O bge-base-en-v1.5 é o modelo de embeddings densos em inglês de tamanho base da BAAI. Converte cada texto numa representação numérica de 768 dimensões para recuperação e comparação semântica. O modelo pertence à linha BGE v1.5, que corrige a distribuição das pontuações de similaridade da família anterior e melhora a recuperação quando não é fornecida nenhuma instrução. A sua saída é um vetor utilizado para comparar textos ou encontrar passagens relevantes.
Para uma consulta curta que pesquisa passagens mais longas, a BAAI recomenda prefixar a consulta com “Represent this sentence for searching relevant passages:”. As passagens do corpus não recebem essa instrução. Para outras tarefas, o texto original pode ser incorporado diretamente. O fabricante observa que a v1.5 também funciona sem instrução, pelo que a preparação deve ser escolhida em função da tarefa, em vez de tratar o prefixo como a única entrada válida.
Uma coleção de pesquisa prática pode conter artigos de ajuda, explicações de produtos ou instruções técnicas. Uma consulta como “How do I change the export format?” deve recuperar a passagem que descreve essa ação. Mantenha juntos o título da secção, as condições relevantes e o texto de origem efetivo. Guarde o identificador e a localização da passagem junto do seu vetor, para que um resultado de pesquisa possa devolver algo que o utilizador possa ler ou que uma fase posterior de resposta possa citar.
A representação documentada utiliza o último estado oculto do primeiro token, ou token CLS, como embedding da frase. Os exemplos do fabricante normalizam o vetor e comparam embeddings normalizados com um produto escalar, equivalente à similaridade de cosseno. As 768 dimensões são o tamanho da representação de saída deste modelo; não são um comprimento de contexto selecionável nem uma quota de geração de texto.
Utilize o mesmo modelo e a mesma convenção de preparação para os vetores de consulta e de corpus que são comparados. Uma verificação prática consiste em recuperar passagens conhecidas que contêm a resposta para um pequeno conjunto de perguntas reais de utilizadores e, depois, inspecionar o texto devolvido. Uma forma de vetor compatível permite que um índice armazene a representação, enquanto a passagem de origem estabelece o que o resultado diz efetivamente.
O comprimento de sequência documentado do modelo é de 512 tokens. Uma fonte longa deve, por isso, ser dividida em passagens coerentes que contenham respostas antes de ser incorporada. Mantenha as definições e exceções junto da afirmação que qualificam e preserve a ligação entre uma passagem e o seu documento principal. O texto a incorporar inclui qualquer instrução ou título que acrescente, pelo que uma preparação compacta deixa mais espaço para o conteúdo útil da fonte.
Num relatório ou manual, escolha os limites em torno de uma secção ou de um pequeno grupo de parágrafos relacionados. Uma passagem que contenha apenas um título ou um fragmento sem o respetivo assunto pode ser difícil de interpretar quando recuperada. Guarde o texto original e uma versão da fonte, para que uma atualização do índice possa substituir o material correspondente quando o documento mudar.
A BAAI adverte que os valores absolutos de similaridade não são limiares universais para decidir se dois textos significam o mesmo. A ordenação relativa é o que importa, e um limiar de filtragem deve ser selecionado com base na distribuição dos dados da própria tarefa. Uma similaridade vetorial elevada é um sinal de recuperação, e não uma verificação do conteúdo factual da passagem.
O resultado útil é um índice de passagens em inglês, um conjunto de vetores de consulta ou características numéricas para comparação semântica. Um reordenador separado pode refinar os candidatos recuperados, e uma fase separada de geração pode redigir uma resposta a partir do respetivo texto. Este modelo exato base em inglês v1.5 permanece distinto do BGE Large, das edições em chinês e dos perfis multilingue e de recuperação híbrida do BGE-M3.
", "aboutText": "O bge-base-en-v1.5 é o modelo de embeddings densos em inglês de tamanho base da BAAI. Converte cada texto numa representação numérica de 768 dimensões para recuperação e comparação semântica. O modelo pertence à linha BGE v1.5, que corrige a distribuição das pontuações de similaridade da família anterior e melhora a recuperação quando não é fornecida nenhuma instrução. A sua saída é um vetor utilizado para comparar textos ou encontrar passagens relevantes.\n\n### Preparar consultas e passagens\n\nPara uma consulta curta que pesquisa passagens mais longas, a BAAI recomenda prefixar a consulta com “Represent this sentence for searching relevant passages:”. As passagens do corpus não recebem essa instrução. Para outras tarefas, o texto original pode ser incorporado diretamente. O fabricante observa que a v1.5 também funciona sem instrução, pelo que a preparação deve ser escolhida em função da tarefa, em vez de tratar o prefixo como a única entrada válida.\n\nUma coleção de pesquisa prática pode conter artigos de ajuda, explicações de produtos ou instruções técnicas. Uma consulta como “How do I change the export format?” deve recuperar a passagem que descreve essa ação. Mantenha juntos o título da secção, as condições relevantes e o texto de origem efetivo. Guarde o identificador e a localização da passagem junto do seu vetor, para que um resultado de pesquisa possa devolver algo que o utilizador possa ler ou que uma fase posterior de resposta possa citar.\n\n### Formato do vetor e comparação\n\nA representação documentada utiliza o último estado oculto do primeiro token, ou token CLS, como embedding da frase. Os exemplos do fabricante normalizam o vetor e comparam embeddings normalizados com um produto escalar, equivalente à similaridade de cosseno. As 768 dimensões são o tamanho da representação de saída deste modelo; não são um comprimento de contexto selecionável nem uma quota de geração de texto.\n\nUtilize o mesmo modelo e a mesma convenção de preparação para os vetores de consulta e de corpus que são comparados. Uma verificação prática consiste em recuperar passagens conhecidas que contêm a resposta para um pequeno conjunto de perguntas reais de utilizadores e, depois, inspecionar o texto devolvido. Uma forma de vetor compatível permite que um índice armazene a representação, enquanto a passagem de origem estabelece o que o resultado diz efetivamente.\n\n### Comprimento da entrada e preparação dos documentos\n\nO comprimento de sequência documentado do modelo é de 512 tokens. Uma fonte longa deve, por isso, ser dividida em passagens coerentes que contenham respostas antes de ser incorporada. Mantenha as definições e exceções junto da afirmação que qualificam e preserve a ligação entre uma passagem e o seu documento principal. O texto a incorporar inclui qualquer instrução ou título que acrescente, pelo que uma preparação compacta deixa mais espaço para o conteúdo útil da fonte.\n\nNum relatório ou manual, escolha os limites em torno de uma secção ou de um pequeno grupo de parágrafos relacionados. Uma passagem que contenha apenas um título ou um fragmento sem o respetivo assunto pode ser difícil de interpretar quando recuperada. Guarde o texto original e uma versão da fonte, para que uma atualização do índice possa substituir o material correspondente quando o documento mudar.\n\n### Pontuações e resultado útil\n\nA BAAI adverte que os valores absolutos de similaridade não são limiares universais para decidir se dois textos significam o mesmo. A ordenação relativa é o que importa, e um limiar de filtragem deve ser selecionado com base na distribuição dos dados da própria tarefa. Uma similaridade vetorial elevada é um sinal de recuperação, e não uma verificação do conteúdo factual da passagem.\n\nO resultado útil é um índice de passagens em inglês, um conjunto de vetores de consulta ou características numéricas para comparação semântica. Um reordenador separado pode refinar os candidatos recuperados, e uma fase separada de geração pode redigir uma resposta a partir do respetivo texto. Este modelo exato base em inglês v1.5 permanece distinto do BGE Large, das edições em chinês e dos perfis multilingue e de recuperação híbrida do BGE-M3.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "a856726e63fbe6e417c0c203cc0733e109c5b5103dc698775fe0c091085d0de9", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pt-pt", "methods": [ { "html": "baai/bge-base-en-v1.5O BAAI bge-base-en-v1.5 converte texto em inglês em vetores de 768 dimensões para pesquisa semântica e tarefas de similaridade. A sua janela de entrada de 512 tokens e a instrução de recuperação aplicada apenas às consultas adequam-se a passagens focadas num índice de pesquisa de documentos ou de conhecimento.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
O bge-base-en-v1.5 é o modelo de embeddings densos em inglês de tamanho base da BAAI. Converte cada texto numa representação numérica de 768 dimensões para recuperação e comparação semântica. O modelo pertence à linha BGE v1.5, que corrige a distribuição das pontuações de similaridade da família anterior e melhora a recuperação quando não é fornecida nenhuma instrução. A sua saída é um vetor utilizado para comparar textos ou encontrar passagens relevantes.
Para uma consulta curta que pesquisa passagens mais longas, a BAAI recomenda prefixar a consulta com “Represent this sentence for searching relevant passages:”. As passagens do corpus não recebem essa instrução. Para outras tarefas, o texto original pode ser incorporado diretamente. O fabricante observa que a v1.5 também funciona sem instrução, pelo que a preparação deve ser escolhida em função da tarefa, em vez de tratar o prefixo como a única entrada válida.
Uma coleção de pesquisa prática pode conter artigos de ajuda, explicações de produtos ou instruções técnicas. Uma consulta como “How do I change the export format?” deve recuperar a passagem que descreve essa ação. Mantenha juntos o título da secção, as condições relevantes e o texto de origem efetivo. Guarde o identificador e a localização da passagem junto do seu vetor, para que um resultado de pesquisa possa devolver algo que o utilizador possa ler ou que uma fase posterior de resposta possa citar.
A representação documentada utiliza o último estado oculto do primeiro token, ou token CLS, como embedding da frase. Os exemplos do fabricante normalizam o vetor e comparam embeddings normalizados com um produto escalar, equivalente à similaridade de cosseno. As 768 dimensões são o tamanho da representação de saída deste modelo; não são um comprimento de contexto selecionável nem uma quota de geração de texto.
Utilize o mesmo modelo e a mesma convenção de preparação para os vetores de consulta e de corpus que são comparados. Uma verificação prática consiste em recuperar passagens conhecidas que contêm a resposta para um pequeno conjunto de perguntas reais de utilizadores e, depois, inspecionar o texto devolvido. Uma forma de vetor compatível permite que um índice armazene a representação, enquanto a passagem de origem estabelece o que o resultado diz efetivamente.
O comprimento de sequência documentado do modelo é de 512 tokens. Uma fonte longa deve, por isso, ser dividida em passagens coerentes que contenham respostas antes de ser incorporada. Mantenha as definições e exceções junto da afirmação que qualificam e preserve a ligação entre uma passagem e o seu documento principal. O texto a incorporar inclui qualquer instrução ou título que acrescente, pelo que uma preparação compacta deixa mais espaço para o conteúdo útil da fonte.
Num relatório ou manual, escolha os limites em torno de uma secção ou de um pequeno grupo de parágrafos relacionados. Uma passagem que contenha apenas um título ou um fragmento sem o respetivo assunto pode ser difícil de interpretar quando recuperada. Guarde o texto original e uma versão da fonte, para que uma atualização do índice possa substituir o material correspondente quando o documento mudar.
A BAAI adverte que os valores absolutos de similaridade não são limiares universais para decidir se dois textos significam o mesmo. A ordenação relativa é o que importa, e um limiar de filtragem deve ser selecionado com base na distribuição dos dados da própria tarefa. Uma similaridade vetorial elevada é um sinal de recuperação, e não uma verificação do conteúdo factual da passagem.
O resultado útil é um índice de passagens em inglês, um conjunto de vetores de consulta ou características numéricas para comparação semântica. Um reordenador separado pode refinar os candidatos recuperados, e uma fase separada de geração pode redigir uma resposta a partir do respetivo texto. Este modelo exato base em inglês v1.5 permanece distinto do BGE Large, das edições em chinês e dos perfis multilingue e de recuperação híbrida do BGE-M3.
POST /v1/embeddingstext, token_idsembedding| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites baai/bge-base-en-v1.5 | Predefinição— |
Campoinput | Tipostring|string[]|integer[]|integer[][] | RequisitoObrigatório | Valores e limites Número mínimo de elementos: 1 Condições: Lote homogéneo não vazio. Os IDs de tokens são números inteiros não negativos. Orçamento de entrada: Máximo: 512 · Unidade de texto: bytes UTF8 · Unidade de tokens: elementos do array de tokens | Predefinição— |
Campoencoding_format | Tipostring | RequisitoOpcional | Valores e limites float | Predefiniçãofloat |
Campodimensions | Tipointeger | RequisitoNão suportado | Valores e limites Mínimo: 1 | Predefinição— |
Campouser | Tipojson_value | RequisitoOpcional | Valores e limites Condições: A fonte permite este campo de metadados JSON; a semântica exata a montante depende do modelo. | Predefinição— |
Camposession_id | Tipojson_value | RequisitoOpcional | Valores e limites Condições: A fonte permite este campo de metadados JSON; a semântica exata a montante depende do modelo. | Predefinição— |
Campotrace | Tipojson_value | RequisitoOpcional | Valores e limites Condições: A fonte permite este campo de metadados JSON; a semântica exata a montante depende do modelo. | Predefinição— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores e limites Condições: provider.options rejeitado | Predefinição— |
text_to_embedding
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, input |
Parâmetroinput_shapes | Contratostring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parâmetroencoding_format | Contratofloat |
Parâmetrodimensions_override | Contratofalse |
Parâmetromax_input_budget_units | Contrato512 |
Parâmetromultimodal_objects | Contratofalse |
Parâmetromaterial_types | Contratotext, token_ids |
Ciclo de vida: synchronous_json
Guarde o índice e a dimensão de cada vetor.
O nome do modelo multimodal não permite objetos de imagem neste caminho exato.
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
| Configuração | Tabela de tarifas | Custo |
|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Custo Entrada · Tokens de entrada $0.00001 / 1K tokens Saída · Tokens de saída $0 / 1K tokens Entrada · Leitura da cache — / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "baai/bge-base-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-base-en-v1.5',input=["First document","Second document"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\njson
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Guarde cada vetor com o respetivo índice. O número de vetores tem de ser igual ao número de entradas; as dimensões têm de ser consistentes.
Não é introduzido nenhum endpoint de tarefas de embeddings.
| Campo | Tipo |
|---|---|
Campoobject | Tipostring |
Campomodel | Tipostring |
Campodata[].index | Tipointeger |
Campodata[].embedding | Tipofinite float[] |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot Ultra baai/bge-base-en-v1.5
Use os caminhos dos métodos indicados acima.