baai

BAAI: bge-m3

Name: BAAI: bge-m3
Creator: baai
Published: 2025-11-18T00:06:12.000Z

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. Priced at $0.01 per M tokens. 8,194 token context window, maximum output of 8,194 tokens. Higher uptime with 2 providers.

OpenRouter에서 출처 보기 Hugging Face

개요

모델 사양

컨텍스트: 8,194 tokens
최대 출력: 7,374 tokens
아키텍처: text->embeddings
토크나이저: Other
지식 기준일: 정보 없음
검토됨: 아니요

OPENROUTER

전체 가격

OpenRouter에서 동기화한 요금이며 토큰 가격은 100만 토큰 기준입니다.

입력: $0.01

API

빠른 시작

OpenRouter의 OpenAI 호환 API로 이 모델 ID를 호출합니다.

curl https://openrouter.ai/api/v1/embeddings \
  -H "Authorization: Bearer $OPENROUTER_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model":"baai/bge-m3","input":"Your text here"}'

기능 및 모달리티

입력 → 출력

입력

text

출력

embeddings

API

지원 API 매개변수

frequency_penaltylogit_biasmax_tokensmin_ppresence_penaltyrepetition_penaltyresponse_formatseedstoptemperaturetop_ktop_p

사용 가능한 제공업체

2 개 제공업체

OpenRouter 실시간 제공업체

가용성, 지연 시간, 처리량과 라우팅은 계속 바뀝니다. 최신 운영 데이터는 출처 페이지에서 확인하세요.

OpenRouter

Parasail

unknown

컨텍스트: 8K
최대 출력: 7K
입력: $0.010
출력: 무료
캐시 읽기: 정보 없음
캐시 쓰기: 정보 없음

DeepInfra

fp32

컨텍스트: 8K
최대 출력: 7K
입력: $0.010
출력: 무료
캐시 읽기: 정보 없음
캐시 쓰기: 정보 없음

baai

개 모델

모든 모델

baai

출시일 2025. 11. 18.

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...

컨텍스트: 1K
입력: text
출력: embeddings

입력: $0.0050출력: 무료백만 토큰당

모델 상세 보기 →

baai

출시일 2025. 11. 18.

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...

컨텍스트: 1K
입력: text
출력: embeddings

입력: $0.010출력: 무료백만 토큰당

모델 상세 보기 →