bge-large-en-v1.5 er BAAIs store engelske utgave for tette embeddingvektorer. Den avbilder en tekst som en 1024-dimensjonal vektor for gjenfinning av tekstutdrag og semantisk sammenligning. Versjon 1.5 er produsentens oppdatering rettet mot en mer nyttig likhetsfordeling og bedre gjenfinning uten instruks. Large er fortsatt et eget sjekkpunkt, adskilt fra Base, Small, de kinesiske utgavene og den flerspråklige BGE-M3-modellen.
For en kort søkespørring mot lengre dokumenter anbefaler produsenten spørringsinstruksen «Represent this sentence for searching relevant passages:». Legg den til på spørringssiden; tekstutdragene i korpuset beholder sin egen kildetekst uten denne instruksen. Ved andre bruksområder er direkte tekst tilstrekkelig. BAAI dokumenterer også gjenfinning uten prefikset i v1.5 og anbefaler å velge forberedelsen som virker best på den faktiske oppgaven.
En praktisk kunnskapssamling kan indeksere delene av en engelsk teknisk håndbok. Et spørsmål om hvilken innstilling som endrer utdataformatet, bør returnere delen som forklarer denne innstillingen og vilkårene. Behold overskrift, relevant forklaring og kildeplassering sammen med hvert utdrag. Modellen gir den numeriske representasjonen; den returnerte kildeteksten er det en leser eller et senere RAG-trinn bruker.
Produsentens direkte kodingseksempel bruker den siste skjulte tilstanden til det første CLS-tokenet som samlet embedding og normaliserer deretter vektoren. Sammenligning av normaliserte vektorer med et skalarprodukt gir cosinuslikhet. Hvert tekstutdrag kan derfor forberedes én gang og lagres for sammenligning med innkommende spørringsvektorer, mens endret kildemateriale får en oppdatert representasjon.
De 1024 dimensjonene angir lengden på utdatavektoren. De skiller seg fra Bases 768-dimensjonale representasjon og etablerer ikke et kompatibelt felles rom med et annet sjekkpunkt. Hold modellvalget og forberedelseskonvensjonen knyttet til den lagrede indeksen. En endring i embeddingutgaven krever at korpus- og spørringsrepresentasjonene kontrolleres sammen.
Den dokumenterte sekvenslengden er 512 tokener. Forbered en lang håndbok som sammenhengende deler i stedet for én for stor inngang. Hold et vilkår eller unntak ved siden av regelen det presiserer, og ta med nok kontekst til at en gjenfunnet del gir mening på egen hånd. En ekstra spørringsinstruks bruker også inngående tokener, så modellvinduet gjelder hele den forberedte inngangen.
En nyttig grense for tekstutdrag kan inkludere en overskrift og avsnittene som besvarer ett brukerspørsmål. Bevar identifikatoren og versjonen til hoveddokumentet utenfor vektoren, slik at et resultat fortsatt kan spores til riktig kilde. For en sammenligningsoppgave bruker du de faktiske tekstene som skal sammenlignes, i stedet for å erstatte dem med uvedkommende sammendrag som fjerner forskjellen du trenger å finne.
Produsenten advarer mot å behandle absolutt likhet som en universell regel for semantisk ekvivalens. Relativ rekkefølge etter poengsum er sentral for gjenfinning, og en terskel bør kalibreres på tekstfordelingen i selve oppgaven. Vurder kandidatpassasjer for spørsmål med kjente svar og for spørsmål der svaret ikke finnes. Dette viser om en returnert del gir den påkrevde informasjonen i stedet for bare å ligne på temaet.
bge-large-en-v1.5 gir engelske, tette vektorer. En separat omrangerer kan finjustere kandidatrekkefølgen, og en separat språkmodell kan utforme et svar fra de valgte utdragene. Den nyttige leveransen fra denne utgaven er en søkbar representasjon knyttet til kildeteksten, med det nøyaktige modellvalget Large v1.5 og inndataforberedelsen beholdt.
", "aboutText": "bge-large-en-v1.5 er BAAIs store engelske utgave for tette embeddingvektorer. Den avbilder en tekst som en 1024-dimensjonal vektor for gjenfinning av tekstutdrag og semantisk sammenligning. Versjon 1.5 er produsentens oppdatering rettet mot en mer nyttig likhetsfordeling og bedre gjenfinning uten instruks. Large er fortsatt et eget sjekkpunkt, adskilt fra Base, Small, de kinesiske utgavene og den flerspråklige BGE-M3-modellen.\n\n### Sett opp gjenfinning av tekstutdrag\n\nFor en kort søkespørring mot lengre dokumenter anbefaler produsenten spørringsinstruksen «Represent this sentence for searching relevant passages:». Legg den til på spørringssiden; tekstutdragene i korpuset beholder sin egen kildetekst uten denne instruksen. Ved andre bruksområder er direkte tekst tilstrekkelig. BAAI dokumenterer også gjenfinning uten prefikset i v1.5 og anbefaler å velge forberedelsen som virker best på den faktiske oppgaven.\n\nEn praktisk kunnskapssamling kan indeksere delene av en engelsk teknisk håndbok. Et spørsmål om hvilken innstilling som endrer utdataformatet, bør returnere delen som forklarer denne innstillingen og vilkårene. Behold overskrift, relevant forklaring og kildeplassering sammen med hvert utdrag. Modellen gir den numeriske representasjonen; den returnerte kildeteksten er det en leser eller et senere RAG-trinn bruker.\n\n### Representasjon og samsvar\n\nProdusentens direkte kodingseksempel bruker den siste skjulte tilstanden til det første CLS-tokenet som samlet embedding og normaliserer deretter vektoren. Sammenligning av normaliserte vektorer med et skalarprodukt gir cosinuslikhet. Hvert tekstutdrag kan derfor forberedes én gang og lagres for sammenligning med innkommende spørringsvektorer, mens endret kildemateriale får en oppdatert representasjon.\n\nDe 1024 dimensjonene angir lengden på utdatavektoren. De skiller seg fra Bases 768-dimensjonale representasjon og etablerer ikke et kompatibelt felles rom med et annet sjekkpunkt. Hold modellvalget og forberedelseskonvensjonen knyttet til den lagrede indeksen. En endring i embeddingutgaven krever at korpus- og spørringsrepresentasjonene kontrolleres sammen.\n\n### Tilpass kilden til vinduet\n\nDen dokumenterte sekvenslengden er 512 tokener. Forbered en lang håndbok som sammenhengende deler i stedet for én for stor inngang. Hold et vilkår eller unntak ved siden av regelen det presiserer, og ta med nok kontekst til at en gjenfunnet del gir mening på egen hånd. En ekstra spørringsinstruks bruker også inngående tokener, så modellvinduet gjelder hele den forberedte inngangen.\n\nEn nyttig grense for tekstutdrag kan inkludere en overskrift og avsnittene som besvarer ett brukerspørsmål. Bevar identifikatoren og versjonen til hoveddokumentet utenfor vektoren, slik at et resultat fortsatt kan spores til riktig kilde. For en sammenligningsoppgave bruker du de faktiske tekstene som skal sammenlignes, i stedet for å erstatte dem med uvedkommende sammendrag som fjerner forskjellen du trenger å finne.\n\n### Tolk poengsummen\n\nProdusenten advarer mot å behandle absolutt likhet som en universell regel for semantisk ekvivalens. Relativ rekkefølge etter poengsum er sentral for gjenfinning, og en terskel bør kalibreres på tekstfordelingen i selve oppgaven. Vurder kandidatpassasjer for spørsmål med kjente svar og for spørsmål der svaret ikke finnes. Dette viser om en returnert del gir den påkrevde informasjonen i stedet for bare å ligne på temaet.\n\nbge-large-en-v1.5 gir engelske, tette vektorer. En separat omrangerer kan finjustere kandidatrekkefølgen, og en separat språkmodell kan utforme et svar fra de valgte utdragene. Den nyttige leveransen fra denne utgaven er en søkbar representasjon knyttet til kildeteksten, med det nøyaktige modellvalget Large v1.5 og inndataforberedelsen beholdt.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "d94e4daca70c60574054e772a102aef59ea94e6c88021456c32e8245a8bfc2ef", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nb", "methods": [ { "html": "baai/bge-large-en-v1.5BAAI bge-large-en-v1.5 produserer 1024-dimensjonale engelske tekstvektorer for gjenfinning og semantisk sammenligning. Forberedelsen i v1.5 støtter en valgfri forespørselsinstruksjon, med en dokumentert sekvenslengde på 512 tokener.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
bge-large-en-v1.5 er BAAIs store engelske utgave for tette embeddingvektorer. Den avbilder en tekst som en 1024-dimensjonal vektor for gjenfinning av tekstutdrag og semantisk sammenligning. Versjon 1.5 er produsentens oppdatering rettet mot en mer nyttig likhetsfordeling og bedre gjenfinning uten instruks. Large er fortsatt et eget sjekkpunkt, adskilt fra Base, Small, de kinesiske utgavene og den flerspråklige BGE-M3-modellen.
For en kort søkespørring mot lengre dokumenter anbefaler produsenten spørringsinstruksen «Represent this sentence for searching relevant passages:». Legg den til på spørringssiden; tekstutdragene i korpuset beholder sin egen kildetekst uten denne instruksen. Ved andre bruksområder er direkte tekst tilstrekkelig. BAAI dokumenterer også gjenfinning uten prefikset i v1.5 og anbefaler å velge forberedelsen som virker best på den faktiske oppgaven.
En praktisk kunnskapssamling kan indeksere delene av en engelsk teknisk håndbok. Et spørsmål om hvilken innstilling som endrer utdataformatet, bør returnere delen som forklarer denne innstillingen og vilkårene. Behold overskrift, relevant forklaring og kildeplassering sammen med hvert utdrag. Modellen gir den numeriske representasjonen; den returnerte kildeteksten er det en leser eller et senere RAG-trinn bruker.
Produsentens direkte kodingseksempel bruker den siste skjulte tilstanden til det første CLS-tokenet som samlet embedding og normaliserer deretter vektoren. Sammenligning av normaliserte vektorer med et skalarprodukt gir cosinuslikhet. Hvert tekstutdrag kan derfor forberedes én gang og lagres for sammenligning med innkommende spørringsvektorer, mens endret kildemateriale får en oppdatert representasjon.
De 1024 dimensjonene angir lengden på utdatavektoren. De skiller seg fra Bases 768-dimensjonale representasjon og etablerer ikke et kompatibelt felles rom med et annet sjekkpunkt. Hold modellvalget og forberedelseskonvensjonen knyttet til den lagrede indeksen. En endring i embeddingutgaven krever at korpus- og spørringsrepresentasjonene kontrolleres sammen.
Den dokumenterte sekvenslengden er 512 tokener. Forbered en lang håndbok som sammenhengende deler i stedet for én for stor inngang. Hold et vilkår eller unntak ved siden av regelen det presiserer, og ta med nok kontekst til at en gjenfunnet del gir mening på egen hånd. En ekstra spørringsinstruks bruker også inngående tokener, så modellvinduet gjelder hele den forberedte inngangen.
En nyttig grense for tekstutdrag kan inkludere en overskrift og avsnittene som besvarer ett brukerspørsmål. Bevar identifikatoren og versjonen til hoveddokumentet utenfor vektoren, slik at et resultat fortsatt kan spores til riktig kilde. For en sammenligningsoppgave bruker du de faktiske tekstene som skal sammenlignes, i stedet for å erstatte dem med uvedkommende sammendrag som fjerner forskjellen du trenger å finne.
Produsenten advarer mot å behandle absolutt likhet som en universell regel for semantisk ekvivalens. Relativ rekkefølge etter poengsum er sentral for gjenfinning, og en terskel bør kalibreres på tekstfordelingen i selve oppgaven. Vurder kandidatpassasjer for spørsmål med kjente svar og for spørsmål der svaret ikke finnes. Dette viser om en returnert del gir den påkrevde informasjonen i stedet for bare å ligne på temaet.
bge-large-en-v1.5 gir engelske, tette vektorer. En separat omrangerer kan finjustere kandidatrekkefølgen, og en separat språkmodell kan utforme et svar fra de valgte utdragene. Den nyttige leveransen fra denne utgaven er en søkbar representasjon knyttet til kildeteksten, med det nøyaktige modellvalget Large v1.5 og inndataforberedelsen beholdt.
POST /v1/embeddingstext, token_idsembedding| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser baai/bge-large-en-v1.5 | Standard— |
Feltinput | Typestring|string[]|integer[]|integer[][] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 Vilkår: Ikke-tom batch med ensartede elementer. Token-ID-er er ikke-negative heltall. Inndatabudsjett: Maksimum: 512 · Tekstenhet: UTF8-byte · Tokenenhet: elementer i token-arrayet | Standard— |
Feltencoding_format | Typestring | KravValgfritt | Verdier & grenser float | Standardfloat |
Feltdimensions | Typeinteger | KravStøttes ikke | Verdier & grenser Minimum: 1 | Standard— |
Feltuser | Typejson_value | KravValgfritt | Verdier & grenser Vilkår: Kilden tillater dette JSON-metadatafeltet; den nøyaktige semantikken hos den underliggende leverandøren er modellavhengig. | Standard— |
Feltsession_id | Typejson_value | KravValgfritt | Verdier & grenser Vilkår: Kilden tillater dette JSON-metadatafeltet; den nøyaktige semantikken hos den underliggende leverandøren er modellavhengig. | Standard— |
Felttrace | Typejson_value | KravValgfritt | Verdier & grenser Vilkår: Kilden tillater dette JSON-metadatafeltet; den nøyaktige semantikken hos den underliggende leverandøren er modellavhengig. | Standard— |
Feltprovider | Typeobject | KravValgfritt | Verdier & grenser Vilkår: provider.options avvises | Standard— |
text_to_embedding
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, input |
Parameterinput_shapes | Avtalestring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parameterencoding_format | Avtalefloat |
Parameterdimensions_override | Avtalefalse |
Parametermax_input_budget_units | Avtale512 |
Parametermultimodal_objects | Avtalefalse |
Parametermaterial_types | Avtaletext, token_ids |
Livssyklus: synchronous_json
Bevar hver vektors indeks og dimensjon.
Et multimodalt modellnavn innebærer ikke at bildeobjekter er tillatt på denne nøyaktige stien.
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.00002 / 1K tokener Utdata · Utgående tokener $0 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "baai/bge-large-en-v1.5", "input": ["First document", "Second document"]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.embeddings.create(model='baai/bge-large-en-v1.5',input=["First document","Second document"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\njson
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Bevar hver vektor sammen med indeksen. Antall vektorer må være lik antall inndata; dimensjonene må være konsistente.
Det innføres ikke noe endepunkt for embedding-jobber.
| Felt | Type |
|---|---|
Feltobject | Typestring |
Feltmodel | Typestring |
Feltdata[].index | Typeinteger |
Feltdata[].embedding | Typefinite float[] |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra baai/bge-large-en-v1.5
Bruk metodestiene som vises ovenfor.