bge-m3 (1024‑мерные эмбеддинги)
нейросеть
bge-m3 кодирует предложения, абзацы и большие документы в 1024‑мерное плотное векторное пространство. Модель формирует высококачественные семантические эмбеддинги, оптимизированные для мульти-язычного retrieval, семантического поиска и приложений с большими контекстами. Доступна через BotHub для быстрой интеграции и простых платежей в рублях без VPN.
Характеристики
- Входные данные
- текст
- Результат
- векторы (эмбеддинги)
- Размер контекста
- 8 194 токена
- 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-m3',
input: 'The food was delicious and the waiter...',
encoding_format: 'float'
});
const embedding = response.data[0].embedding;
console.log(embedding);
}main();
Как работает bge-m3 (1024‑мерные эмбеддинги)?
Испытайте bge-m3 на BotHub — быстрые семантические эмбеддинги для поиска и анализа, оплата в рублях.Частые вопросы о bge-m3 (1024‑мерные 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 M3 — модель для генерации эмбеддингов: преобразует текст в векторные представления, подходит для семантического поиска, RAG, кластеризации, рекомендаций и индексирования документов. Вы применяете её для интеграции с векторными базами и системами поиска по смыслу.
BGE M3 возвращает числовые векторы — эмбеддинги — в виде массивов чисел через API. Модель принимает текстовый вход до 8192 токенов и вычисляет векторное представление, удобное для хранения и поиска в векторных БД (Qdrant, pgvector и т.п.).
В наших данных не отмечено, что BGE M3 выполняет рассуждения перед ответом. Это модель эмбеддингов, которая строит семантические представления текста, а не генерирует пошаговые рассуждения; логические цепочки обычно реализует модель генерации, а не эмбеддинги.
В наших данных не отмечено, что модель поддерживает function calling или структурированный JSON. BGE M3 возвращает эмбеддинги как массивы чисел; интеграция с вызовом функций и формированием JSON обычно оборачивается на уровне API‑клиента или инфраструктуры.
В наших данных не отмечено приёма на вход кроме текста. BGE M3 помечена как EMBEDDING, поэтому предполагается работа с текстовыми эмбеддингами; если нужна мультимодальность, уточните по спецификациям модели или используйте специализированные мультимодальные эмбеддинги.
Мы не располагаем подтверждёнными данными о качестве понимания русского языка у BGE M3. Поскольку это эмбеддинг‑модель, её точность для русского зависит от обучающих данных и токенизации; рекомендуем провести собственное тестирование на типичных задачах.