BAAI: bge-base-en-v1.5

BAAI: bge-base-en-v1.5 ist ein Embedding-Modell von BAAI, der Beijing Academy of Artificial Intelligence. Es gehört zur Kategorie der Embeddings, was bedeutet, dass es nicht dafür gebaut ist, Chat-Antworten zu generieren oder Text zu vervollständigen. Stattdessen wandelt es Text in numerische Vektoren um. Es ist ein englischsprachiges Modell, und die v1.5 im Namen kennzeichnet dies als Version 1.5 der Familie bge-base-en. Wenn Ihre Anwendung einen allgemeinen Chat-Assistenten benötigt, ist dies nicht diese Art von Modell. Wenn Ihre Anwendung Text nach Bedeutung vergleichen, durchsuchen oder zuordnen muss, ist dies die Art von Modell, die es zu evaluieren gilt.

Das Modell akzeptiert Text als Eingabe und erzeugt Embeddings als Ausgabe. Konkret wandelt es englische Sätze und Absätze in 768-dimensionale dichte Vektoren um, die semantische Bedeutung tragen sollen. Die Kontextlänge beträgt 512 Token, und die maximale Ausgabe beträgt 460. In der Praxis bedeutet 512 Token, dass Sie Sätze oder einzelne Absätze senden sollten statt langer Dokumente, da längeres Material vor dem Embedding aufgeteilt werden muss. Der Anbieter beschreibt das Modell als effiziente, hochwertige semantische Embeddings, optimiert für Retrieval, semantische Suche und Document-Matching-Workflows. Die Vektoren sind dicht, also kompakt genug, um sie in großem Maßstab zu speichern und zu vergleichen.

Diese Eigenschaften deuten auf eine ziemlich spezifische Gruppe von Anwendungsfällen hin. Semantische Suche ist der klarste: Betten Sie eine Abfrage und Ihre Dokumente ein und ordnen Sie dann Dokumente nach Vektorähnlichkeit statt nach Keyword-Überschneidung. Retrieval-Pipelines können dasselbe Verhalten nutzen, um Passagen abzurufen, die für eine Frage relevant sind. Document Matching passt ebenfalls, zum Beispiel das Finden nahezu doppelter Datensätze, das Gruppieren ähnlicher Support-Tickets oder das Verknüpfen verwandter Elemente über zwei Sammlungen hinweg. Da das Modell nur Englisch unterstützt und auf 512 Token begrenzt ist, eignet es sich für Aufgaben auf Satz- und Absatzebene. Deduplizierung, Clustering und Ähnlichkeitsbewertung auf kurzem englischem Text sind alle natürliche Einsatzbereiche, sofern Sie längere Eingaben zuerst in Abschnitte unterteilen.

Sie rufen das Modell über die OpenAI-kompatible API von api14 mit der Modell-ID "baai/bge-base-en-v1.5" auf. Da die API dem OpenAI-Format folgt, können Sie einen vorhandenen OpenAI-Client auf api14 richten, Ihren Text an den Embeddings-Endpunkt senden und die Vektoren in der Antwort empfangen. Die aufgeführten unterstützten Parameter für dieses Modell sind leer, es nimmt also keine zusätzlichen Tuning-Optionen über das hinaus, was Ihre Anfrage bereits enthält; es gibt nichts wie temperature oder top_p zum Einstellen, da diese zur Textgenerierung gehören und nicht zum Embedding. Prüfen Sie die live Preis-Tabelle auf dieser Seite für aktuelle Tarife.

Die wichtigsten Einschränkungen, die Sie beachten sollten, sind die Kontextlänge von 512 Token, die maximale Ausgabe von 460, die Beschränkung auf Englisch als Eingabe und die Tatsache, dass die Ausgabe Vektoren statt Prosa sind. Wenn Sie lange Dokumente in einem Durchgang einbetten, mehrere Sprachen verarbeiten oder Text generieren müssen, passt ein anderes Modell auf api14 besser. Innerhalb seines vorgesehenen Umfangs, Retrieval, semantische Suche und Document Matching auf englischen Sätzen und Absätzen, ist dieses Modell eine direkte Option.