BAAI: bge-large-en-v1.5

BAAI bge-large-en-v1.5 ist ein Embedding-Modell von BAAI, der Beijing Academy of Artificial Intelligence. Es gehört zur Kategorie Embeddings und nicht zur Kategorie Chat, was bedeutet, dass es keinen Konversationstext generiert. Stattdessen wandelt es Text in Vektoren um, die Sie speichern, vergleichen und durchsuchen können. Das Modell wurde vom Anbieter am 2025-11-18 veröffentlicht.

Das Modell nimmt englischen Text als Eingabe und erzeugt Embeddings als Ausgabe. Es bildet englische Sätze, Absätze und Dokumente in einen 1024-dimensionalen dichten Vektorraum ab, mit dem Ziel hochpräziser semantischer Embeddings. Das Kontextfenster beträgt 512 Token, und die maximale Ausgabe ist 460. Da die Eingabe nur Text ist und die Ausgabe ein Vektor, gibt es keine generierte Prosa zu lesen oder zu parsen; Sie erhalten numerische Repräsentationen von Bedeutung, mit denen nachgelagerte Systeme arbeiten können.

Diese Eigenschaften deuten auf eine ziemlich spezifische Gruppe von Anwendungen hin. Semantische Suche ist die offensichtliche: Betten Sie Ihre Dokumente einmal ein, betten Sie die Anfrage zur Anfragezeit ein, und ordnen Sie nach Vektorähnlichkeit. Dokumentenabruf und Retrieval-Augmented-Generation-Pipelines folgen demselben Muster, bei dem das Embedding-Modell den Recall übernimmt und ein separates Generierungsmodell die Antwort. Das Modell eignet sich auch für nachgelagerte NLP-Aufgaben, die Embeddings konsumieren, wie Clustering, Deduplizierung, Klassifikationsmerkmale und Ähnlichkeitsvergleich zwischen Sätzen oder Absätzen. Alles, was eine kompakte numerische Repräsentation englischen Texts benötigt, ist ein Kandidat.

Sie rufen es über die OpenAI-kompatible API von api14 mit der Modell-ID "baai/bge-large-en-v1.5" auf. Da der Endpunkt der OpenAI-Embeddings-Form folgt, senden Sie Ihren Text im Feld input und erhalten einen Vektor in der Antwort zurück. Das Modell listet keine unterstützten Parameter auf, es gibt also nichts, was über die Modell-ID und die Eingabe selbst hinaus angepasst werden könnte; erwarten Sie nicht, dass Optionen wie temperature oder top_p hier gelten, da diese zu Generierungsmodellen gehören. Halten Sie jede Eingabe innerhalb des Kontextfensters von 512 Token, und beachten Sie die maximale Ausgabe von 460.

Die wichtigste Einschränkung, um die Sie planen sollten, ist dieses 512-Token-Fenster. Lange Dokumente müssen vor dem Embedding in Chunks aufgeteilt werden, und die Chunking-Strategie wird die Retrieval-Qualität stärker beeinflussen als alles andere, was Sie kontrollieren. Wenn Ihre Aufgabe das Generieren von Text statt dessen Repräsentation erfordert, ist dies das falsche Modell, und Sie sollten stattdessen ein Chat- oder Completion-Modell in Betracht ziehen. Wenn Ihr Text nicht Englisch ist, bedeutet der angegebene Fokus des Modells auf Englisch, dass Sie prüfen sollten, ob es passt, bevor Sie sich festlegen.