum:512(bait UTF8);input.min_items:1