BAAI: bge-large-en-v1.5

BAAI bge-large-en-v1.5 is een embeddingmodel van BAAI, de Beijing Academy of Artificial Intelligence. Het valt in de categorie embeddings en niet in de categorie chat, wat betekent dat het geen conversationele tekst genereert. In plaats daarvan zet het tekst om in vectoren die je kunt opslaan, vergelijken en doorzoeken. Het model werd door de provider uitgebracht op 2025-11-18.

Het model neemt Engelse tekst als invoer en produceert embeddings als uitvoer. Het brengt Engelse zinnen, paragrafen en documenten in kaart in een 1024-dimensionale dichte vectorruimte, met als doel hoogwaardige semantische embeddings. Het contextvenster is 512 tokens en de maximale uitvoer is 460. Omdat de invoer alleen tekst is en de uitvoer een vector, is er geen gegenereerd proza om te lezen of te parsen; je krijgt numerieke representaties van betekenis waarmee downstream-systemen kunnen werken.

Die kenmerken wijzen op een vrij specifieke set toepassingen. Semantisch zoeken is de voor de hand liggende: embed je documenten eenmalig, embed de query op het moment van het verzoek, en rangschik op vectorsimilariteit. Documentretrieval en retrieval-augmented generation-pipelines volgen hetzelfde patroon, waarbij het embeddingmodel de recall verzorgt en een apart generatiemodel het antwoord verzorgt. Het model is ook geschikt voor downstream NLP-taken die embeddings gebruiken, zoals clustering, deduplicatie, classificatiefeatures en similariteitsvergelijking tussen zinnen of paragrafen. Alles wat een compacte numerieke representatie van Engelse tekst nodig heeft, is een kandidaat.

Je roept het aan via de OpenAI-compatibele API van api14 met het model-id "baai/bge-large-en-v1.5". Omdat het endpoint de vorm van OpenAI embeddings volgt, stuur je je tekst in het input-veld en krijg je een vector terug in de respons. Het model vermeldt geen ondersteunde parameters, dus er is niets om af te stemmen naast het model-id en de invoer zelf; verwacht niet dat opties zoals temperature of top_p hier van toepassing zijn, want die horen bij generatiemodellen. Houd elke invoer binnen het contextvenster van 512 tokens, en let op de maximale uitvoer van 460.

De belangrijkste beperking om rekening mee te houden is dat venster van 512 tokens. Lange documenten moeten in stukken worden gesplitst voordat ze worden ge-embed, en de chunking-strategie zal de retrievalkwaliteit meer beïnvloeden dan wat je verder ook kunt beheren. Als je taak het genereren van tekst vereist in plaats van het representeren ervan, dan is dit het verkeerde model en kun je beter naar een chat- of completionmodel kijken. Als je tekst niet Engels is, betekent de opgegeven focus van het model op Engels dat je moet controleren of het past voordat je je eraan vastlegt.