AI TOOLS RADAR
Invia
Tutti i modelli / BAAI
baai logo
baai

BAAI: bge-large-en-v1.5

Descrizione della fonte (inglese)

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...

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
$0.01
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-large-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
$0.01
Output
Gratuito
Lettura cache
Non indicato
Scrittura cache
Non indicato
baai

2 modelli

Tutti i modelli
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...

Contesto
1K
Input
text
Output
embeddings
Input: $0.005per 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 →