Source: https://ailoot.ai/models/pt-pt/baai-bge-large-en-v1-5/ Canonical: https://ailoot.ai/models/pt-pt/baai-bge-large-en-v1-5/ Language: pt-pt # BAAI: bge-large-en-v1.5 [Markdown](https://ailoot.ai/models/pt-pt/baai-bge-large-en-v1-5/index.md) · [JSON](https://ailoot.ai/models/pt-pt/baai-bge-large-en-v1-5/facts.json) ## [BAAI: bge-large-en-v1.5](https://ailoot.ai/models/pt-pt/baai-bge-large-en-v1-5/) O BAAI bge-large-en-v1.5 produz vetores de texto em inglês com 1024 dimensões para recuperação e comparação semântica. A sua preparação v1.5 suporta uma instrução de consulta opcional, com um comprimento de sequência documentado de 512 tokens. - [**Ailoot Ultra · Embeddings** `POST /v1/embeddings` `baai/bge-large-en-v1.5`](https://ailoot.ai/models/pt-pt/baai-bge-large-en-v1-5/#method-0) Sobre o modelo Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo. bge-large-en-v1.5 é a edição Large da BAAI para embeddings densos em inglês. Converte um texto num vetor de 1024 dimensões para recuperação de passagens e comparação semântica. A versão 1.5 é a atualização do fabricante destinada a uma distribuição de similaridade mais útil e a melhor recuperação sem instrução. Large mantém-se um checkpoint distinto de Base, Small, das edições chinesas e do modelo multilingue BGE-M3. #### Prepare a recuperação de passagens Para uma consulta curta de pesquisa em documentos mais longos, o fabricante recomenda a instrução de consulta «Represent this sentence for searching relevant passages:». Adicione-a à consulta; as passagens do corpus mantêm o seu texto de origem sem essa instrução. Noutros usos, o texto direto é suficiente. A BAAI também documenta recuperação sem o prefixo na v1.5 e recomenda escolher a preparação que funciona melhor na tarefa real. Uma coleção prática de conhecimento pode indexar as secções de um manual técnico em inglês. Uma pergunta sobre a configuração que altera o formato de saída deve devolver a secção que explica essa configuração e as suas condições. Conserve o título, a explicação relevante e a localização na fonte com cada passagem. O modelo fornece a representação numérica; o texto de origem devolvido é o que utiliza um leitor ou uma fase posterior de RAG. #### Representação e comparação O exemplo de codificação direta do fabricante usa o estado oculto final do primeiro token CLS como embedding agregado e depois normaliza o vetor. Comparar vetores normalizados através do produto escalar dá a similaridade do cosseno. Cada passagem pode, portanto, ser preparada uma vez e guardada para comparação com vetores de consultas recebidas, enquanto o material de origem alterado recebe uma representação atualizada. As 1024 dimensões especificam o comprimento do vetor de saída. Diferem da representação Base de 768 dimensões e não estabelecem um espaço partilhado compatível com outro checkpoint. Mantenha o modelo e a convenção de preparação associados ao índice guardado. Uma mudança de edição dos embeddings exige verificar em conjunto as representações do corpus e das consultas. #### Ajuste a fonte à janela O comprimento de sequência documentado é de 512 tokens. Prepare um manual longo em secções coerentes, em vez de uma única entrada demasiado grande. Mantenha uma condição ou exceção junto da regra que qualifica e inclua contexto suficiente para que uma secção recuperada faça sentido por si só. Uma instrução de consulta acrescentada também ocupa tokens de entrada, pelo que a janela do modelo diz respeito à entrada preparada completa. Um limite útil para uma passagem pode incluir um título e os parágrafos que respondem a uma pergunta do utilizador. Preserve o identificador e a versão do documento principal fora do vetor, para que um resultado continue rastreável à fonte correta. Numa tarefa de comparação, use os textos reais a comparar, em vez de os substituir por resumos sem relação que removam a distinção que procura. #### Interprete a pontuação O fabricante avisa que a similaridade absoluta não deve ser tratada como regra universal de equivalência semântica. A ordem relativa das pontuações é central na recuperação e um limiar deve ser calibrado na distribuição dos textos da própria tarefa. Reveja passagens candidatas para perguntas com respostas conhecidas e para perguntas sem resposta na coleção. Isso revela se uma secção devolvida fornece a informação necessária, em vez de apenas se assemelhar ao tema. bge-large-en-v1.5 fornece vetores densos em inglês. Um reordenador separado pode refinar a ordem dos candidatos e um modelo de linguagem separado pode compor uma resposta a partir das passagens selecionadas. A saída útil desta edição é uma representação pesquisável ligada ao seu texto de origem, conservando a escolha exata do modelo Large v1.5 e a preparação da entrada. **Ailoot Ultra · Embeddings** `POST /v1/embeddings` `baai/bge-large-en-v1.5` [`baai/bge-large-en-v1.5`](https://ailoot.ai/models/pt-pt/#m=baai%2Fbge-large-en-v1.5&route=Ultra&caller=baai%2Fbge-large-en-v1.5&fmt=embeddings) BAAI /`baai/bge-large-en-v1.5` ### Introdução O BAAI bge-large-en-v1.5 produz vetores de texto em inglês com 1024 dimensões para recuperação e comparação semântica. A sua preparação v1.5 suporta uma instrução de consulta opcional, com um comprimento de sequência documentado de 512 tokens. Entradas aceites Texto · token\_ids Resultados embedding ### Disponível no Ailoot · entradas e métodos **Ailoot Ultra · Embeddings** `POST /v1/embeddings` Entrada `text`, `token_ids` Saída `embedding` Formato de saída json | Campo | Tipo | Requisito | Valores e limites | Predefinição | | --- | --- | --- | --- | --- | | Campo`model` | Tipo`string` | RequisitoObrigatório | Valores e limites baai/bge-large-en-v1.5 | Predefinição— | | Campo`input` | Tipo`string\|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— | | Campo`encoding_format` | Tipo`string` | RequisitoOpcional | Valores e limites float | Predefiniçãofloat | | Campo`dimensions` | Tipo`integer` | RequisitoNão suportado | Valores e limites Mínimo: 1 | Predefinição— | | Campo`user` | Tipo`json_value` | RequisitoOpcional | Valores e limites Condições: A fonte permite este campo de metadados JSON; a semântica exata a montante depende do modelo. | Predefinição— | | Campo`session_id` | Tipo`json_value` | RequisitoOpcional | Valores e limites Condições: A fonte permite este campo de metadados JSON; a semântica exata a montante depende do modelo. | Predefinição— | | Campo`trace` | Tipo`json_value` | RequisitoOpcional | Valores e limites Condições: A fonte permite este campo de metadados JSON; a semântica exata a montante depende do modelo. | Predefinição— | | Campo`provider` | Tipo`object` | RequisitoOpcional | Valores e limites Condições: provider.options rejeitado | Predefinição— | Combinações de materiais de entrada **text\_to\_embedding** Parâmetros e ciclo de vida do método | Parâmetro | Contrato | | --- | --- | | Parâmetro`content_type` | Contratoapplication/json | | Parâmetro`required` | Contratomodel, input | | Parâmetro`input_shapes` | Contratostring, string\[\], nonnegative\_integer\_token\_array, nonnegative\_integer\_token\_array\[\] | | Parâmetro`encoding_format` | Contratofloat | | Parâmetro`dimensions_override` | Contratofalse | | Parâmetro`max_input_budget_units` | Contrato512 | | Parâmetro`multimodal_objects` | Contratofalse | | Parâmetro`material_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. ### Tarifários As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado. Modo rápido Não especificado Quando o modo rápido está selecionado Modo flex Não especificado Quando o modo flex está selecionado Esforço máximo de raciocínio Não especificado Quando o esforço máximo de raciocínio usa o ajuste predefinido (default) #### Tarifas Ailoot #### Preços por configuração | Configuração | Tabela de tarifas | Custo | | --- | --- | --- | | ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Custo Entrada · Tokens de entrada **$0.00002** / 1K tokens Saída · Tokens de saída **$0** / 1K tokens Entrada · Leitura da cache **—** / 1K tokens Entrada · Escrita na cache **—** / 1K tokens Entrada · Escrita na cache, 1 hora **—** / 1K tokens | O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. [Como funcionam a reserva e a liquidação →](https://ailoot.ai/docs/pt-pt/billing/reserve/) ### Exemplos de pedidos #### Ailoot Ultra · Embeddings curlPython SDK ```bash set -eu : "${AILOOT_API_KEY:?Set your Ailoot API key}" python3 - <<'PY_REQUEST' import json,os from pathlib import Path p=json.loads('{"model": "baai/bge-large-en-v1.5", "input": ["First document", "Second document"]}') Path("request.json").write_text(json.dumps(p,ensure_ascii=False)) PY_REQUEST curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \ -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \ --data-binary @request.json -D response-headers.txt -o result.json python3 - <<'PY_RESULT' import json from pathlib import Path r=json.loads(Path("result.json").read_text()) for x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")})) PY_RESULT ``` ```python from openai import OpenAI import os client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0) result=client.embeddings.create(model='baai/bge-large-en-v1.5',input=["First document","Second document"]) print(result) for item in result.data:print(item.index,item.embedding) ``` ### Receber e guardar os resultados #### Ailoot Ultra · Embeddings json ##### Guardar todos os resultados concluídos 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. ##### Se for necessário verificar a resposta original Não é introduzido nenhum endpoint de tarefas de embeddings. Campos da resposta | Campo | Tipo | | --- | --- | | Campo`object` | Tipostring | | Campo`model` | Tipostring | | Campo`data[].index` | Tipointeger | | Campo`data[].embedding` | Tipofinite float\[\] | | Campo`usage` | Tipoobject | Erros e passos seguintes | 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. | ### Aliases #### Aliases do modelo **Ailoot Ultra** [`baai/bge-large-en-v1.5`](https://ailoot.ai/models/pt-pt/#m=baai%2Fbge-large-en-v1.5&route=Ultra&caller=baai%2Fbge-large-en-v1.5&fmt=embeddings) #### Aliases dos caminhos dos métodos Use os caminhos dos métodos indicados acima. #### IDs de chamada relacionados [`baai/bge-large-en-v1.5`](https://ailoot.ai/models/pt-pt/#m=baai%2Fbge-large-en-v1.5&route=Ultra&caller=baai%2Fbge-large-en-v1.5&fmt=embeddings) FAQ · BAAI: bge-large-en-v1.5 Que entradas e resultados estão disponíveis? `POST /v1/embeddings` · `baai/bge-large-en-v1.5`: `text`, `token_ids` → `embedding` Que campos utiliza o pedido? `POST /v1/embeddings` · `baai/bge-large-en-v1.5`: `model`, `input`, `encoding_format`, `provider` Que limites se aplicam? `POST /v1/embeddings` · `baai/bge-large-en-v1.5`: `input.budget.maximum`: `512` (bytes UTF8); `input.min_items`: `1` Ligue o Ailoot ao Claude Code, OpenCode, Hermes ou à sua aplicação. ## A empresa e a sua carteira de projetos A empresa e a sua carteira de projetos: milhões de clientes; vendas mensais na ordem dos milhares de milhões. ## Compre tokens com desconto. Desconto por subscrição para trabalho regular. Códigos promocionais — até 50% na compra de tokens. Subscrição Escolha um plano com desconto para os pedidos regulares. Código promocional até 50% Introduza o código na compra. O preço é recalculado conforme a campanha em vigor. Custos no histórico O modelo, os tokens e o montante são guardados para cada pedido. [Escolher subscrição](https://ailoot.ai/docs/pt-pt/billing/subscriptions/) · [Ver preços dos modelos](https://ailoot.ai/models/pt-pt/) ## Ligue a API ao produto que vende. SaaS, aplicações e bots — ao abrigo da oferta e do contrato de licença Ailoot. Para revenda, peça uma licença de revendedor. Aplicação comercial Integre geração de texto, imagens, vídeo e som nas funcionalidades pagas do seu serviço. Licença de revendedor Envie uma descrição do projeto e do modelo de acesso. Peça condições escritas de utilização e revenda. Documentos no site A oferta, o contrato de licença e a política de tratamento de dados estão disponíveis antes da ligação. [Pedir licença de revendedor](mailto:support@ailoot.ai) · [Oferta e contrato de licença](https://ailoot.ai/legal/offer?lang=pt-pt) ## Ailoot · A empresa e a sua carteira de projetos A Ailoot assenta numa experiência operacional consolidada, numa ampla base de clientes, num serviço estável e no acompanhamento contínuo dos KPI. A empresa e a sua carteira de projetos: milhões de clientes; vendas mensais na ordem dos milhares de milhões. A Ailoot aplica essa experiência operacional ao acesso por API a funcionalidades de IA nos produtos dos clientes, agentes, aplicações e automatizações.