AI TOOLS RADAR
Explorar
Todos os modelos / BAAI
baai logo
baai

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. Priced at $0.005 per M tokens. 512 token context window.

Ver fonte no OpenRouter Hugging Face
Visão geral

Especificações do modelo

Contexto
512 tokens
Saída máxima
460 tokens
Arquitetura
text->embeddings
Tokenizador
Other
Limite de conhecimento
Não informado
Moderado
Não
OPENROUTER

Preços completos

Tarifas sincronizadas do OpenRouter, por milhão de tokens.

Entrada
$0.005
/M tokens
API

Início rápido

Use este modelo pela API compatível com OpenAI do OpenRouter.

curl 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"}'
Recursos e modalidades

Entrada → Saída

Entrada
text
Saída
embeddings
API

Parâmetros de API compatíveis

frequency_penaltymax_tokensmin_ppresence_penaltyrepetition_penaltyresponse_formatseedstoptemperaturetop_ktop_p
Provedores disponíveis

1 Provedor

Provedores ao vivo no OpenRouter

Disponibilidade, latência, throughput e roteamento mudam continuamente. Consulte a fonte para dados atuais.

OpenRouter

DeepInfra

unknown
Contexto
1K
Saída máxima
0K
Entrada
$0.0050
Saída
Grátis
Leitura de cache
Não informado
Gravação de cache
Não informado
baai

modelos

Todos os modelos
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...

Contexto
1K
Entrada
text
Saída
embeddings
Entrada: $0.010Saída: Grátispor milhão de tokens
Ver detalhes do modelo →
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.

Contexto
8K
Entrada
text
Saída
embeddings
Entrada: $0.010Saída: Grátispor milhão de tokens
Ver detalhes do modelo →