GTE Base (768‑мерные эмеддинги)

нейросеть

GTE Base кодирует английские предложения и абзацы в 768‑мерное плотное векторное пространство. Модель оптимизирована для текстовой схожести, семантического поиска и кластеризации, обеспечивая компактные и сопоставимые эмбеддинги. Доступна через BotHub для быстрого подключения и работы без VPN.

Главная

/

Модели

/

Модели эмбеддингов

/

GTE Base (768‑мерные эмеддинги)

Характеристики

Входные данные
текст
Результат
векторы (эмбеддинги)
Размер контекста
512 токенов
Размерность вектора
768
0,54 ₽

Стоимость промпта

(за 1M токенов)

*Указаны цены при использовании API через ECO-провайдеров.
Пример кода и API для GTE Base (768‑мерные эмеддинги)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: 'gte-base',
    input: 'The food was delicious and the waiter...',
    encoding_format: 'float'
  });

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

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

Как работает GTE Base (768‑мерные эмеддинги)?

Попробуйте GTE Base в BotHub для точного семантического поиска и кластеризации.

Частые вопросы о GTE Base (768‑мерные эмеддинги)

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.

GTE Base — это модель для получения эмбеддингов. Подходит для семантического поиска, поиска по вектору, RAG, кластеризации, оценки сходства текстов и индексирования документов. Модель оптимизирована на выдачу векторных представлений для downstream-задач.

Модель генерирует эмбеддинги — числовые векторы, представляющие семантику текста. Выход обычно приходит как массив чисел, который хранят в векторных базах (например, Qdrant или pgvector) и используют для поиска, кластеризации и индексирования.

В наших данных не отмечено, что GTE Base выполняет явные рассуждения или chain‑of‑thought. Как эмбеддинговая модель, она сохраняет семантику входного текста в векторы, а не генерирует пошаговые логические объяснения в явном виде.

В наших данных не отмечено поддержка вызова функций или специального структурированного вывода JSON. GTE Base возвращает эмбеддинги как числовые массивы; если нужен JSON, обычно оболочка API формирует обёртку для удобного хранения и дальнейшей обработки.

В наших данных не указано, что GTE Base принимает изображения, аудио или видео. Модель помечена как EMBEDDING, поэтому ожидается работа с текстом; для мультимодального ввода стоит проверить специальные модели или уточнить возможности у поставщика.

В наших данных нет информации о качестве работы с русским языком конкретно. Эмбеддинги обычно отражают семантику текстов на упомянутых в тренировке языках, поэтому для оценки понимания русского рекомендуется прогнать тестовый корпус и сравнить метрики поиска или кластеризации.

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