GTE Base
Red Neuronal
GTE Base es un modelo de embeddings que convierte texto en vectores de 768 dimensiones para búsqueda semántica y agrupación.
Características
- Entrada
- texto
- Salida
- vectores (embeddings)
- Tamaño del contexto
- 512 tokens
- Dimensiones del vector
- 768
Costo del prompt
(por 1M tokens)
Cómo funciona GTE Base?
GTE Base codifica oraciones y párrafos en vectores densos de 768 dimensiones: representaciones compactas para evaluar la proximidad semántica, búsqueda y agrupación. Esta dimensión es ideal para bases de datos vectoriales como Qdrant y pgvector: los índices permanecen ligeros y la búsqueda es rápida. En BotHub, el modelo está disponible a través de una API compatible con OpenAI, por lo que cambiar de modelo no requiere reescribir la integración; el acceso desde Rusia funciona sin VPN ni tarjeta extranjera, y el pago es en rublos por tokens. Utilice GTE Base para RAG, búsqueda en documentación y bases de conocimiento, deduplicación y agrupación de consultas, selección de materiales similares y clasificación de textos mediante vectores.Preguntas frecuentes sobre GTE Base
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.
GTE Base es un modelo de embeddings: convierte texto en un vector numérico que describe su significado. Estos vectores resuelven la búsqueda semántica, RAG, agrupación y clasificación, y son fáciles de almacenar en bases de datos vectoriales como Qdrant o pgvector. A través de la API de BotHub, el modelo se conecta a su sistema multimodal junto con los demás.
GTE Base no genera texto ni imágenes. El resultado de su trabajo es una representación vectorial del texto de entrada: un conjunto de números de dimensión fija que se puede comparar mediante similitud de coseno, almacenar en un índice y utilizar en búsquedas o RAG. La respuesta llega en un formato legible por máquina, ideal para el procesamiento mediante código.
No se ha observado que este modelo razone antes de responder. GTE Base es un codificador de embeddings: traduce directamente el texto de entrada a un vector, sin razonamientos paso a paso ni diálogo. Si necesita resolver tareas con explicaciones, BotHub ofrece modelos de texto, y cambiar entre ellos no requiere reescribir la integración.
No se ha observado que GTE Base admita llamadas a funciones o salida estructurada en JSON. Su resultado es un vector, no una respuesta basada en un esquema JSON, por lo que no se describen escenarios de 'function calling' para ella. Para tales tareas, es mejor utilizar un modelo de texto y dejar GTE Base para la búsqueda y clasificación.
No se ha observado que GTE Base acepte imágenes, audio o video: el modelo trabaja con texto y genera embeddings. Si necesita procesar imágenes, video o voz, BotHub cuenta con modelos específicos para estas tareas, y cambiar entre ellos no requiere reescribir la integración.
Los datos no contienen información sobre la calidad del rendimiento de GTE Base con el idioma ruso, por lo que no se puede garantizar nada: el idioma de los prompts y la salida no está especificado en las características. Vale la pena probarlo con sus propios ejemplos: tome varias consultas similares y compare la proximidad de los vectores obtenidos.