AI TOOLS RADAR
Tutti i modelli / BAAI
baai logo
baai

BAAI: bge-base-en-v1.5

Descrizione della fonte (inglese)

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...

Vedi la fonte su OpenRouter Hugging Face
Panoramica

Specifiche del modello

Contesto
512 tokens
Output massimo
460 tokens
Architettura
text->embeddings
Tokenizer
Other
Limite di conoscenza
Non indicato
Moderato
No
OPENROUTER

Prezzi completi

Tariffe sincronizzate da OpenRouter, per milione di token.

Input
$0.005
per milione di token
API

Avvio rapido

Imposta OPENROUTER_API_KEY localmente. Python richiede requests; JavaScript viene eseguito in Node.js. Conserva la chiave sul server.

Documentazione 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"}'
Capacità e modalità

Input → Output

Input
text
Output
embeddings
API

Parametri API supportati

Provider disponibili

1 Provider

Verificato: 16 settembre 2026

Provider live su OpenRouter

Disponibilità, latenza, throughput e routing cambiano continuamente. Consulta la fonte per i dati correnti.

OpenRouter

DeepInfra

Non indicato
Contesto
1K
Output massimo
0K
Input
$0.005
Output
Gratuito
Lettura cache
Non indicato
Scrittura cache
Non indicato
baai

2 modelli

Tutti i modelli
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...

Contesto
1K
Input
text
Output
embeddings
Input: $0.01per milione di token
Vedi i dettagli del modello →
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.

Contesto
8K
Input
text
Output
embeddings
Input: $0.01per milione di token
Vedi i dettagli del modello →