GTE-Large — 1024D семантические эмбеддинги

нейросеть

Модель gte-large преобразует английские предложения, абзацы и документы средней длины в 1024‑мерные плотные векторы. Предоставляет высококачественные семантические эмбеддинги, оптимизированные для информационного поиска, семантического сопоставления текстов и переранжирования результатов. Доступна в личном кабинете BotHub с оплатой в рублях и без необходимости VPN.

Главная

/

Модели

/

Модели эмбеддингов

/

GTE-Large — 1024D семантические 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 GTE-Large — 1024D семантические 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: 'gte-large',
    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-Large — 1024D семантические эмбеддинги?

Попробуйте gte-large на BotHub для точного семантического поиска и ранжирования.

Частые вопросы о GTE-Large — 1024D семантические 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.

Модель GTE Large генерирует эмбеддинги — числовые векторные представления текста. Подходит для семантического поиска, ранжирования, RAG, кластеризации и выявления похожести документов. Её используют как слой представления при интеграции с векторными базами и системами поиска.

Модель выдаёт числовые векторы-эмбеддинги в виде массива плавающих чисел, пригодных для индексирования и поиска по похожести. Конкретная размерность не указана; формат обычно совместим с векторными базами данных и API для семантического поиска.

В наших данных способность к рассуждениям перед ответом не отмечена. Эмбеддинги в основном отражают семантику входного текста, их используют для поиска и сопоставления, а не для генерации цепочек рассуждений; если важны выводы — комбинируйте с генеративной моделью.

В наших данных поддержка вызова функций и структурированного JSON-вывода не отмечена. Модель возвращает эмбеддинги, а организация структурированных ответов и вызовов функций обычно реализуется на уровне клиента или обёртки API, которая обрабатывает векторную выдачу.

Приём на вход помимо текста в наших данных не отмечен. GTE Large заявлен как эмбеддинговая модель, поэтому загрузка мультимодальных данных не подтверждена; если нужны эмбеддинги изображений или аудио, ищите соответствующие мультимодальные модели.

В наших данных нет информации о качестве работы с русским языком. Эмбеддинги отражают семантику на основе обучения, поэтому точность в русском зависит от тренировочных данных. Рекомендуем протестировать модель на ваших типичных текстах для оценки пригодности.

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