Для каких задач лучше всего подходит bge-base-en-v1.5?

Модель идеально подходит для семантического поиска, кластеризации текстов и задач сопоставления документов в рамках систем вопрос-ответ.

Какова размерность векторов у этой модели?

Модель генерирует плотные векторы размерностью 768, что обеспечивает высокую точность при умеренных требованиях к хранилищу.

Можно ли использовать эту модель через alltokens?

Да, модель доступна через API alltokens, что позволяет легко интегрировать качественные эмбеддинги в ваши приложения.

BAAI: bge-base-en-v1.5

BABaaiОбновлено: 18 ноября 2025 г.

Компактная и эффективная модель эмбеддингов для английского языка, преобразующая текст в 768-мерные векторы. Версия 1.5 оптимизирована для задач семантического поиска, сопоставления документов и построения систем RAG.

Использовать через API

Метрики

Вход

1 ₽/M

Выход

0 ₽/M

Контекст

512 tokens

Параметры

Релиз

18 ноября 2025 г.

Поддерживаемые параметры

frequency_penaltymax_tokensmin_ppresence_penaltyrepetition_penaltyresponse_formatseedstoptemperaturetop_ktop_p

Технический обзор

Модель эмбеддингов bge-base-en-v1.5 преобразует английские предложения и абзацы в плотные векторы размерности 768, обеспечивая эффективные и высококачественные семантические представления. Модель оптимизирована для задач поиска, семантического анализа и сопоставления документов. Версия v1.5 отличается улучшенным распределением показателей сходства и более высокой производительностью поиска без необходимости дополнительной настройки.

Кодинг

Инструменты

Длинный контекст

Мультимодальность

Веб-автоматизация

Смежные подборки

Недорогие модели

Сравнение с похожими моделями

Модель

Для чего

Контекст

Цена ₽

Модель

BAAI: bge-base-en-v1.5Текущая

Для чего

Контекст

512

Цена ₽

1 / 0

BAAI: bge-base-en-v1.5Текущая

512

1 / 0

Модель

Perplexity: Embed V1 4B

Для чего

Обе модели предназначены для создания текстовых представлений, но BAAI предлагает более компактную архитектуру при сохранении высокого качества поиска.

Контекст

32k

Цена ₽

4 / 0

Perplexity: Embed V1 4B

32k

4 / 0

Модель

Perplexity: Embed V1 0.6B

Для чего

Являются конкурентами в сегменте легковесных моделей для быстрого извлечения информации и работы с векторными базами данных.

Контекст

32k

Цена ₽

1 / 0

Perplexity: Embed V1 0.6B

32k

1 / 0

Когда выбирать

Необходима высокая скорость генерации эмбеддингов для больших массивов английского текста
Требуется интеграция в системы семантического поиска или RAG-пайплайны
Нужна сбалансированная модель с размерностью вектора 768 для экономии места в БД