BAAI: bge-m3
BAAI BGE-M3 stöder tät, gles lexikal och multivektorbaserad informationssökning på fler än 100 språk. Dess täta utdata har 1024 dimensioner och dess fönster på 8192 token rymmer allt från meningar till längre dokument utan krav på en särskild sökinstruktion.
Om modellen
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
BGE-M3 är BAAI:s flerspråkiga sökmodell, utformad kring tre typer av mångsidighet: flera sökfunktioner, flera språk och olika indatalängder. Tillverkaren dokumenterar stöd för mer än hundra språk och indata på upp till 8192 token. Den enhetliga modellen kan ge täta vektorer, glesa lexikala vikter och flervektorrepresentationer, så att en söklösning kan välja eller kombinera mer än en typ av evidens.
Tre representationer för sökning
Tätt läge avbildar en text till en enda 1024-dimensionell vektor. Det stöder jämförelse av betydelsen som representeras av en fråga och en passage. Glest läge tilldelar vikter till de token som finns i texten för lexikal matchning. Flervektorläge representerar en text med flera vektorer och använder en ColBERT-liknande interaktion för att jämföra frågan och dokumentet på en finare nivå.
Dessa resultat har olika roller i ett sökindex. En tät vektor ger en representation för en passage; en gles mappning från token till vikter bevarar lexikala signaler; flera vektorer ger en annan jämförelsestruktur. Tillverkarexemplen visar hur de valda representationerna returneras och poäng för textpar beräknas. Behandla den valda representationen och poängsättningsmetoden som en avsiktlig del av sökuppgiften.
Flerspråkig text och förberedelse av indata
BGE-M3 kräver inte att sökinstruktionen från tidigare BGE-modeller läggs till. Förbered frågan och de faktiska källpassagerna direkt. En flerspråkig kunskapssamling kan behålla varje passage på originalspråket tillsammans med dokumentidentifierare och språkvariant. Använd verkliga användarfrågor från den avsedda språkblandningen när du kontrollerar resultaten.
En praktisk uppgift är att söka i regelförklaringar, produkthjälp eller teknisk dokumentation på flera språk. Behåll namn, modellnummer och termer som är viktiga för frågan. En lexikal representation kan hjälpa till att bevara matchning på dessa termer, medan en tät representation ger semantisk evidens. Den hämtade passagen bör innehålla texten och källplatsen som en läsare kan granska.
Längre dokument och detaljnivå
Indatafönstret på 8192 token låter modellen representera material från korta meningar till längre dokument. Välj detaljnivån utifrån svaret sökningen ska returnera. Ett helt avsnitt kan bevara en definition och dess undantag; en mindre passage kan göra en specifik instruktion lättare att hitta. Ett långt fönster möjliggör dessa val, men vektorn förblir kopplad till materialet som faktiskt kodades.
Håll varje passage kopplad till sitt överordnade dokument och sin version. För en lång rapport bevarar du rubriken och förklaringen kring den relevanta siffran eller slutsatsen. Förlita dig inte enbart på en sökträffs titel när evidensen finns i brödtexten. Om källan ändras ska tillräckliga metadata behållas för att uppdatera motsvarande sökrepresentationer.
Hybridpoäng och efterföljande användning
Tillverkaren rekommenderar hybridsökning följd av ett separat omrankningssteg. Exemplen beräknar täta, glesa och flervektorbaserade poäng och bildar viktade kombinationer. Välj kombinationen utifrån samlingens frågor och ordförråd; en vikt i ett exempel är inte en universell inställning för varje korpus.
Ett användbart resultat är en kandidatuppsättning vars källpassager förblir tillgängliga och där representationen och rangordningsmetoden registrerats. En separat omrankare kan förfina uppsättningen och ett separat textgenereringssteg kan använda passageinnehållet. BGE-M3:s glesa och flervektorbaserade förmågor är lägen i tillverkarens modell; den täta inbäddningen, det lexikala resultatet och parpoängen är separata artefakter i stället för utbytbara arrayer.
Ailoot Ultra · Embeddings POST /v1/embeddings baai/bge-m3
baai/bge-m3Start
BAAI BGE-M3 stöder tät, gles lexikal och multivektorbaserad informationssökning på fler än 100 språk. Dess täta utdata har 1024 dimensioner och dess fönster på 8192 token rymmer allt från meningar till längre dokument utan krav på en särskild sökinstruktion.
- Godkända indata
- Text · token_ids
- Resultat
- embedding
Tillgängligt i Ailoot · indata & metoder
Ailoot Ultra · Embeddings POST /v1/embeddings
- Indatatyper
text,token_ids- Utdatatyper
embedding- Kontext
- 8 194 tokens
- Utdataformat
- json
| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser baai/bge-m3 | 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: 8 194 · 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— |
Kombinationer av indatamaterial
text_to_embedding
Metodparametrar och livscykel
| 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 | Avtal8194 |
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.
Priser
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
- Snabbt läge
- Standardpris När snabbt läge är valt
- Flex-läge
- Standardpris När läget flex är valt
- Högsta resonemangsnivå
- Standardpris När den högsta resonemangsnivån använder standardjusteringen (default)
Ailoot-priser
Priser efter konfiguration
| Konfiguration | Prislista | Avgift |
|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Avgift Indata · Indatatoken $0.00004 / 1K token Utdata · Utdatatoken $0 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
Exempelbegäranden
Ailoot Ultra · Embeddings
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "baai/bge-m3", "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
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-m3',input=["First document","Second document"])
print(result)
for item in result.data:print(item.index,item.embedding)
Ta emot och spara resultat
Ailoot Ultra · Embeddings
json
Behåll alla färdiga resultat
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.
Om det ursprungliga svaret behöver kontrolleras
Ingen endpoint för inbäddningsjobb införs.
Svarsfält
| Fält | Typ |
|---|---|
Fältobject | Typstring |
Fältmodel | Typstring |
Fältdata[].index | Typinteger |
Fältdata[].embedding | Typfinite float[] |
Fältusage | Typobject |
Fel och nästa steg
| 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. |
Alias
Modellalias
Ailoot Ultra baai/bge-m3
Alias för metodsökvägar
Använd metodsökvägarna som visas ovan.
Relaterade anropar-ID:n
FAQ · BAAI: bge-m3
- Vilka indata och resultat finns?
POST /v1/embeddings·baai/bge-m3:text,token_ids→embedding- Vilka fält använder begäran?
POST /v1/embeddings·baai/bge-m3:model,input,encoding_format,provider- Vilka gränser gäller?
POST /v1/embeddings·baai/bge-m3:ctx:8194;input.budget.maximum:8194(UTF8-byte);input.min_items:1