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.

Главная

/

Модели

/

Модели эмбеддингов

/

bge-m3 (1024‑мерные эмбеддинги)

Характеристики

Входные данные
текст
Результат
векторы (эмбеддинги)
Размер контекста
8 194 токена
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-m3 (1024‑мерные эмбеддинги)Мы 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-m3',
    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-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.

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