BGE-M3 er BAAIs flerspråklige gjenfinningsmodell, utviklet rundt tre former for allsidighet: flere gjenfinningsfunksjoner, flere språk og ulike inndatalengder. Produsenten dokumenterer støtte for over hundre språk og inndata på opptil 8192 tokener. Den samlede modellen kan levere tette vektorer, sparsomme leksikalske vekter og multivektorrepresentasjoner, slik at et gjenfinningsoppsett kan velge eller kombinere mer enn én type evidens.
Tett modus avbilder en tekst til én 1024-dimensjonal vektor. Den støtter sammenligning av betydningen som representeres av en forespørsel og en passasje. Sparsom modus tildeler vekter til tokenene som finnes i teksten, for leksikalsk samsvar. Multivektormodus representerer en tekst med flere vektorer og bruker en ColBERT-lignende interaksjon til å sammenligne forespørsel og dokument på et finere nivå.
Disse resultatene har ulike roller i en søkeindeks. En tett vektor gir én representasjon av en passasje; en sparsom tilordning av tokener til vekter beholder leksikalske signaler; flere vektorer gir en annen sammenligningsstruktur. Produsenteksemplene viser hvordan de valgte representasjonene returneres og skårer for tekstpar beregnes. Behandle den valgte representasjonen og skåringsmetoden som en bevisst del av gjenfinningsoppgaven.
BGE-M3 krever ikke at gjenfinningsinstruksjonen fra tidligere BGE-modeller legges til. Forbered forespørselen og de faktiske kildepassasjene direkte. En flerspråklig kunnskapssamling kan beholde hver passasje på originalspråket, sammen med dokumentidentifikator og språkvariant. Bruk reelle brukerspørsmål fra den tilsiktede språkblandingen når du kontrollerer resultatene.
En praktisk oppgave er å søke i regelforklaringer, produkthjelp eller teknisk dokumentasjon på flere språk. Behold navn, modellnumre og termer som er viktige for spørsmålet. En leksikalsk representasjon kan bidra til å bevare treff på disse termene, mens en tett representasjon gir semantisk evidens. Den gjenfunne passasjen bør omfatte teksten og kildeplasseringen som en leser kan undersøke.
Inndatavinduet på 8192 tokener lar modellen representere materiale fra korte setninger til lengre dokumenter. Velg detaljeringsgraden ut fra svaret søket skal returnere. En hel seksjon kan bevare en definisjon og unntakene; en mindre passasje kan gjøre en bestemt instruksjon lettere å finne. Et langt vindu muliggjør disse valgene, men vektoren er fortsatt knyttet til materialet som faktisk ble kodet.
Hold hver passasje koblet til det overordnede dokumentet og versjonen. For en omfattende rapport beholder du overskriften og forklaringen rundt det relevante tallet eller den relevante konklusjonen. Ikke stol på tittelen til et søketreff alene når evidensen ligger i brødteksten. Hvis kilden endres, behold nok metadata til å oppdatere de tilsvarende gjenfinningsrepresentasjonene.
Produsenten anbefaler hybrid gjenfinning etterfulgt av et separat rerankingtrinn. Eksemplene beregner tette, sparsomme og multivektorskårer og danner vektede kombinasjoner. Velg kombinasjonen ut fra samlingens spørsmål og ordforråd; en vekt i et eksempel er ikke en universell innstilling for ethvert korpus.
Et nyttig resultat er et kandidatsett der kildepassasjene fortsatt er tilgjengelige, og der representasjonen og rangeringsmetoden er registrert. En separat reranker kan finjustere settet, og et separat tekstgenereringstrinn kan bruke passasjeinnholdet. BGE-M3s sparsomme og multivektorbaserte evner er moduser i produsentens modell; den tette embeddingvektoren, det leksikalske resultatet og parskåren er ulike artefakter fremfor arrays som kan brukes om hverandre.
", "aboutText": "BGE-M3 er BAAIs flerspråklige gjenfinningsmodell, utviklet rundt tre former for allsidighet: flere gjenfinningsfunksjoner, flere språk og ulike inndatalengder. Produsenten dokumenterer støtte for over hundre språk og inndata på opptil 8192 tokener. Den samlede modellen kan levere tette vektorer, sparsomme leksikalske vekter og multivektorrepresentasjoner, slik at et gjenfinningsoppsett kan velge eller kombinere mer enn én type evidens.\n\n### Tre representasjoner for gjenfinning\n\nTett modus avbilder en tekst til én 1024-dimensjonal vektor. Den støtter sammenligning av betydningen som representeres av en forespørsel og en passasje. Sparsom modus tildeler vekter til tokenene som finnes i teksten, for leksikalsk samsvar. Multivektormodus representerer en tekst med flere vektorer og bruker en ColBERT-lignende interaksjon til å sammenligne forespørsel og dokument på et finere nivå.\n\nDisse resultatene har ulike roller i en søkeindeks. En tett vektor gir én representasjon av en passasje; en sparsom tilordning av tokener til vekter beholder leksikalske signaler; flere vektorer gir en annen sammenligningsstruktur. Produsenteksemplene viser hvordan de valgte representasjonene returneres og skårer for tekstpar beregnes. Behandle den valgte representasjonen og skåringsmetoden som en bevisst del av gjenfinningsoppgaven.\n\n### Flerspråklig tekst og forberedelse av inndata\n\nBGE-M3 krever ikke at gjenfinningsinstruksjonen fra tidligere BGE-modeller legges til. Forbered forespørselen og de faktiske kildepassasjene direkte. En flerspråklig kunnskapssamling kan beholde hver passasje på originalspråket, sammen med dokumentidentifikator og språkvariant. Bruk reelle brukerspørsmål fra den tilsiktede språkblandingen når du kontrollerer resultatene.\n\nEn praktisk oppgave er å søke i regelforklaringer, produkthjelp eller teknisk dokumentasjon på flere språk. Behold navn, modellnumre og termer som er viktige for spørsmålet. En leksikalsk representasjon kan bidra til å bevare treff på disse termene, mens en tett representasjon gir semantisk evidens. Den gjenfunne passasjen bør omfatte teksten og kildeplasseringen som en leser kan undersøke.\n\n### Lengre dokumenter og detaljeringsgrad\n\nInndatavinduet på 8192 tokener lar modellen representere materiale fra korte setninger til lengre dokumenter. Velg detaljeringsgraden ut fra svaret søket skal returnere. En hel seksjon kan bevare en definisjon og unntakene; en mindre passasje kan gjøre en bestemt instruksjon lettere å finne. Et langt vindu muliggjør disse valgene, men vektoren er fortsatt knyttet til materialet som faktisk ble kodet.\n\nHold hver passasje koblet til det overordnede dokumentet og versjonen. For en omfattende rapport beholder du overskriften og forklaringen rundt det relevante tallet eller den relevante konklusjonen. Ikke stol på tittelen til et søketreff alene når evidensen ligger i brødteksten. Hvis kilden endres, behold nok metadata til å oppdatere de tilsvarende gjenfinningsrepresentasjonene.\n\n### Hybride skårer og etterfølgende bruk\n\nProdusenten anbefaler hybrid gjenfinning etterfulgt av et separat rerankingtrinn. Eksemplene beregner tette, sparsomme og multivektorskårer og danner vektede kombinasjoner. Velg kombinasjonen ut fra samlingens spørsmål og ordforråd; en vekt i et eksempel er ikke en universell innstilling for ethvert korpus.\n\nEt nyttig resultat er et kandidatsett der kildepassasjene fortsatt er tilgjengelige, og der representasjonen og rangeringsmetoden er registrert. En separat reranker kan finjustere settet, og et separat tekstgenereringstrinn kan bruke passasjeinnholdet. BGE-M3s sparsomme og multivektorbaserte evner er moduser i produsentens modell; den tette embeddingvektoren, det leksikalske resultatet og parskåren er ulike artefakter fremfor arrays som kan brukes om hverandre.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "290bfadd726ce8c4c1709683690fd6735664f3ee4581d2529b2a9ab01b633692", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nb", "methods": [ { "html": "baai/bge-m3BAAI BGE-M3 støtter tett, sparsom leksikalsk og flervektorbasert gjenfinning på mer enn 100 språk. De tette utdataene har 1024 dimensjoner, og vinduet på 8192 tokener rommer alt fra setninger til lengre dokumenter uten en påkrevd søkeinstruks.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
BGE-M3 er BAAIs flerspråklige gjenfinningsmodell, utviklet rundt tre former for allsidighet: flere gjenfinningsfunksjoner, flere språk og ulike inndatalengder. Produsenten dokumenterer støtte for over hundre språk og inndata på opptil 8192 tokener. Den samlede modellen kan levere tette vektorer, sparsomme leksikalske vekter og multivektorrepresentasjoner, slik at et gjenfinningsoppsett kan velge eller kombinere mer enn én type evidens.
Tett modus avbilder en tekst til én 1024-dimensjonal vektor. Den støtter sammenligning av betydningen som representeres av en forespørsel og en passasje. Sparsom modus tildeler vekter til tokenene som finnes i teksten, for leksikalsk samsvar. Multivektormodus representerer en tekst med flere vektorer og bruker en ColBERT-lignende interaksjon til å sammenligne forespørsel og dokument på et finere nivå.
Disse resultatene har ulike roller i en søkeindeks. En tett vektor gir én representasjon av en passasje; en sparsom tilordning av tokener til vekter beholder leksikalske signaler; flere vektorer gir en annen sammenligningsstruktur. Produsenteksemplene viser hvordan de valgte representasjonene returneres og skårer for tekstpar beregnes. Behandle den valgte representasjonen og skåringsmetoden som en bevisst del av gjenfinningsoppgaven.
BGE-M3 krever ikke at gjenfinningsinstruksjonen fra tidligere BGE-modeller legges til. Forbered forespørselen og de faktiske kildepassasjene direkte. En flerspråklig kunnskapssamling kan beholde hver passasje på originalspråket, sammen med dokumentidentifikator og språkvariant. Bruk reelle brukerspørsmål fra den tilsiktede språkblandingen når du kontrollerer resultatene.
En praktisk oppgave er å søke i regelforklaringer, produkthjelp eller teknisk dokumentasjon på flere språk. Behold navn, modellnumre og termer som er viktige for spørsmålet. En leksikalsk representasjon kan bidra til å bevare treff på disse termene, mens en tett representasjon gir semantisk evidens. Den gjenfunne passasjen bør omfatte teksten og kildeplasseringen som en leser kan undersøke.
Inndatavinduet på 8192 tokener lar modellen representere materiale fra korte setninger til lengre dokumenter. Velg detaljeringsgraden ut fra svaret søket skal returnere. En hel seksjon kan bevare en definisjon og unntakene; en mindre passasje kan gjøre en bestemt instruksjon lettere å finne. Et langt vindu muliggjør disse valgene, men vektoren er fortsatt knyttet til materialet som faktisk ble kodet.
Hold hver passasje koblet til det overordnede dokumentet og versjonen. For en omfattende rapport beholder du overskriften og forklaringen rundt det relevante tallet eller den relevante konklusjonen. Ikke stol på tittelen til et søketreff alene når evidensen ligger i brødteksten. Hvis kilden endres, behold nok metadata til å oppdatere de tilsvarende gjenfinningsrepresentasjonene.
Produsenten anbefaler hybrid gjenfinning etterfulgt av et separat rerankingtrinn. Eksemplene beregner tette, sparsomme og multivektorskårer og danner vektede kombinasjoner. Velg kombinasjonen ut fra samlingens spørsmål og ordforråd; en vekt i et eksempel er ikke en universell innstilling for ethvert korpus.
Et nyttig resultat er et kandidatsett der kildepassasjene fortsatt er tilgjengelige, og der representasjonen og rangeringsmetoden er registrert. En separat reranker kan finjustere settet, og et separat tekstgenereringstrinn kan bruke passasjeinnholdet. BGE-M3s sparsomme og multivektorbaserte evner er moduser i produsentens modell; den tette embeddingvektoren, det leksikalske resultatet og parskåren er ulike artefakter fremfor arrays som kan brukes om hverandre.
POST /v1/embeddingstext, token_idsembedding| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser baai/bge-m3 | 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: 8 194 · 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 | Avtale8194 |
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 $0.00004 / 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-m3", "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-m3',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-m3
Bruk metodestiene som vises ovenfor.