BAAI: bge-large-en-v1.5

BAAI bge-large-en-v1.5 to model embedding od BAAI, Beijing Academy of Artificial Intelligence. Należy do kategorii embeddings, a nie chat, co oznacza, że nie generuje tekstu konwersacyjnego. Zamiast tego zamienia tekst na wektory, które można przechowywać, porównywać i przeszukiwać. Model został udostępniony przez dostawcę 2025-11-18.

Model przyjmuje jako dane wejściowe tekst w języku angielskim i zwraca embeddingi jako dane wyjściowe. Odwzorowuje angielskie zdania, akapity i dokumenty w 1024-wymiarową gęstą przestrzeń wektorową, dążąc do embeddingów semantycznych o wysokiej wierności. Okno kontekstu wynosi 512 tokenów, a maksymalne dane wyjściowe to 460. Ponieważ dane wejściowe to wyłącznie tekst, a dane wyjściowe to wektor, nie ma generowanej prozy do czytania ani analizowania; otrzymujesz numeryczne reprezentacje znaczenia, z którymi mogą pracować systemy downstream.

Te cechy wskazują na dość konkretny zestaw zastosowań. Wyszukiwanie semantyczne jest oczywistym przypadkiem: raz wygeneruj embeddingi dokumentów, przy żądaniu wygeneruj embedding zapytania i uszereguj wyniki według podobieństwa wektorowego. Wyszukiwanie dokumentów oraz pipeline'y generowania wspomaganego wyszukiwaniem pasują do tego samego wzorca, w którym model embeddingowy odpowiada za odzyskiwanie, a osobny model generatywny za odpowiedź. Model nadaje się także do zadań NLP downstream, które korzystają z embeddingów, takich jak grupowanie, deduplikacja, cechy klasyfikacyjne i porównywanie podobieństwa między zdaniami lub akapitami. Wszystko, co wymaga zwartej numerycznej reprezentacji tekstu angielskiego, jest kandydatem.

Wywołujesz go przez API zgodne z OpenAI w api14, używając identyfikatora modelu "baai/bge-large-en-v1.5". Ponieważ endpoint ma kształt zgodny z embeddings OpenAI, wysyłasz tekst w polu input i otrzymujesz wektor z powrotem w odpowiedzi. Model nie wymienia żadnych obsługiwanych parametrów, więc nie ma nic do dostrajania poza identyfikatorem modelu i samym wejściem; nie oczekuj, że opcje takie jak temperature czy top_p będą tu miały zastosowanie, ponieważ należą one do modeli generatywnych. Utrzymuj każde wejście w oknie kontekstu 512 tokenów i pamiętaj o maksymalnych danych wyjściowych wynoszących 460.

Głównym ograniczeniem, które trzeba uwzględnić w planowaniu, jest to okno 512 tokenów. Długie dokumenty trzeba podzielić na fragmenty przed wygenerowaniem embeddingów, a strategia dzielenia wpłynie na jakość wyszukiwania bardziej niż cokolwiek innego, co kontrolujesz. Jeśli Twoje zadanie wymaga generowania tekstu, a nie jego reprezentowania, to jest niewłaściwy model i powinieneś zamiast tego rozważyć model chat lub completion. Jeśli Twój tekst nie jest w języku angielskim, deklarowane skupienie modelu na angielskim oznacza, że przed podjęciem decyzji powinieneś sprawdzić, czy się nadaje.