Какова основная специализация модели E5-Base-v2?

Модель специализируется на создании качественных семантических эмбеддингов для английского языка, которые используются в поиске и анализе сходства текстов.

Какой максимальный размер контекста поддерживает модель?

E5-Base-v2 поддерживает работу с текстами длиной до 512 токенов, что оптимально для предложений и небольших абзацев.

Можно ли использовать эту модель на платформе alltokens?

Да, данная модель доступна через API alltokens для интеграции в ваши приложения и системы поиска.

Intfloat: E5-Base-v2

INIntfloatОбновлено: 18 ноября 2025 г.

E5-Base-v2 — это эффективная модель эмбеддингов, предназначенная для преобразования английских текстов в плотные векторы размерностью 768. Она оптимизирована для задач семантического поиска и оценки сходства текстов, обеспечивая высокую точность при умеренных вычислительных затратах.

Использовать через API

Метрики

Вход

1 ₽/M

Выход

0 ₽/M

Контекст

8k tokens

Параметры

Релиз

18 ноября 2025 г.

Поддерживаемые параметры

frequency_penaltymax_tokensmin_ppresence_penaltyrepetition_penaltyresponse_formatseedstoptemperaturetop_ktop_p

Технический обзор

Модель эмбеддингов e5-base-v2 преобразует предложения и абзацы на английском языке в плотные векторы размерностью 768. Она создает эффективные и высококачественные семантические эмбеддинги, оптимизированные для таких задач, как семантический поиск, оценка сходства, поиск информации и кластеризация. 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

Intfloat: E5-Base-v2Текущая

Для чего

Контекст

Цена ₽

1 / 0

Intfloat: E5-Base-v2Текущая

1 / 0

Модель

Perplexity: Embed V1 4B

Для чего

Обе модели специализируются на создании векторных представлений текста для задач поиска, но E5-Base-v2 предлагает более компактную размерность векторов.

Контекст

32k

Цена ₽

4 / 0

Perplexity: Embed V1 4B

32k

4 / 0

Модель

Perplexity: Embed V1 0.6B

Для чего

Модели ориентированы на высокую производительность в задачах семантического анализа и сопоставления фрагментов текста.

Контекст

32k

Цена ₽

1 / 0

Perplexity: Embed V1 0.6B

32k

1 / 0

Когда выбирать

Необходима высокая точность семантического поиска в англоязычных документах
Требуется эффективная модель для вычисления сходства предложений и абзацев
Проект предполагает использование стандартной размерности векторов 768 для интеграции в существующие векторные БД