bge-large-en-v1.5 — 1024D эмбеддинги
нейросеть
bge-large-en-v1.5 преобразует предложения, абзацы и документы на английском в 1024‑мерные плотные векторы с высокой семантической точностью. Модель оптимизирована для семантического поиска, поиска по документам и других downstream NLP‑задач, таких как кластеризация и ранжирование. Доступна через BotHub для быстрой интеграции в ваши приложения и пайплайны.
Характеристики
- Входные данные
- текст
- Результат
- векторы (эмбеддинги)
- Размер контекста
- 512 токенов
- Размерность вектора
- 1 024
Стоимость промпта
(за 1M токенов)
import OpenAI from 'openai';
const openai = new OpenAI({
apiKey: '<your bothub access token>',
baseURL: 'https://openai.bothub.chat/v1'
});
async function main() {
const response = await openai.embeddings.create({
model: 'bge-large-en-v1.5',
input: 'The food was delicious and the waiter...',
encoding_format: 'float'
});
const embedding = response.data[0].embedding;
console.log(embedding);
}main();
Как работает bge-large-en-v1.5 — 1024D эмбеддинги?
Подключите bge-large-en-v1.5 на BotHub и получите точные семантические эмбеддинги для англоязычных данных.Частые вопросы о bge-large-en-v1.5 — 1024D эмбеддинги
Вы можете использовать результаты генерации в коммерческих целях. Все права на созданный контент принадлежат вам. Единственное ограничение: убедитесь, что в запросе не использовались защищённые авторским правом материалы третьих сторон. Ответственность за соблюдение прав на входные данные лежит на пользователе.
BGE Large En v1.5 генерирует векторные представления текста — эмбеддинги. Подходит для семантического поиска, RAG, кластеризации, сопоставления схожести, рекомендательных систем и ускорения retrieval. Используйте как слой превращения текста в числовые векторы для downstream-задач.
Модель выдаёт фиксированные числовые векторы — плотные эмбеддинги, передаваемые через API в виде массива чисел. Контекст для встраивания ограничен данным контекстом, а результат готов к хранению в векторных БД (Qdrant, pgvector) и сравнению косинусом или скалярным произведением.
В наших данных не отмечено, что модель выполняет рассуждения в цепочке. Эмбеддинги кодируют смысл входа, но модель не предназначена для генерации пошаговых рассуждений: её задача — представлять текст в виде вектора для последующей обработки внешними системами.
В наших данных не отмечено про вызов функций или структурированный JSON-вывод. BGE Large En v1.5 возвращает эмбеддинги как массивы чисел; обёртка в JSON или вызов функций реализуется на стороне клиента и систем, которые используют эти векторы.
В наших данных не отмечено приёма изображений, аудио или видео. Модель помечена как EMBEDDING, то есть предназначена для встраивания текстовых входов; если нужна мультимодальность, уточните у провайдера или используйте специализированные модели.
Наша информация не содержит оценки понимания русского языка этой модели. Поскольку модель ориентирована на эмбеддинги, качество работы с русским зависит от её обучения; рекомендуем протестировать на ваших примерах, чтобы оценить пригодность для задач на русском.