bge-large-en-v1.5 är BAAI:s stora engelska utgåva för täta inbäddningar. Den avbildar en text till en 1024-dimensionell vektor för avsnittssökning och semantisk jämförelse. Version 1.5 är tillverkarens uppdatering med inriktning på en mer användbar likhetsfördelning och förbättrad sökning utan instruktion. Large förblir en annan kontrollpunkt än Base, Small, kinesiska utgåvor och den flerspråkiga BGE-M3-modellen.
För en kort sökfråga mot längre dokument rekommenderar tillverkaren frågeinstruktionen ”Represent this sentence for searching relevant passages:”. Lägg till den på frågesidan; korpusavsnitt behåller sin egen källtext utan instruktionen. För annan användning räcker direkt text. BAAI dokumenterar också sökning utan prefixet i v1.5 och rekommenderar att välja den förberedelse som fungerar bäst för den verkliga uppgiften.
En praktisk kunskapssamling kan indexera avsnitten i en engelsk teknisk handbok. En fråga om vilken inställning som ändrar utdataformatet bör returnera avsnittet som förklarar inställningen och dess villkor. Behåll rubrik, relevant förklaring och källplats med varje avsnitt. Modellen tillhandahåller den numeriska representationen; den returnerade källtexten är det en läsare eller ett senare RAG-steg använder.
Tillverkarens exempel på direkt kodning använder det slutliga dolda tillståndet för den första CLS-token som poolad inbäddning och normaliserar sedan vektorn. Jämförelse av normaliserade vektorer med en skalärprodukt ger cosinuslikhet. Varje avsnitt kan därför förberedas en gång och lagras för jämförelse med inkommande frågevektorer, medan ändrat källmaterial får en uppdaterad representation.
De 1024 dimensionerna anger utdatavektorns längd. De skiljer sig från Bases 768-dimensionella representation och fastställer inte ett kompatibelt gemensamt rum med en annan kontrollpunkt. Håll modellen och förberedelsekonventionen kopplade till det lagrade indexet. En ändring av inbäddningsutgåva kräver att korpus- och frågerepresentationerna kontrolleras tillsammans.
Den dokumenterade sekvenslängden är 512 token. Förbered en lång handbok som sammanhängande avsnitt i stället för en överstor indata. Håll ett villkor eller undantag bredvid regeln det preciserar och inkludera tillräckligt sammanhang för att ett hämtat avsnitt ska vara begripligt på egen hand. En tillagd frågeinstruktion tar också indatatoken, så modellens fönster gäller hela den förberedda indatan.
En användbar avsnittsgräns kan omfatta en rubrik och styckena som besvarar en användarfråga. Bevara huvuddokumentets identifierare och version utanför vektorn så att ett resultat förblir spårbart till rätt källa. För en jämförelseuppgift använder du de verkliga texterna som ska jämföras i stället för att ersätta dem med orelaterade sammanfattningar som tar bort skillnaden du behöver hitta.
Tillverkaren varnar för att behandla absolut likhet som en universell regel för semantisk likvärdighet. Relativ poängordning är central för sökning och en tröskel bör kalibreras mot uppgiftens egen textfördelning. Granska kandidatavsnitt för frågor med kända svar och för frågor vars svar saknas. Det visar om ett returnerat avsnitt ger den nödvändiga informationen snarare än att bara likna ämnet.
bge-large-en-v1.5 tillhandahåller engelska täta vektorer. En separat omrankare kan förfina kandidatordningen och en separat språkmodell kan formulera ett svar från de valda avsnitten. Den användbara utdatan från denna utgåva är en sökbar representation knuten till sin källtext, med det exakta valet av Large v1.5-modell och indataberedning bevarade.
", "aboutText": "bge-large-en-v1.5 är BAAI:s stora engelska utgåva för täta inbäddningar. Den avbildar en text till en 1024-dimensionell vektor för avsnittssökning och semantisk jämförelse. Version 1.5 är tillverkarens uppdatering med inriktning på en mer användbar likhetsfördelning och förbättrad sökning utan instruktion. Large förblir en annan kontrollpunkt än Base, Small, kinesiska utgåvor och den flerspråkiga BGE-M3-modellen.\n\n### Förbered avsnittssökning\n\nFör en kort sökfråga mot längre dokument rekommenderar tillverkaren frågeinstruktionen ”Represent this sentence for searching relevant passages:”. Lägg till den på frågesidan; korpusavsnitt behåller sin egen källtext utan instruktionen. För annan användning räcker direkt text. BAAI dokumenterar också sökning utan prefixet i v1.5 och rekommenderar att välja den förberedelse som fungerar bäst för den verkliga uppgiften.\n\nEn praktisk kunskapssamling kan indexera avsnitten i en engelsk teknisk handbok. En fråga om vilken inställning som ändrar utdataformatet bör returnera avsnittet som förklarar inställningen och dess villkor. Behåll rubrik, relevant förklaring och källplats med varje avsnitt. Modellen tillhandahåller den numeriska representationen; den returnerade källtexten är det en läsare eller ett senare RAG-steg använder.\n\n### Representation och matchning\n\nTillverkarens exempel på direkt kodning använder det slutliga dolda tillståndet för den första CLS-token som poolad inbäddning och normaliserar sedan vektorn. Jämförelse av normaliserade vektorer med en skalärprodukt ger cosinuslikhet. Varje avsnitt kan därför förberedas en gång och lagras för jämförelse med inkommande frågevektorer, medan ändrat källmaterial får en uppdaterad representation.\n\nDe 1024 dimensionerna anger utdatavektorns längd. De skiljer sig från Bases 768-dimensionella representation och fastställer inte ett kompatibelt gemensamt rum med en annan kontrollpunkt. Håll modellen och förberedelsekonventionen kopplade till det lagrade indexet. En ändring av inbäddningsutgåva kräver att korpus- och frågerepresentationerna kontrolleras tillsammans.\n\n### Anpassa källan till fönstret\n\nDen dokumenterade sekvenslängden är 512 token. Förbered en lång handbok som sammanhängande avsnitt i stället för en överstor indata. Håll ett villkor eller undantag bredvid regeln det preciserar och inkludera tillräckligt sammanhang för att ett hämtat avsnitt ska vara begripligt på egen hand. En tillagd frågeinstruktion tar också indatatoken, så modellens fönster gäller hela den förberedda indatan.\n\nEn användbar avsnittsgräns kan omfatta en rubrik och styckena som besvarar en användarfråga. Bevara huvuddokumentets identifierare och version utanför vektorn så att ett resultat förblir spårbart till rätt källa. För en jämförelseuppgift använder du de verkliga texterna som ska jämföras i stället för att ersätta dem med orelaterade sammanfattningar som tar bort skillnaden du behöver hitta.\n\n### Tolka poängen\n\nTillverkaren varnar för att behandla absolut likhet som en universell regel för semantisk likvärdighet. Relativ poängordning är central för sökning och en tröskel bör kalibreras mot uppgiftens egen textfördelning. Granska kandidatavsnitt för frågor med kända svar och för frågor vars svar saknas. Det visar om ett returnerat avsnitt ger den nödvändiga informationen snarare än att bara likna ämnet.\n\nbge-large-en-v1.5 tillhandahåller engelska täta vektorer. En separat omrankare kan förfina kandidatordningen och en separat språkmodell kan formulera ett svar från de valda avsnitten. Den användbara utdatan från denna utgåva är en sökbar representation knuten till sin källtext, med det exakta valet av Large v1.5-modell och indataberedning bevarade.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "c2a64044cd659551e8a623a2e347a1388cc1362819eb1cb5acb9aa2c00cda376", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "sv", "methods": [ { "html": "baai/bge-large-en-v1.5BAAI bge-large-en-v1.5 producerar 1024-dimensionella engelska textvektorer för informationssökning och semantisk jämförelse. Förberedelsen i v1.5 stöder en valfri frågeinstruktion, med en dokumenterad sekvenslängd på 512 token.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
bge-large-en-v1.5 är BAAI:s stora engelska utgåva för täta inbäddningar. Den avbildar en text till en 1024-dimensionell vektor för avsnittssökning och semantisk jämförelse. Version 1.5 är tillverkarens uppdatering med inriktning på en mer användbar likhetsfördelning och förbättrad sökning utan instruktion. Large förblir en annan kontrollpunkt än Base, Small, kinesiska utgåvor och den flerspråkiga BGE-M3-modellen.
För en kort sökfråga mot längre dokument rekommenderar tillverkaren frågeinstruktionen ”Represent this sentence for searching relevant passages:”. Lägg till den på frågesidan; korpusavsnitt behåller sin egen källtext utan instruktionen. För annan användning räcker direkt text. BAAI dokumenterar också sökning utan prefixet i v1.5 och rekommenderar att välja den förberedelse som fungerar bäst för den verkliga uppgiften.
En praktisk kunskapssamling kan indexera avsnitten i en engelsk teknisk handbok. En fråga om vilken inställning som ändrar utdataformatet bör returnera avsnittet som förklarar inställningen och dess villkor. Behåll rubrik, relevant förklaring och källplats med varje avsnitt. Modellen tillhandahåller den numeriska representationen; den returnerade källtexten är det en läsare eller ett senare RAG-steg använder.
Tillverkarens exempel på direkt kodning använder det slutliga dolda tillståndet för den första CLS-token som poolad inbäddning och normaliserar sedan vektorn. Jämförelse av normaliserade vektorer med en skalärprodukt ger cosinuslikhet. Varje avsnitt kan därför förberedas en gång och lagras för jämförelse med inkommande frågevektorer, medan ändrat källmaterial får en uppdaterad representation.
De 1024 dimensionerna anger utdatavektorns längd. De skiljer sig från Bases 768-dimensionella representation och fastställer inte ett kompatibelt gemensamt rum med en annan kontrollpunkt. Håll modellen och förberedelsekonventionen kopplade till det lagrade indexet. En ändring av inbäddningsutgåva kräver att korpus- och frågerepresentationerna kontrolleras tillsammans.
Den dokumenterade sekvenslängden är 512 token. Förbered en lång handbok som sammanhängande avsnitt i stället för en överstor indata. Håll ett villkor eller undantag bredvid regeln det preciserar och inkludera tillräckligt sammanhang för att ett hämtat avsnitt ska vara begripligt på egen hand. En tillagd frågeinstruktion tar också indatatoken, så modellens fönster gäller hela den förberedda indatan.
En användbar avsnittsgräns kan omfatta en rubrik och styckena som besvarar en användarfråga. Bevara huvuddokumentets identifierare och version utanför vektorn så att ett resultat förblir spårbart till rätt källa. För en jämförelseuppgift använder du de verkliga texterna som ska jämföras i stället för att ersätta dem med orelaterade sammanfattningar som tar bort skillnaden du behöver hitta.
Tillverkaren varnar för att behandla absolut likhet som en universell regel för semantisk likvärdighet. Relativ poängordning är central för sökning och en tröskel bör kalibreras mot uppgiftens egen textfördelning. Granska kandidatavsnitt för frågor med kända svar och för frågor vars svar saknas. Det visar om ett returnerat avsnitt ger den nödvändiga informationen snarare än att bara likna ämnet.
bge-large-en-v1.5 tillhandahåller engelska täta vektorer. En separat omrankare kan förfina kandidatordningen och en separat språkmodell kan formulera ett svar från de valda avsnitten. Den användbara utdatan från denna utgåva är en sökbar representation knuten till sin källtext, med det exakta valet av Large v1.5-modell och indataberedning bevarade.
POST /v1/embeddingstext, token_idsembedding| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser baai/bge-large-en-v1.5 | Standard— |
Fältinput | Typstring|string[]|integer[]|integer[][] | KravObligatoriskt | Värden & gränser Minsta antal objekt: 1 Villkor: En homogen batch som inte är tom. Token-ID:n är heltal som är större än eller lika med noll. Indatabudget: Maximum: 512 · Textenhet: UTF8-byte · Tokenenhet: element i en tokenarray | Standard— |
Fältencoding_format | Typstring | KravValfritt | Värden & gränser float | Standardfloat |
Fältdimensions | Typinteger | KravStöds inte | Värden & gränser Minimum: 1 | Standard— |
Fältuser | Typjson_value | KravValfritt | Värden & gränser Villkor: Källan tillåter detta JSON-metadatafält; den exakta innebörden hos leverantören beror på modellen. | Standard— |
Fältsession_id | Typjson_value | KravValfritt | Värden & gränser Villkor: Källan tillåter detta JSON-metadatafält; den exakta innebörden hos leverantören beror på modellen. | Standard— |
Fälttrace | Typjson_value | KravValfritt | Värden & gränser Villkor: Källan tillåter detta JSON-metadatafält; den exakta innebörden hos leverantören beror på modellen. | Standard— |
Fältprovider | Typobject | KravValfritt | Värden & gränser Villkor: provider.options avvisades | Standard— |
text_to_embedding
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, input |
Parameterinput_shapes | Avtalstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parameterencoding_format | Avtalfloat |
Parameterdimensions_override | Avtalfalse |
Parametermax_input_budget_units | Avtal512 |
Parametermultimodal_objects | Avtalfalse |
Parametermaterial_types | Avtaltext, token_ids |
Livscykel: synchronous_json
Behåll varje vektorindex och dimension.
Att modellen har ett multimodalt namn innebär inte att bildobjekt tillåts på just denna anropsväg.
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
| Konfiguration | Prislista | Avgift |
|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Avgift Indata · Indatatoken $0.00002 / 1K token Utdata · Utdatatoken $0 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${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
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll varje vektor tillsammans med dess index. Antalet vektorer måste vara lika med antalet indataobjekt; dimensionerna måste vara konsekventa.
Ingen endpoint för inbäddningsjobb införs.
| Fält | Typ |
|---|---|
Fältobject | Typstring |
Fältmodel | Typstring |
Fältdata[].index | Typinteger |
Fältdata[].embedding | Typfinite float[] |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra baai/bge-large-en-v1.5
Använd metodsökvägarna som visas ovan.