GTE Large
Red Neuronal
GTE Large es un modelo de embeddings que convierte frases, párrafos y documentos en vectores de 1024 dimensiones para búsqueda semántica.
Características
- Entrada
- texto
- Salida
- vectores (embeddings)
- Tamaño del contexto
- 512 tokens
- Dimensiones del vector
- 1 024
Costo del prompt
(por 1M tokens)
Cómo funciona GTE Large?
GTE Large es un modelo de embeddings que convierte frases, párrafos y documentos de longitud moderada en vectores densos de 1024 dimensiones. Esta representación es adecuada para la recuperación de información, la evaluación de la proximidad semántica de textos y la reordenación de resultados. En BotHub, accedes al modelo a través de una API única compatible con OpenAI: una sola clave, y cambiar a otro modelo no requiere reescribir la integración. El acceso está disponible desde Rusia sin VPN ni tarjetas extranjeras, el pago es en rublos según el consumo de tokens y el tráfico está cifrado con AES-GCM. Escenarios típicos: búsqueda RAG en bases de conocimiento en Qdrant o pgvector, agrupación y deduplicación de solicitudes, búsqueda de productos o vacantes similares, y clasificación de textos.Preguntas frecuentes sobre GTE Large
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-large convierte textos en vectores, representaciones numéricas del significado. Es adecuado para búsqueda semántica, RAG, agrupación, deduplicación y clasificación: los fragmentos con significados similares se ubican cerca en el espacio vectorial. Almacena los vectores resultantes en Qdrant, pgvector o cualquier otro repositorio.
La salida no es texto ni imagen, sino un embedding: un vector de 1024 dimensiones que se recibe como un array de números. La longitud de entrada está limitada a un contexto de 512 tokens, por lo que debes dividir los documentos largos en fragmentos con un pequeño solapamiento.
El razonamiento es tarea de los modelos generativos, pero gte-large funciona de otra manera: no escribe respuestas, sino que codifica el significado del texto en un vector. En nuestros datos no se observan razonamientos paso a paso. Para analizar los fragmentos encontrados, conecta un modelo de texto del catálogo.
En nuestros datos no se observan llamadas a funciones ni salida estructurada; estas son herramientas de modelos de chat. Sin embargo, la respuesta ya está estrictamente formalizada: un array de números que se guarda directamente en la base de datos. Las solicitudes se realizan a través de la API única de BotHub compatible con OpenAI.
En nuestros datos no se observa la recepción de nada que no sea texto: es un modelo de embedding de texto. Si el proyecto requiere multimodalidad, cambia a un modelo adecuado a través de la misma API de BotHub; no tendrás que reescribir la integración ni cambiar las claves.
No hay información sobre idiomas en nuestros datos, por lo que no podemos prometer precisión de antemano. Pruébalo con tu propio conjunto de datos: recopila pares de control «consulta-documento» y compara la calidad de búsqueda con otros modelos de embedding, ya que el cambio en BotHub se realiza a través de una sola API.