BAAI: bge-large-en-v1.5

BAAI bge-large-en-v1.5 är en inbäddningsmodell från BAAI, Beijing Academy of Artificial Intelligence. Den tillhör kategorin inbäddningar snarare än kategorin chatt, vilket innebär att den inte genererar konversationell text. Istället omvandlar den text till vektorer som du kan lagra, jämföra och söka i. Modellen släpptes av leverantören 2025-11-18.

Modellen tar engelsk text som indata och producerar inbäddningar som utdata. Den mappar engelska meningar, stycken och dokument till ett 1024-dimensionellt tätt vektorrum, med målet att skapa semantiska inbäddningar med hög återgivning. Kontextfönstret är 512 tokens, och maximal utdata är 460. Eftersom indata endast är text och utdata är en vektor finns det ingen genererad prosa att läsa eller tolka; du får numeriska representationer av betydelse som efterföljande system kan arbeta med.

Dessa egenskaper pekar mot en ganska specifik uppsättning användningsområden. Semantisk sökning är det uppenbara: bädda in dina dokument en gång, bädda in frågan vid förfrågningstillfället och rangordna efter vektorlikhet. Dokumenthämtning och pipeliner för hämtningsförstärkt generering följer samma mönster, där inbäddningsmodellen hanterar återkallning och en separat genereringsmodell hanterar svaret. Modellen lämpar sig också för efterföljande NLP-uppgifter som konsumerar inbäddningar, såsom klustring, deduplicering, klassificeringsfunktioner och likhetsjämförelse mellan meningar eller stycken. Allt som behöver en kompakt numerisk representation av engelsk text är en kandidat.

Du anropar den via api14:s OpenAI-kompatibla API med modell-id:t "baai/bge-large-en-v1.5". Eftersom slutpunkten följer OpenAI:s inbäddningsformat skickar du din text i fältet input och får en vektor tillbaka i svaret. Modellen listar inga parametrar som stöds, så det finns inget att justera utöver modell-id:t och själva indata; förvänta dig inte att alternativ som temperature eller top_p gäller här, eftersom de tillhör genereringsmodeller. Håll varje indata inom kontextfönstret på 512 tokens, och notera den maximala utdatan på 460.

Den främsta begränsningen att planera kring är fönstret på 512 tokens. Långa dokument behöver delas upp i bitar innan de bäddas in, och strategin för uppdelning kommer att påverka hämtningskvaliteten mer än något annat du kontrollerar. Om din uppgift kräver att generera text snarare än att representera den är detta fel modell och du bör istället titta på en chatt- eller kompletteringsmodell. Om din text inte är engelsk innebär modellens uttalade fokus på engelska att du bör kontrollera om den passar innan du binder dig.