Модель встраивания bge-base-en-v1.5 преобразует английские предложения и абзацы в плотные векторы размерностью 768, обеспечивая эффективные и высококачественные семантические встраивания, оптимизированные для поиска, семантического поиска и рабочих процессов сопоставления документов. Эта версия (v1.5) отличается улучшенным распределением оценок сходства и более высокой производительностью поиска из коробки.
Модель ещё не подключена к API
Текст
Эмбеддинги
512 токенов
Модель встраивания bge-base-en-v1.5 преобразует английские предложения и абзацы в плотные векторы размерностью 768, обеспечивая эффективные и высококачественные семантические встраивания, оптимизированные для поиска, семантического поиска и рабочих процессов сопоставления документов. Эта версия (v1.5) отличается улучшенным распределением оценок сходства и более высокой производительностью поиска из коробки.
Характеристики сохранены из каталога источника. Доступные операции появятся после подключения модели.
Характеристики обновлены: 2026-10-02 07:15:18.000000
| Вход | Текст |
|---|---|
| Выход | Эмбеддинги |
| Контекст | 512 токенов |
encoding_formatdimensionsuserinput_typeХарактеристики получены из каталогов источников. Применимость параметра зависит от выбранной операции; её контракт описан в документации API.
Цена появится после публикации маршрута с подтверждённым тарифом и настройки расчётов. Неизвестная стоимость не считается нулевой.
Правила расчётовМодель пока не имеет опубликованных операций. Отправить запрос к ней через API ещё нельзя.
Справочник методовOpenAPIМодель встраивания bge-large-en-v1.5 отображает английские предложения, абзацы и документы в 1024-мерное плотное векторное пространство, обеспечивая высококачественные семантические встраивания, оптимизированные для семантического поиска, извлечения документов и последующих задач обработки естественного языка на английском языке.
Вход: Текст
Модель bge-m3 преобразует предложения, абзацы и длинные документы в 1024-мерное плотное векторное пространство, обеспечивая высококачественные семантические векторы, оптимизированные для многоязычного поиска, семантического поиска и приложений с большим контекстом.
Вход: Текст
gemini-embedding-001 обеспечивает передовой унифицированный опыт в различных областях, включая науку, право, финансы и программирование. Эта модель встраивания стабильно занимает лидирующие позиции в многоязычном рейтинге Massive Text Embedding Benchmark (MTEB) с момента экспериментального запуска в марте.
Вход: Текст
Gemini Embedding 2 — это первая мультимодальная модель встраивания от Google. В настоящее время мы поддерживаем отображение текста и изображений в единое векторное пространство для семантического поиска и генерации с дополнением извлечением (RAG). Модель поддерживает контекст ввода до 8,192 токенов и гибкие размеры выходных данных от 128 до 3,072 (рекомендуемые: 768, 1536 или 3,072). Разработана для кросс-модальной схожести — вы можете встроить текстовый запрос и получить наиболее релевантные изображения или наоборот — что делает её хорошо подходящей для мультимодального поиска, рекомендаций и процессов понимания документов.
Вход: Текст, Изображения, Файлы, Аудио, Видео
Изучите быстрый старт и методы API. Ключ и пополнение баланса предоставляет администратор.