Каталог моделей

Показано 1–35 из 35 моделей

В каталоге

Эмбеддинги

BAAI: bge-base-en-v1.5

baai/bge-base-en-v1.5

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.

Вход: Текст

512
токенов контекста

В каталоге

Эмбеддинги

BAAI: bge-large-en-v1.5

baai/bge-large-en-v1.5

Модель 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

512
токенов контекста

В каталоге

Эмбеддинги

BAAI: bge-m3

baai/bge-m3

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

8 194
токенов контекста

В каталоге

Эмбеддинги

Google: Gemini Embedding 001

google/gemini-embedding-001

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

20 000
токенов контекста

В каталоге

Эмбеддинги

Google: Gemini Embedding 2

google/gemini-embedding-2

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

8 192
токенов контекста

В каталоге

Эмбеддинги

Google: Gemini Embedding 2 Preview

google/gemini-embedding-2-preview

Gemini Embedding 2 Preview — 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). Она поддерживает контекст ввода до 8,192 токенов и гибкие размеры выходных данных от 128 до 3,072 (рекомендуемые: 768, 1536 или 3,072). Модель 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 конвейеров понимания документов.

Вход: Текст, Изображения, Файлы, Аудио, Видео

8 192
токенов контекста

В каталоге

Эмбеддинги

Intfloat: E5-Base-v2

intfloat/e5-base-v2

Модель встраивания e5-base-v2 кодирует английские предложения и абзацы в 768-мерное плотное векторное пространство, создавая эффективные и высококачественные семантические встраивания, оптимизированные для таких задач, как семантический поиск, оценка сходства, извлечение и кластеризация.

Вход: Текст

512
токенов контекста

В каталоге

Эмбеддинги

Intfloat: E5-Large-v2

intfloat/e5-large-v2

Модель встраивания e5-large-v2 отображает английские предложения, абзацы и документы в 1024-мерное плотное векторное пространство, обеспечивая высокоточную семантическую встраиваемость, оптимизированную для задач поиска, семантического поиска, переоценки и оценки сходства.

Вход: Текст

512
токенов контекста

В каталоге

Эмбеддинги

Intfloat: Multilingual-E5-Large

intfloat/multilingual-e5-large

Модель многозначных встраиваний multilingual-e5-large кодирует предложения, абзацы и документы на более чем 90 языках в 1024-мерное плотное векторное пространство, обеспечивая надежные семантические встраивания, оптимизированные для многоязычного поиска, межъязыковой схожести и масштабного поиска данных.

Вход: Текст

512
токенов контекста

В каталоге

Эмбеддинги

LiquidAI: LFM2.5-Embedding-350M (free)

liquid/lfm-2.5-embedding-350m:free

LFM2.5-Embedding-350M — модель эмбеддингов текста от Liquid AI. Она формирует 1024-мерные векторные представления для поиска и семантического сопоставления. Запросы к бесплатной версии и полученные эмбеддинги могут сохраняться и использоваться для обучения моделей Liquid.

Вход: Текст

512
токенов контекста

В каталоге

Эмбеддинги

Mistral: Codestral Embed 2505

mistralai/codestral-embed-2505

Mistral Codestral Embed специально разработан для работы с кодом, идеально подходит для встраивания кодовых баз данных, репозиториев и обеспечения работы кодовых ассистентов с передовыми методами поиска.

Вход: Текст

8 192
токенов контекста

В каталоге

Эмбеддинги

Mistral: Mistral Embed 2312

mistralai/mistral-embed-2312

Mistral Embed — это специализированная модель встраивания для текстовых данных, оптимизированная для семантического поиска и приложений RAG. Разработанная Mistral AI в конце 2023 года, она производит векторы размерностью 1024, которые эффективно улавливают семантические отношения в тексте.

Вход: Текст

8 192
токенов контекста

В каталоге

Эмбеддинги

NVIDIA: Llama Nemotron Embed VL 1B V2 (free)

nvidia/llama-nemotron-embed-vl-1b-v2:free

Llama Nemotron Embed VL 1B V2 — embedding-модель, оптимизированная для мультимодального поиска в задачах вопрос-ответ. Модель умеет кодировать «документы» в виде изображения, текста или их сочетания.

Вход: Текст

131 072
токенов контекста

В каталоге

Эмбеддинги

NVIDIA: Nemotron 3 Embed 1B (free)

nvidia/nemotron-3-embed-1b:free

NVIDIA Nemotron 3 Embed 1B — модель эмбеддингов текста от NVIDIA с открытыми весами, оптимизированная для высокопроизводительного поиска с низкой задержкой. Она подходит для корпоративного поиска, генерации с дополнением через поиск (RAG), поиска по коду и агентных сценариев извлечения информации, сохраняя более 95% точности версии на 8 миллиардов параметров при значительно меньших требованиях к развёртыванию.

Вход: Текст

32 768
токенов контекста

В каталоге

Эмбеддинги

OpenAI: Text Embedding 3 Large

openai/text-embedding-3-large

text-embedding-3-large — это самая мощная модель встраивания от OpenAI для задач как на английском, так и на других языках. Встраивания представляют собой числовое представление текста, которое можно использовать для измерения взаимосвязанности между двумя фрагментами текста. Встраивания полезны для поиска, кластеризации, рекомендаций, обнаружения аномалий и задач классификации.

Вход: Текст

8 192
токенов контекста

Доступна в API

Эмбеддинги

OpenAI: Text Embedding 3 Small

openai/text-embedding-3-small

text-embedding-3-small — это улучшенная и более производительная версия модели ada embedding от OpenAI. Встраивания представляют собой числовое представление текста, которое можно использовать для измерения степени связанности между двумя текстами. Встраивания полезны для задач поиска, кластеризации, рекомендаций, обнаружения аномалий и классификации.

Вход: Текст

8 192
токенов контекста

В каталоге

Эмбеддинги

OpenAI: Text Embedding Ada 002

openai/text-embedding-ada-002

text-embedding-ada-002 — это устаревшая модель текстового встраивания от OpenAI.

Вход: Текст

8 192
токенов контекста

В каталоге

Эмбеддинги

Perplexity: Embed V1 0.6B

perplexity/pplx-embed-v1-0.6B

Характеристики и доступные операции — в карточке модели.

Вход: Текст

32 000
токенов контекста

В каталоге

Эмбеддинги

Perplexity: Embed V1 0.6B

perplexity/pplx-embed-v1-0.6b

pplx-embed-v1-0.6B является одной из передовых моделей текстового встраивания от Perplexity, созданной для реального использования в веб-масштабном поиске. pplx-embed-v1 оптимизирована для стандартного плотного текстового поиска с моделью на 0.6B параметров, ориентированной на легковесное и низкозатратное по времени создание встраиваний.

Вход: Текст

32 000
токенов контекста

В каталоге

Эмбеддинги

Perplexity: Embed V1 4B

perplexity/pplx-embed-v1-4B

pplx-embed-v1 -4B — это одна из передовых моделей текстового встраивания Perplexity, созданная для работы с данными в реальном мире и в масштабах сети. pplx-embed-v1 оптимизирована для стандартного плотного поиска текста, а модель с 4 миллиардами параметров максимизирует качество поиска.

Вход: Текст

32 000
токенов контекста

В каталоге

Эмбеддинги

Perplexity: Embed V1 4B

perplexity/pplx-embed-v1-4b

pplx-embed-v1 -4B является одной из передовых моделей текстового встраивания от Perplexity, созданной для извлечения информации в реальном мире и в масштабах интернета. pplx-embed-v1 оптимизирована для стандартного плотного извлечения текста, а модель с параметром 4B максимизирует качество извлечения.

Вход: Текст

32 000
токенов контекста

В каталоге

Эмбеддинги

Qwen: Qwen3 Embedding 4B

qwen/qwen3-embedding-4b

Серия моделей Qwen3 Embedding является последней собственнической моделью семейства Qwen, специально разработанной для задач встраивания текста и ранжирования. Эта серия наследует исключительные многоязычные возможности, понимание длинных текстов и навыки рассуждения своей базовой модели. Серия Qwen3 Embedding представляет значительные достижения в различных задачах встраивания и ранжирования текста, включая поиск текста, поиск кода, классификацию текста, кластеризацию текста и двуязычный майнинг.

Вход: Текст

32 768
токенов контекста

В каталоге

Эмбеддинги

Qwen: Qwen3 Embedding 8B

qwen/qwen3-embedding-8b

Серия моделей Qwen3 Embedding — это последняя собственная модель семейства Qwen, специально разработанная для задач текстового встраивания и ранжирования. Эта серия наследует исключительные многоязычные возможности, понимание длинных текстов и навыки рассуждения своей базовой модели. Серия Qwen3 Embedding представляет собой значительные достижения в различных задачах текстового встраивания и ранжирования, включая поиск текста, поиск кода, классификацию текста, кластеризацию текста и двуязычный майнинг.

Вход: Текст

32 768
токенов контекста

В каталоге

Эмбеддинги

Sentence Transformers: all-MiniLM-L6-v2

sentence-transformers/all-minilm-l6-v2

Модель встраивания all-MiniLM-L6-v2 отображает предложения и короткие абзацы в 384-мерное плотное векторное пространство, обеспечивая высококачественные семантические представления, которые идеально подходят для последующих задач, таких как поиск информации, кластеризация, оценка сходства и ранжирование текста.

Вход: Текст

512
токенов контекста

В каталоге

Эмбеддинги

Sentence Transformers: all-MiniLM-L12-v2

sentence-transformers/all-minilm-l12-v2

Модель встраивания all-MiniLM-L12-v2 преобразует предложения и короткие абзацы в 384-мерное плотное векторное пространство, создавая эффективные и высококачественные семантические встраивания, оптимизированные для таких задач, как семантический поиск, кластеризация и оценка сходства.

Вход: Текст

512
токенов контекста

В каталоге

Эмбеддинги

Sentence Transformers: all-mpnet-base-v2

sentence-transformers/all-mpnet-base-v2

Модель встраивания all-mpnet-base-v2 кодирует предложения и короткие абзацы в 768-мерное плотное векторное пространство, обеспечивая высококачественные семантические встраивания, которые хорошо подходят для таких задач, как поиск информации, кластеризация, оценка сходства и ранжирование текста.

Вход: Текст

512
токенов контекста

В каталоге

Эмбеддинги

Sentence Transformers: multi-qa-mpnet-base-dot-v1

sentence-transformers/multi-qa-mpnet-base-dot-v1

Модель встраивания multi-qa-mpnet-base-dot-v1 преобразует предложения и короткие абзацы в плотное векторное пространство размерностью 768, создавая высококачественные семантические встраивания, оптимизированные для поиска вопросов и ответов, семантического поиска и оценки сходства в разнообразном контенте.

Вход: Текст

512
токенов контекста

В каталоге

Эмбеддинги

Sentence Transformers: paraphrase-MiniLM-L6-v2

sentence-transformers/paraphrase-minilm-l6-v2

Модель встраивания paraphrase-MiniLM-L6-v2 преобразует предложения и короткие абзацы в 384-мерное плотное векторное пространство, создавая высококачественные семантические встраивания, оптимизированные для обнаружения парафраз, оценки семантического сходства, кластеризации и легковесных задач извлечения.

Вход: Текст

512
токенов контекста

В каталоге

Эмбеддинги

Thenlper: GTE-Base

thenlper/gte-base

Модель gte-base embedding кодирует английские предложения и абзацы в 768-мерное плотное векторное пространство, обеспечивая эффективные семантические встраивания, оптимизированные для задач текстового сходства, семантического поиска и кластеризации.

Вход: Текст

512
токенов контекста

В каталоге

Эмбеддинги

Thenlper: GTE-Large

thenlper/gte-large

Модель gte-large преобразует английские предложения, абзацы и документы средней длины в 1024-мерное плотное векторное пространство, обеспечивая высококачественные семантические встраивания, оптимизированные для задач поиска информации, семантического текстового сходства, повторного ранжирования и кластеризации. Обученная с помощью многоэтапного контрастивного обучения на большом корпусе с разнообразной тематикой, она демонстрирует отличную производительность в универсальных случаях использования встраиваний.

Вход: Текст

512
токенов контекста

В каталоге

Эмбеддинги

VoyageAI by MongoDB: voyage-4

voyageai/voyage-4

Voyage 4 — это универсальная многоязычная модель встраивания от Voyage AI компании MongoDB. Она подходит для извлечения данных, семантического поиска и приложений RAG, с встраиваниями Matryoshka размерностью 2048, 1024, 512 и 256, а также с несколькими вариантами квантования.

Вход: Текст

32 000
токенов контекста

В каталоге

Эмбеддинги

VoyageAI by MongoDB: voyage-4-large

voyageai/voyage-4-large

Voyage 4 Large — это многоязычная модель встраивания общего назначения от Voyage AI компании MongoDB, оптимизированная для качества поиска. Она поддерживает встраивания Matryoshka с размерностями 2048, 1024, 512 и 256, предлагая несколько вариантов квантования для балансировки качества поиска, хранения и эффективности обслуживания.

Вход: Текст

32 000
токенов контекста

В каталоге

Эмбеддинги

VoyageAI by MongoDB: voyage-4-lite

voyageai/voyage-4-lite

Voyage 4 Lite — это модель общего назначения для встраивания, ориентированная на эффективность, разработанная Voyage AI от MongoDB, оптимизированная для низкой задержки и чувствительного к затратам извлечения. Она поддерживает вложенные встраивания Matryoshka с размерностями 2048, 1024, 512 и 256, с несколькими вариантами квантования.

Вход: Текст

32 000
токенов контекста

В каталоге

Эмбеддинги

VoyageAI by MongoDB: voyage-code-4

voyageai/voyage-code-4

voyage-code-4 — это модель кодирования от Voyage AI, компании MongoDB. Она предназначена для агентов кодирования и поиска кода, с вложениями Matryoshka на 2048, 1024, 512 и 256 измерений и множеством вариантов квантования.

Вход: Текст

32 000
токенов контекста

В каталоге

Эмбеддинги

VoyageAI by MongoDB: voyage-multimodal-3.5

voyageai/voyage-multimodal-3.5

Voyage Multimodal 3.5 — это мультимодальная модель встраивания от Voyage AI компании MongoDB. Она отображает перемешанный текст и визуальный контент в общее пространство встраивания для межмодального поиска по документам, скриншотам, рисункам, таблицам и другим коллекциям смешанных медиа, с встраиваниями Matryoshka на 2048, 1024, 512 и 256 измерений.

Вход: Текст, Изображения

32 000
токенов контекста

Как работает каталог

Единый API

Используйте один клиентский ключ и публичный ID модели. Способ обращения указан в документации.

Прозрачная доступность

Каталог содержит и подключённые модели, и записи источников. Доступные операции и уровень проверки — в карточке.

Цены в рублях

Тарифы учитывают обычную наценку. Предварительная оценка по вашему ключу учитывает индивидуальные условия.

Подключите выбранную модель.

Изучите быстрый старт и методы API. Ключ и пополнение баланса предоставляет администратор.

Быстрый старт Методы API

Каталог моделей.

Выбор модели

Как работает каталог

Единый API

Прозрачная доступность

Цены в рублях

Подключите выбранную модель.