BAAI: bge-large-en-v1.5

BAAI bge-large-en-v1.5 adalah model embedding dari BAAI, Beijing Academy of Artificial Intelligence. Model ini berada dalam kategori embeddings, bukan kategori chat, yang berarti model ini tidak menghasilkan teks percakapan. Sebaliknya, model ini mengubah teks menjadi vektor yang dapat Anda simpan, bandingkan, dan telusuri. Model ini dirilis oleh penyedia pada 2025-11-18.

Model ini menerima teks bahasa Inggris sebagai input dan menghasilkan embeddings sebagai output. Model ini memetakan kalimat, paragraf, dan dokumen bahasa Inggris ke ruang vektor padat 1024 dimensi, dengan tujuan menghasilkan semantic embeddings yang berfidelitas tinggi. Context window-nya adalah 512 token, dan output maksimumnya adalah 460. Karena inputnya hanya teks dan outputnya adalah vektor, tidak ada prosa yang dihasilkan untuk dibaca atau diurai; Anda mendapatkan representasi numerik makna yang dapat diproses oleh sistem hilir.

Karakteristik tersebut mengarah pada serangkaian penggunaan yang cukup spesifik. Semantic search adalah salah satu yang paling jelas: embed dokumen Anda sekali, embed query saat permintaan, lalu peringkatkan berdasarkan kemiripan vektor. Document retrieval dan pipeline retrieval-augmented generation mengikuti pola yang sama, di mana model embedding menangani recall dan model generasi terpisah menangani jawaban. Model ini juga cocok untuk tugas NLP hilir yang menggunakan embeddings, seperti clustering, deduplikasi, fitur klasifikasi, dan perbandingan kemiripan antar kalimat atau paragraf. Apa pun yang membutuhkan representasi numerik ringkas dari teks bahasa Inggris adalah kandidat.

Anda memanggilnya melalui API yang kompatibel dengan OpenAI dari api14 menggunakan model id "baai/bge-large-en-v1.5". Karena endpoint mengikuti bentuk embeddings OpenAI, Anda mengirim teks di field input dan menerima vektor kembali di response. Model ini tidak mencantumkan parameter yang didukung, jadi tidak ada yang perlu disetel selain model id dan input itu sendiri; jangan berharap opsi seperti temperature atau top_p berlaku di sini, karena itu milik model generasi. Jaga setiap input tetap dalam context window 512 token, dan perhatikan output maksimum 460.

Batasan utama yang perlu direncanakan adalah window 512 token tersebut. Dokumen panjang perlu dipecah menjadi chunk sebelum di-embed, dan strategi chunking akan memengaruhi kualitas retrieval lebih dari apa pun yang Anda kendalikan. Jika tugas Anda membutuhkan pembuatan teks, bukan representasinya, ini model yang salah dan Anda sebaiknya melihat model chat atau completion. Jika teks Anda bukan bahasa Inggris, fokus model yang dinyatakan pada bahasa Inggris berarti Anda harus memeriksa apakah model ini cocok sebelum menggunakannya.