{ "aboutHtml": "

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.

", "aboutText": "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.\n\n### Sediakan carian petikan\n\nUntuk 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.\n\nKoleksi 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.\n\n### Perwakilan dan pemadanan\n\nContoh 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.\n\nSebanyak 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.\n\n### Muatkan sumber dalam tetingkap\n\nPanjang 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.\n\nSempadan 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.\n\n### Tafsirkan skor\n\nPengeluar 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.\n\nbge-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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "d6f72aa5281989c16096d24d0732508b5bd59b790cfa618a11c9eb1a157a8e8f", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "ms", "methods": [ { "html": "
•

BAAI: bge-large-en-v1.5

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

Pengenalan

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
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.

Tersedia di Ailoot · input & kaedah

Ailoot Ultra · Pembenaman POST /v1/embeddings
Input
text, token_ids
Output
embedding
Format output
json
MedanJenisKeperluanNilai & hadLalai
MedanmodelJenisstringKeperluanDiperlukanNilai & had
baai/bge-large-en-v1.5
Lalai—
MedaninputJenisstring|string[]|integer[]|integer[][]KeperluanDiperlukanNilai & 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_formatJenisstringKeperluanPilihanNilai & had
float
Lalaifloat
MedandimensionsJenisintegerKeperluanTidak disokongNilai & had
Minimum: 1
Lalai—
MedanuserJenisjson_valueKeperluanPilihanNilai & had
Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.
Lalai—
Medansession_idJenisjson_valueKeperluanPilihanNilai & had
Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.
Lalai—
MedantraceJenisjson_valueKeperluanPilihanNilai & had
Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.
Lalai—
MedanproviderJenisobjectKeperluanPilihanNilai & had
Syarat: provider.options ditolak
Lalai—
Gabungan bahan input

text_to_embedding

Parameter kaedah dan kitar hayat
ParameterKontrak
Parametercontent_typeKontrakapplication/json
ParameterrequiredKontrakmodel, input
Parameterinput_shapesKontrakstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[]
Parameterencoding_formatKontrakfloat
Parameterdimensions_overrideKontrakfalse
Parametermax_input_budget_unitsKontrak512
Parametermultimodal_objectsKontrakfalse
Parametermaterial_typesKontraktext, 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

KonfigurasiJadual kadarCaj
KonfigurasiKadar asas tokenJadual kadarKadar asasCaj
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\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\n

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
MedanJenis
MedanobjectJenisstring
MedanmodelJenisstring
Medandata[].indexJenisinteger
Medandata[].embeddingJenisfinite float[]
MedanusageJenisobject
Ralat dan langkah seterusnya
ResponsSyaratLangkah seterusnya
Respons400 · invalid_request_errorSyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sahLangkah 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

baai/bge-large-en-v1.5

", "method_identity": { "effective_request_model_id": "baai/bge-large-en-v1.5", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "baai/bge-large-en-v1.5", "route_label": "Ultra" }, "method_key": "Ultra|embeddings|/v1/embeddings|baai%2Fbge-large-en-v1.5", "ordinal": 0, "rawMethod": { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Keep every vector with its index. Vector count must equal input count; dimensions must be consistent.", "errors": [ { "code": null, "condition": "Medan wajib, perwakilan bahan atau nilai parameter tidak sah", "http_status": 400, "recovery": "Betulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Tiada titik akhir tugas pembenaman diperkenalkan." }, "material_combinations": [ { "alternatives": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Simpan setiap vektor bersama indeksnya. Bilangan vektor mesti sama dengan bilangan input; dimensi mesti konsisten.", "default_dimensions": null, "family": "embedding", "fields": [ { "description": null, "name": "object", "type": "string" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "data[].index", "type": "integer" }, { "description": null, "name": "data[].embedding", "type": "finite float[]" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "baai/bge-large-en-v1.5" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "budget": { "maximum": 512, "text_unit": "bait UTF8", "token_unit": "elemen tatasusunan token" }, "conditions": "Kelompok homogen yang tidak kosong. ID token ialah integer bukan negatif.", "default": null, "default_known": false, "enum": null, "enum_known": false, "min_items": 1, "name": "input", "required": true, "type": "string|string[]|integer[]|integer[][]" }, { "availability": "source_interface", "default": "float", "default_known": true, "enum": [ "float" ], "enum_known": true, "name": "encoding_format", "required": false, "type": "string" }, { "availability": "unsupported", "default": null, "default_known": false, "enum": null, "enum_known": false, "minimum": 1, "name": "dimensions", "required": false, "type": "integer" }, { "availability": "pass_through_metadata", "conditions": "Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "session_id", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "trace", "required": false, "type": "json_value" }, { "availability": "source_interface", "conditions": "provider.options ditolak", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "provider", "required": false, "type": "object" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "mixed input kinds", "empty input", "image/audio/file objects", "encoding_format=base64", "dimensions override" ] }, "hints": [ "Simpan setiap indeks dan dimensi vektor.", "Nama model multimodal tidak bermakna objek imej dibenarkan pada laluan khusus ini." ], "input": { "content_type": "application/json", "dimensions_override": false, "encoding_format": [ "float" ], "input_shapes": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "material_types": [ "text", "token_ids" ], "max_input_budget_units": 512, "multimodal_objects": false, "required": [ "model", "input" ] }, "lifecycle": { "mode": "synchronous_json", "unknown": "no embedding job endpoint inferred" }, "manufacturer_capability": null, "method": { "http": "POST", "path": "/v1/embeddings" }, "method_aliases": [], "operation_modes": [ "text_to_embedding" ], "output": { "default_dimensions": null, "family": "embedding", "format": "json", "http_success": 200, "vectors": "one dense float vector per input; indices/model/usage validated" } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Kadar asas token", "units": [ { "amount": "0.00002000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000002", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "examples": [ { "code": "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\n", "label": "curl · retained exact creation", "language": "bash" }, { "code": "from 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)\n", "label": "Python SDK · all vectors", "language": "python" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "embeddings", "hints": [ "Keep every vector index and dimension.", "Multimodal model name does not admit image objects on this exact path." ], "http": "POST", "in": 0.02, "input": [ "text", "token_ids" ], "label": "Эмбеддинги", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "token", "image_input_price": null, "image_output_price": null, "per_request_price": null }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": "0.00002000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000002", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "request_model_id": "baai/bge-large-en-v1.5", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00002000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000002", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } } ], "model_id": "baai/bge-large-en-v1.5", "nativeProvenance": { "input_facts_canonical_sha256": "bd28cee1bda3cf5cee96c594c7f1d0cd327a3b6c1c60ae4d4fd764fab7f12d23", "input_html_sha256": "c3305d957a31b3e2c1c368c7c9527dad2b1f38736dd6c3947b4cd6bcb232af20", "private_audit_sha256": "6be5d37c0941cfe2a6c27f839ad880ab4d5d45a621832ac8cc05629141dee1f9", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/ms/baai-bge-large-en-v1-5/", "description": "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.", "locale": "ms", "md_url": "https://ailoot.ai/models/ms/baai-bge-large-en-v1-5/index.md", "title": "BAAI: bge-large-en-v1.5 — Ailoot", "url": "https://ailoot.ai/models/ms/baai-bge-large-en-v1-5/" }, "rawModel": { "about": "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.\n\n### Sediakan carian petikan\n\nUntuk 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.\n\nKoleksi 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.\n\n### Perwakilan dan pemadanan\n\nContoh 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.\n\nSebanyak 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.\n\n### Muatkan sumber dalam tetingkap\n\nPanjang 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.\n\nSempadan 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.\n\n### Tafsirkan skor\n\nPengeluar 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.\n\nbge-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.", "alias_of": null, "aliases": [], "author": "BAAI", "available": null, "canonical_model": "baai/bge-large-en-v1.5", "capabilities": { "context_length": 512, "manufacturer_input": [ "text" ], "manufacturer_output": [ "embeddings" ] }, "card_routes": [ { "label": "Ultra", "rates": [ { "amount": "0.00002000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000002", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" } ], "summary": "Maklumat lengkap tentang harga konfigurasi terdapat dalam butiran." } ], "ctx": null, "entity_type": "model", "formats": [ "embeddings" ], "id": "baai/bge-large-en-v1.5", "input": [ "text", "token_ids" ], "kind": "embedding", "max_out": null, "methods": [ { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Keep every vector with its index. Vector count must equal input count; dimensions must be consistent.", "errors": [ { "code": null, "condition": "Medan wajib, perwakilan bahan atau nilai parameter tidak sah", "http_status": 400, "recovery": "Betulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Tiada titik akhir tugas pembenaman diperkenalkan." }, "material_combinations": [ { "alternatives": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Simpan setiap vektor bersama indeksnya. Bilangan vektor mesti sama dengan bilangan input; dimensi mesti konsisten.", "default_dimensions": null, "family": "embedding", "fields": [ { "description": null, "name": "object", "type": "string" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "data[].index", "type": "integer" }, { "description": null, "name": "data[].embedding", "type": "finite float[]" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "baai/bge-large-en-v1.5" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "budget": { "maximum": 512, "text_unit": "bait UTF8", "token_unit": "elemen tatasusunan token" }, "conditions": "Kelompok homogen yang tidak kosong. ID token ialah integer bukan negatif.", "default": null, "default_known": false, "enum": null, "enum_known": false, "min_items": 1, "name": "input", "required": true, "type": "string|string[]|integer[]|integer[][]" }, { "availability": "source_interface", "default": "float", "default_known": true, "enum": [ "float" ], "enum_known": true, "name": "encoding_format", "required": false, "type": "string" }, { "availability": "unsupported", "default": null, "default_known": false, "enum": null, "enum_known": false, "minimum": 1, "name": "dimensions", "required": false, "type": "integer" }, { "availability": "pass_through_metadata", "conditions": "Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "session_id", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "trace", "required": false, "type": "json_value" }, { "availability": "source_interface", "conditions": "provider.options ditolak", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "provider", "required": false, "type": "object" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "mixed input kinds", "empty input", "image/audio/file objects", "encoding_format=base64", "dimensions override" ] }, "hints": [ "Simpan setiap indeks dan dimensi vektor.", "Nama model multimodal tidak bermakna objek imej dibenarkan pada laluan khusus ini." ], "input": { "content_type": "application/json", "dimensions_override": false, "encoding_format": [ "float" ], "input_shapes": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "material_types": [ "text", "token_ids" ], "max_input_budget_units": 512, "multimodal_objects": false, "required": [ "model", "input" ] }, "lifecycle": { "mode": "synchronous_json", "unknown": "no embedding job endpoint inferred" }, "manufacturer_capability": null, "method": { "http": "POST", "path": "/v1/embeddings" }, "method_aliases": [], "operation_modes": [ "text_to_embedding" ], "output": { "default_dimensions": null, "family": "embedding", "format": "json", "http_success": 200, "vectors": "one dense float vector per input; indices/model/usage validated" } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Kadar asas token", "units": [ { "amount": "0.00002000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000002", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "examples": [ { "code": "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\n", "label": "curl · retained exact creation", "language": "bash" }, { "code": "from 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)\n", "label": "Python SDK · all vectors", "language": "python" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "embeddings", "hints": [ "Keep every vector index and dimension.", "Multimodal model name does not admit image objects on this exact path." ], "http": "POST", "in": 0.02, "input": [ "text", "token_ids" ], "label": "Эмбеддинги", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "token", "image_input_price": null, "image_output_price": null, "per_request_price": null }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": "0.00002000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000002", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "request_model_id": "baai/bge-large-en-v1.5", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00002000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000002", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "model_aliases": [ { "canonical_model_id": "baai/bge-large-en-v1.5", "request_model_id": "baai/bge-large-en-v1.5", "route_label": "Ultra" } ], "name": "BAAI: bge-large-en-v1.5", "price": { "in": 0.02, "in_label": null, "out": 0, "out_label": null, "scope_label": "Token rates", "sort_in": 0.02, "sort_out": 0, "varies": false }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Эмбеддинги · Base token rates", "units": [ { "amount": "0.00002000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000002", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "public_id": "baai/bge-large-en-v1.5", "short": "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." }, "renderer_schema": { "method_order": "Original DTO methods order; every exact route/format/path/caller survives.", "prices": "Original public DTO fields and original native display HTML; no flattened or normalized offers." }, "representation": "exact-public-dto-and-native-renderer-html", "representationNotes": { "current_reference": { "about_json_pointer": "/aboutHtml", "methods": [ { "contract_json_pointer": "/methods/0/rawMethod/contract", "html_json_pointer": "/methods/0/html", "method_ordinal": 0 } ], "role": "current-semantic-reference" }, "raw_input": { "examples_role": "historical-input-not-current-ready-examples", "json_pointers": [ "/rawModel", "/methods/0/rawMethod" ], "role": "historical-owner-input" }, "schema": "ailoot-native-model-representations-v1" }, "schema": "ailoot-static-model-facts-v1", "schema_version": 1, "shortText": "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.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "3556676550cf93b76079cf29c12b34bb3f87e46d2bf9aa5489e3885db5129d34", "renderer_sha256": "1dab5ba62521e9568c8b7c82005622cabbf330a075df7cce1f83274a04009460" }, "sourceRevision": "c9f3f7a2862a40b5015d8f07343da331d632839213ecdc698c8a97965083fc4c" }