Какова размерность векторов у bge-large-en-v1.5?

Модель преобразует входные данные в плотное векторное пространство размерностью 1024, что обеспечивает высокую детализацию семантических связей.

Для каких задач лучше всего подходит эта модель на alltokens?

Она идеально подходит для семантического поиска, ранжирования документов и различных задач обработки естественного языка, требующих понимания контекста.

Какой максимальный объем текста можно передать за один раз?

Модель поддерживает контекстное окно до 512 токенов, что оптимально для обработки предложений, абзацев и небольших документов.

BAAI: bge-large-en-v1.5

BABaaiОбновлено: 18 ноября 2025 г.

BAAI: bge-large-en-v1.5 — это высокоэффективная модель эмбеддингов, преобразующая английский текст в плотные 1024-мерные векторы. Она оптимизирована для задач семантического поиска и извлечения документов, обеспечивая высокую точность сопоставления смыслов.

Использовать через API

Метрики

Вход

2 ₽/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-large-en-v1.5 преобразует английские предложения, абзацы и документы в плотное векторное пространство размерностью 1024. Она обеспечивает высокоточное семантическое представление данных, оптимизированное для семантического поиска, поиска документов и решения прикладных задач обработки естественного языка на английском языке. Модель доступна через API alltokens.

Кодинг

Инструменты

Длинный контекст

Мультимодальность

Веб-автоматизация

Смежные подборки

Недорогие модели

Сравнение с похожими моделями

Модель

Для чего

Контекст

Цена ₽

Модель

BAAI: bge-large-en-v1.5Текущая

Для чего

Контекст

512

Цена ₽

2 / 0

BAAI: bge-large-en-v1.5Текущая

512

2 / 0

Модель

Perplexity: Embed V1 4B

Для чего

Обе модели предназначены для создания текстовых эмбеддингов и используются в схожих сценариях поиска информации.

Контекст

32k

Цена ₽

4 / 0

Perplexity: Embed V1 4B

32k

4 / 0

Модель

Perplexity: Embed V1 0.6B

Для чего

Модели представляют разные весовые категории в задачах векторизации текста, позволяя сравнивать точность и скорость обработки.

Контекст

32k

Цена ₽

1 / 0

Perplexity: Embed V1 0.6B

32k

1 / 0

Когда выбирать

Необходима высокая точность семантического поиска в англоязычных документах
Требуется интеграция в системы RAG для улучшения качества ответов на основе знаний
Нужна надежная модель для классификации текстов и кластеризации данных