e5-large-v2 (эмбеддинги 1024d)

нейросеть

Модель e5-large-v2 преобразует английские предложения, абзацы и документы в 1024‑мерные плотные векторы. Обеспечивает высокую точность семантических эмбеддингов, оптимизированных для извлечения релевантных документов, семантического поиска, повторного ранжирования и оценки схожести. Доступна через BotHub для быстрой интеграции в поисковые и рекомендательные системы.

Главная

/

Модели

/

Модели эмбеддингов

/

e5-large-v2 (эмбеддинги 1024d)

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 e5-large-v2 (эмбеддинги 1024d)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: 'e5-large-v2',
    input: 'The food was delicious and the waiter...',
    encoding_format: 'float'
  });

  const embedding = response.data[0].embedding;

  console.log(embedding);
}
main();
illustaration

Как работает e5-large-v2 (эмбеддинги 1024d)?

Попробуйте e5-large-v2 на BotHub — точные эмбеддинги для семантического поиска.

Частые вопросы о e5-large-v2 (эмбеддинги 1024d)

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.

E5 Large v2 — модель эмбеддингов от intfloat. Преобразует текстовые фрагменты в векторные представления, пригодные для семантического поиска, сопоставления, кластеризации и RAG. Вы можете интегрировать её с векторными БД и системами поиска по смыслу.

Модель выдаёт числовые векторные эмбеддинги для текстовых фрагментов; входной контекст ограничен 512 токенами. Вы получите массивы, удобно сохранять в векторных БД и использовать для семантического сравнения, поиска и индексирования.

В наших данных не отмечено, что модель выполняет явные цепочки рассуждений. E5 Large v2 фокусируется на создании эмбеддингов — компактных векторных представлений смысла. Если вам нужны пошаговые объяснения, используйте текстовые модели.

В наших данных не отмечено поддержка function calling или структурированного JSON-вывода; модель возвращает эмбеддинги как числовые массивы. Для организации вызовов функций и формированного JSON вы можете использовать фронт- или бэкенд-логику поверх эмбеддингов.

В наших данных не отмечено приём мультимодальных входов; E5 Large v2 заявлена как модель эмбеддингов для текста. Если вам нужен анализ изображений или аудио, рассмотрите специализированные мультимодальные модели или предварительно преобразуйте медиа в текстовые описания.

В наших данных не указано конкретное качество понимания русского языка. Эмбеддинги отражают семантику текстов, но качество зависит от обучающих данных. Рекомендуем вам провести собственные тесты на ваших русскоязычных примерах перед разворачиванием в проде.

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