AI TOOLS RADAR
Prześlij
Wszystkie modele / BAAI
baai logo
baai

BAAI: bge-base-en-v1.5

Opis źródłowy (angielski)

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...

Zobacz źródło w OpenRouter Hugging Face
Przegląd

Specyfikacja modelu

Kontekst
512 tokens
Maksymalne wyjście
460 tokens
Architektura
text->embeddings
Tokenizer
Other
Granica wiedzy
Brak danych
Moderowany
Nie
OPENROUTER

Pełny cennik

Stawki zsynchronizowane z OpenRouter, za milion tokenów.

Wejście
$0.005
za milion tokenów
API

Szybki start

Ustaw lokalnie OPENROUTER_API_KEY. Python wymaga requests, a JavaScript działa w Node.js. Klucz przechowuj na serwerze.

Dokumentacja 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"}'
Możliwości i modalności

Wejście → Wyjście

Wejście
text
Wyjście
embeddings
API

Obsługiwane parametry API

Dostępni dostawcy

1 Dostawca

Sprawdzono: 16 września 2026

Dostawcy na żywo w OpenRouter

Dostępność, opóźnienie, przepustowość i routing stale się zmieniają. Aktualne dane są na stronie źródłowej.

OpenRouter

DeepInfra

Brak danych
Kontekst
1K
Maksymalne wyjście
0K
Wejście
$0.005
Wyjście
Bezpłatnie
Odczyt pamięci podręcznej
Brak danych
Zapis pamięci podręcznej
Brak danych
baai

2 modele

Wszystkie modele
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...

Kontekst
1K
Wejście
text
Wyjście
embeddings
Wejście: $0.01za milion tokenów
Zobacz szczegóły modelu →
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.

Kontekst
8K
Wejście
text
Wyjście
embeddings
Wejście: $0.01za milion tokenów
Zobacz szczegóły modelu →