E5 Large V2
Red Neuronal
E5 Large V2 es un modelo de embeddings que convierte textos en vectores de 1024 dimensiones para búsqueda semántica y RAG.
Características
- Entrada
- texto
- Salida
- vectores (embeddings)
- Tamaño del contexto
- 512 tokens
- Dimensiones del vector
- 1 024
Costo del prompt
(por 1M tokens)
Cómo funciona E5 Large V2?
E5 Large V2 mapea oraciones, párrafos y documentos a un espacio vectorial denso de 1024 dimensiones, diseñado para tareas de búsqueda, clasificación y evaluación de similitud semántica. Los vectores resultantes se integran directamente en Qdrant, pgvector y otros almacenes vectoriales. En BotHub, el modelo se conecta a través de una API compatible con OpenAI: una sola clave para todos los modelos, acceso sin VPN ni tarjetas extranjeras, pago en rublos por uso de tokens y cifrado de tráfico. Escenarios típicos: búsqueda en bases de conocimiento y documentación, pipelines RAG para asistentes de soporte, agrupación de tickets y re-ranking de candidatos antes de responder al usuario.Preguntas frecuentes sobre E5 Large 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.
e5-large-v2 de intfloat es un modelo de embeddings: convierte texto en un vector numérico. Es adecuado para búsqueda semántica, RAG en bases de conocimiento, agrupación y deduplicación de documentos, clasificación y ranking. El contexto es de 512 tokens, lo que significa que el vector se construye a partir de un fragmento o chunk corto.
No es texto ni imagen: la salida es una matriz de números de punto flotante, un vector de dimensión fija. La dimensión es la misma para todas las consultas, por lo que los vectores son comparables mediante similitud de coseno y se pueden almacenar en cualquier base de datos vectorial como Qdrant o pgvector.
El modo de razonamiento no está marcado en nuestros datos, y para los embeddings no es necesario: el modelo no escribe una respuesta ni desglosa la tarea en pasos, sino que codifica el texto en un vector una sola vez. Usted construye la lógica de búsqueda y clasificación en el lado de su aplicación.
Las llamadas a funciones y la salida estructurada no están marcadas en nuestros datos; son herramientas de modelos generativos, mientras que los embeddings resuelven otra tarea. Sin embargo, la solicitud se realiza a través de una API compatible con OpenAI, y usted recibe la respuesta en un JSON estándar con una matriz de valores vectoriales.
La recepción de archivos distintos al texto no está marcada en nuestros datos, así que planifique trabajar con fragmentos de texto dentro de un límite de 512 tokens de contexto. Si su proyecto requiere imágenes, audio o video, cambie a un modelo adecuado en la misma ventana de BotHub; no tendrá que reescribir la integración.
No hay datos sobre la compatibilidad de idiomas en la ficha del modelo, por lo que no podemos prometer nada de antemano. Pruébelo con su propio corpus: indexe unos cientos de documentos y evalúe la calidad de los resultados. El acceso desde Rusia es sin VPN ni tarjetas extranjeras, con pago por uso de tokens.