BAAI: bge-large-en-v1.5

BAAI bge-large-en-v1.5 est un modèle d'embedding de BAAI, la Beijing Academy of Artificial Intelligence. Il se situe dans la catégorie des embeddings plutôt que dans celle du chat, ce qui signifie qu'il ne génère pas de texte conversationnel. Il transforme plutôt le texte en vecteurs que vous pouvez stocker, comparer et parcourir par recherche. Le modèle a été publié par le fournisseur le 2025-11-18.

Le modèle prend du texte anglais en entrée et produit des embeddings en sortie. Il projette des phrases, des paragraphes et des documents en anglais dans un espace vectoriel dense de 1024 dimensions, avec pour objectif des embeddings sémantiques de haute fidélité. La fenêtre de contexte est de 512 tokens, et la sortie maximale est de 460. Comme l'entrée est uniquement du texte et que la sortie est un vecteur, il n'y a pas de prose générée à lire ou à analyser ; vous obtenez des représentations numériques du sens avec lesquelles les systèmes en aval peuvent travailler.

Ces caractéristiques indiquent un ensemble d'usages assez spécifique. La recherche sémantique est l'évidence : intégrez vos documents une fois, intégrez la requête au moment de la demande, et classez par similarité vectorielle. La récupération de documents et les pipelines de génération augmentée par récupération suivent le même schéma, où le modèle d'embedding gère le rappel et un modèle de génération distinct gère la réponse. Le modèle convient également aux tâches NLP en aval qui consomment des embeddings, telles que le clustering, la déduplication, les caractéristiques de classification et la comparaison de similarité entre phrases ou paragraphes. Tout ce qui nécessite une représentation numérique compacte de texte anglais est un candidat.

Vous l'appelez via l'API compatible OpenAI d'api14 en utilisant l'id de modèle "baai/bge-large-en-v1.5". Comme le point de terminaison suit la forme des embeddings OpenAI, vous envoyez votre texte dans le champ input et recevez un vecteur en retour dans la réponse. Le modèle ne liste aucun paramètre pris en charge, donc il n'y a rien à ajuster au-delà de l'id de modèle et de l'entrée elle-même ; ne vous attendez pas à ce que des options comme temperature ou top_p s'appliquent ici, car celles-ci appartiennent aux modèles de génération. Gardez chaque entrée dans la fenêtre de contexte de 512 tokens, et notez la sortie maximale de 460.

La principale contrainte à anticiper est cette fenêtre de 512 tokens. Les documents longs doivent être découpés en segments avant l'embedding, et la stratégie de découpage affectera la qualité de la récupération plus que tout autre élément que vous contrôlez. Si votre tâche nécessite de générer du texte plutôt que de le représenter, ce n'est pas le bon modèle et vous devriez plutôt vous tourner vers un modèle de chat ou de complétion. Si votre texte n'est pas en anglais, l'accent déclaré du modèle sur l'anglais signifie que vous devriez vérifier s'il convient avant de vous engager.