E5 Base V2
Red Neuronal
E5 Base V2 es un modelo de embedding que codifica textos en vectores de 768 dimensiones para búsqueda semántica y RAG.
Características
- Entrada
- texto
- Salida
- vectores (embeddings)
- Tamaño del contexto
- 512 tokens
- Dimensiones del vector
- 768
Costo del prompt
(por 1M tokens)
Cómo funciona E5 Base V2?
E5 Base V2 convierte oraciones y párrafos en vectores densos de 768 dimensiones, equilibrando la calidad de representación semántica y el tamaño del índice. Los vectores resultantes se integran directamente en Qdrant, pgvector y otros almacenes vectoriales. En BotHub, el modelo está disponible a través de una API compatible con OpenAI: conexión sin VPN ni tarjetas extranjeras, pago en rublos por uso, cifrado de solicitudes y sin necesidad de reescribir la integración al cambiar de modelo. Úselo para búsqueda semántica en bases de conocimiento, creación de pipelines RAG, agrupación y deduplicación de documentos, evaluación de similitud de textos y clasificación de materiales relacionados.Preguntas frecuentes sobre E5 Base V2
Puede usar los resultados generados con fines comerciales. Todos los derechos sobre el contenido creado le pertenecen. La única restricción: asegúrese de que la solicitud no incluya material de terceros protegido por derechos de autor. El usuario es responsable de respetar los derechos sobre los datos de entrada.
El modelo de intfloat convierte texto en embeddings: vectores numéricos que calculan la similitud semántica. Es adecuado para búsqueda semántica, pipelines RAG, agrupación y deduplicación de documentos, clasificación y búsqueda de materiales similares. El contexto es de 512 tokens, así que divida los textos largos en fragmentos.
La salida no es texto, sino un vector de dimensión fija (768 valores en la versión base), un array de números de punto flotante en la respuesta JSON. Estos vectores se escriben directamente en Qdrant, pgvector u otro almacén vectorial y se comparan mediante similitud de coseno.
En nuestros datos no se indica un modo de razonamiento, y no se espera de un modelo de embedding: e5-base-v2 no mantiene diálogos ni escribe respuestas, sino que codifica el texto en un vector en una sola pasada. La lógica sobre los resultados de búsqueda la construye su sistema.
Las llamadas a funciones y los esquemas de salida estructurada no están marcados en nuestros datos; son herramientas de modelos generativos. El acceso se realiza a través de la API de BotHub compatible con OpenAI mediante el endpoint de embeddings, y el resultado se devuelve en JSON con un array de vectores listo para guardar en la base de datos.
La recepción de otras modalidades no está marcada en nuestros datos: proporcione texto como entrada (una cadena o un array de cadenas para procesamiento por lotes), con un límite de 512 tokens por fragmento. Si necesita vectores de otro tipo de datos, puede cambiar a otro modelo en BotHub sin reescribir la integración.
La compatibilidad con idiomas no está especificada en nuestros datos, por lo que no podemos prometer calidad en un idioma específico; pruebe su conjunto de consultas y documentos para medir la precisión de la búsqueda. El acceso al modelo desde Rusia funciona sin VPN ni tarjetas extranjeras, con pago mediante tarjetas rusas.