AI TOOLS RADAR
Enviar
Todos los modelos / BAAI
baai logo
baai

BAAI: bge-base-en-v1.5

Descripción de la fuente (inglés)

The bge-base-en-v1.5 embedding model converts English sentences and paragraphs into 768-dimensional dense vectors, delivering efficient, high-quality semantic embeddings optimized for retrieval, semantic search, and document-matching workflows. This version (v1.5) features...

Ver fuente en OpenRouter Hugging Face
Resumen

Especificaciones del modelo

Contexto
512 tokens
Salida máxima
460 tokens
Arquitectura
text->embeddings
Tokenizador
Other
Corte de conocimiento
No indicado
Moderado
No
OPENROUTER

Precios completos

Tarifas sincronizadas desde OpenRouter, por millón de tokens.

Entrada
$0.005
por millón de tokens
API

Inicio rápido

Configura OPENROUTER_API_KEY localmente. Python requiere requests; JavaScript se ejecuta en Node.js. Mantén la clave en el servidor.

Documentación de la API

curl --fail-with-body https://openrouter.ai/api/v1/embeddings \
  -H "Authorization: Bearer $OPENROUTER_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model":"baai/bge-base-en-v1.5","input":"Your text here"}'
Capacidades y modalidades

Entrada → Salida

Entrada
text
Salida
embeddings
API

Parámetros API compatibles

Proveedores disponibles

1 Proveedor

Verificado: 16 de septiembre de 2026

Proveedores en vivo en OpenRouter

Disponibilidad, latencia, rendimiento y enrutamiento cambian continuamente. Consulta la fuente para datos actuales.

OpenRouter

DeepInfra

No indicado
Contexto
1K
Salida máxima
0K
Entrada
$0.005
Salida
Gratis
Lectura de caché
No indicado
Escritura de caché
No indicado
baai

2 modelos

Todos los modelos
baai logobaai

BAAI: bge-large-en-v1.5

The bge-large-en-v1.5 embedding model maps English sentences, paragraphs, and documents into a 1024-dimensional dense vector space, delivering high-fidelity semantic embeddings optimized for semantic search, document retrieval, and downstream NLP tasks...

Contexto
1K
Entrada
text
Salida
embeddings
Entrada: $0.01por millón de tokens
Ver detalles del modelo →
baai logobaai

BAAI: bge-m3

The bge-m3 embedding model encodes sentences, paragraphs, and long documents into a 1024-dimensional dense vector space, delivering high-quality semantic embeddings optimized for multilingual retrieval, semantic search, and large-context applications.

Contexto
8K
Entrada
text
Salida
embeddings
Entrada: $0.01por millón de tokens
Ver detalles del modelo →