BAAI: bge-base-en-v1.5

bge-base-en-v1.5 är BAAI:s engelska modell för täta inbäddningar i basstorlek. Den omvandlar varje text till en 768-dimensionell numerisk representation för informationssökning och semantisk jämförelse. Modellen hör till BGE v1.5-serien, som hanterar den tidigare familjens fördelning av likhetspoäng och förbättrar sökningen när ingen instruktion anges. Resultatet är en vektor som används för att jämföra texter eller hitta relevanta passager.

Förbered frågor och passager

För en kort fråga som söker i längre passager rekommenderar BAAI att lägga ”Represent this sentence for searching relevant passages:” före frågan. Korpuspassagerna får inte den instruktionen. För andra uppgifter kan originaltexten bäddas in direkt. Tillverkaren påpekar att v1.5 även fungerar utan instruktion, så förberedelsen bör väljas utifrån uppgiften i stället för att behandla prefixet som enda giltiga indata.

En praktisk söksamling kan innehålla hjälpartiklar, produktförklaringar eller tekniska instruktioner. En fråga som ”How do I change the export format?” bör hämta passagen som beskriver den åtgärden. Håll avsnittsrubriken, relevanta villkor och den faktiska källtexten tillsammans. Lagra passagens identifierare och plats tillsammans med vektorn så att ett sökresultat kan returnera något användaren kan läsa eller ett senare svarssteg kan citera.

Vektorformat och jämförelse

Den dokumenterade representationen använder det sista dolda tillståndet för första token, eller CLS-token, som meningsinbäddning. Tillverkarens exempel normaliserar vektorn och jämför normaliserade inbäddningar med en skalärprodukt, motsvarande cosinuslikhet. De 768 dimensionerna är storleken på denna modells resultatrepresentation; de är inte en valbar kontextlängd eller ett textgenereringsutrymme.

Använd samma modell och förberedelsekonvention för fråge- och korpusvektorerna som jämförs. En praktisk kontroll är att hämta kända passager som innehåller svaret för en liten uppsättning faktiska användarfrågor och sedan granska den returnerade texten. En kompatibel vektorform låter ett index lagra representationen, medan källpassagen fastställer vad resultatet faktiskt säger.

Indatalängd och dokumentförberedelse

Modellens dokumenterade sekvenslängd är 512 token. En lång källa bör därför delas i sammanhängande passager som innehåller svar innan den bäddas in. Behåll definitioner och undantag tillsammans med påståendet de preciserar och bevara kopplingen från en passage till dess överordnade dokument. Texten som ska bäddas in omfattar alla instruktioner eller rubriker du lägger till, så en kompakt förberedelse ger mer plats för användbart källinnehåll.

För en rapport eller manual väljer du gränser kring ett avsnitt eller en liten grupp relaterade stycken. En passage som bara innehåller en titel eller ett fragment utan sitt ämne kan vara svår att tolka när den hämtas. Behåll originaltexten och en källversion så att en indexuppdatering kan ersätta motsvarande material när dokumentet ändras.

Poäng och användbart resultat

BAAI varnar för att absoluta likhetsvärden inte är universella trösklar för att avgöra att två texter betyder samma sak. Den relativa rangordningen spelar roll och en filtreringströskel bör väljas med fördelningen i uppgiftens egna data. Hög vektorlikhet är en söksignal snarare än en verifiering av faktainnehållet i passagen.

Den användbara leveransen är ett engelskt passageindex, en uppsättning frågevektorer eller numeriska egenskaper för semantisk jämförelse. En separat omrankare kan förfina hämtade kandidater och ett separat genereringssteg kan skriva ett svar från deras text. Denna exakta engelska basmodell i v1.5 förblir åtskild från BGE Large, kinesiska utgåvor och BGE-M3:s flerspråkiga och hybrida sökprofiler.