BAAI: bge-large-en-v1.5

BAAI bge-large-en-v1.5 es un modelo de embeddings de BAAI, la Academia de Inteligencia Artificial de Pekín. Se sitúa en la categoría de embeddings en lugar de la categoría de chat, lo que significa que no genera texto conversacional. En su lugar, convierte el texto en vectores que puedes almacenar, comparar y sobre los que puedes buscar. El modelo fue publicado por el proveedor el 2025-11-18.

El modelo toma texto en inglés como entrada y produce embeddings como salida. Asigna oraciones, párrafos y documentos en inglés a un espacio vectorial denso de 1024 dimensiones, con el objetivo de lograr embeddings semánticos de alta fidelidad. La ventana de contexto es de 512 tokens, y la salida máxima es de 460. Dado que la entrada es solo texto y la salida es un vector, no hay prosa generada que leer o analizar; obtienes representaciones numéricas del significado con las que los sistemas posteriores pueden trabajar.

Esas características apuntan a un conjunto de usos bastante específico. La búsqueda semántica es el más obvio: genera los embeddings de tus documentos una vez, genera el embedding de la consulta en el momento de la solicitud y clasifica por similitud vectorial. La recuperación de documentos y los pipelines de generación aumentada por recuperación siguen el mismo patrón, donde el modelo de embeddings se encarga de la recuperación y un modelo de generación independiente se encarga de la respuesta. El modelo también es adecuado para tareas posteriores de PLN que consumen embeddings, como agrupamiento, deduplicación, características de clasificación y comparación de similitud entre oraciones o párrafos. Cualquier cosa que necesite una representación numérica compacta de texto en inglés es una candidata.

Lo llamas a través de la API compatible con OpenAI de api14 usando el id de modelo "baai/bge-large-en-v1.5". Como el endpoint sigue la forma de embeddings de OpenAI, envías tu texto en el campo input y recibes un vector de vuelta en la respuesta. El modelo no lista parámetros compatibles, así que no hay nada que ajustar más allá del id de modelo y la propia entrada; no esperes que opciones como temperature o top_p se apliquen aquí, ya que esas pertenecen a los modelos de generación. Mantén cada entrada dentro de la ventana de contexto de 512 tokens, y ten en cuenta la salida máxima de 460.

La principal restricción a tener en cuenta es esa ventana de 512 tokens. Los documentos largos deben dividirse en fragmentos antes de generar los embeddings, y la estrategia de fragmentación afectará la calidad de la recuperación más que cualquier otra cosa que controles. Si tu tarea requiere generar texto en lugar de representarlo, este es el modelo equivocado y deberías buscar un modelo de chat o de completado. Si tu texto no está en inglés, el enfoque declarado del modelo en el inglés significa que deberías comprobar si encaja antes de comprometerte.