AI TOOLS RADAR
Soumettre
Tous les modèles / BAAI
baai logo
baai

BAAI: bge-large-en-v1.5

Description de la source (anglais)

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...

Voir la source sur OpenRouter Hugging Face
Présentation

Caractéristiques du modèle

Contexte
512 tokens
Sortie maximale
460 tokens
Architecture
text->embeddings
Tokenizer
Other
Limite des connaissances
Non indiqué
Modéré
Non
OPENROUTER

Tarification complète

Tarifs synchronisés depuis OpenRouter, par million de tokens.

Entrée
$0.01
par million de tokens
API

Démarrage rapide

Définissez OPENROUTER_API_KEY localement. Python nécessite requests ; JavaScript s’exécute dans Node.js. Gardez la clé côté serveur.

Documentation de l’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-large-en-v1.5","input":"Your text here"}'
Capacités et modalités

Entrée → Sortie

Entrée
text
Sortie
embeddings
API

Paramètres API pris en charge

Fournisseurs disponibles

1 Fournisseur

Vérifié: 16 septembre 2026

Fournisseurs en direct sur OpenRouter

Disponibilité, latence, débit et routage évoluent en continu. Consultez la source pour les données en temps réel.

OpenRouter

DeepInfra

Non indiqué
Contexte
1K
Sortie maximale
0K
Entrée
$0.01
Sortie
Gratuit
Lecture du cache
Non indiqué
Écriture du cache
Non indiqué
baai

2 modèles

Tous les modèles
baai logobaai

BAAI: bge-base-en-v1.5

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...

Contexte
1K
Entrée
text
Sortie
embeddings
Entrée: $0.005par million de tokens
Voir la fiche du modèle →
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.

Contexte
8K
Entrée
text
Sortie
embeddings
Entrée: $0.01par million de tokens
Voir la fiche du modèle →