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.

Главная

/

Модели

/

Модели эмбеддингов

/

bge-large-en-v1.5 — 1024D эмбеддинги

Характеристики

Входные данные
текст
Результат
векторы (эмбеддинги)
Размер контекста
512 токенов
Размерность вектора
1 024
1,09 ₽

Стоимость промпта

(за 1M токенов)

*Указаны цены при использовании API через ECO-провайдеров.
Пример кода и API для bge-large-en-v1.5 — 1024D эмбеддингиМы предлагаем полный доступ к API OpenAI через наш сервис. Все наши конечные точки полностью соответствуют конечным точкам OpenAI, их можно использовать как с плагинами, так и при разработке собственного программного обеспечения через SDK.Создать API ключ
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();
illustaration

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.

Служба поддержкиРаботаем с 10:00 до 18:00 по МСК