E5 Base V2
Réseau Neuronal
E5 Base V2 est un modèle d'embedding qui encode les textes en vecteurs de dimension 768 pour la recherche sémantique et le RAG.
Caractéristiques
- Entrée
- texte
- Sortie
- vecteurs (embeddings)
- Taille du contexte
- 512 tokens
- Dimensions du vecteur
- 768
Coût du prompt
(par 1M tokens)
Comment ça marche E5 Base V2?
E5 Base V2 transforme des phrases et paragraphes en vecteurs denses de dimension 768, offrant un équilibre entre qualité de représentation sémantique et taille d'index. Les vecteurs obtenus s'intègrent directement dans Qdrant, pgvector et d'autres bases de données vectorielles. Sur BotHub, le modèle est accessible via une API compatible OpenAI unique : connexion sans VPN ni carte étrangère, paiement en roubles à l'usage, chiffrement des requêtes, et le changement d'embedder ne nécessite pas de réécrire l'intégration. Utilisez-le pour la recherche sémantique dans les bases de connaissances, la création de pipelines RAG, la classification, la déduplication de documents, l'évaluation de la proximité textuelle et le classement de contenus similaires.Questions fréquentes sur E5 Base V2
Vous pouvez utiliser les résultats générés à des fins commerciales. Tous les droits sur le contenu créé vous appartiennent. Seule restriction : vérifiez que la requête ne contient pas de contenus protégés par le droit d'auteur appartenant à des tiers. Le respect des droits sur les données d'entrée relève de votre responsabilité.
Le modèle d'intfloat transforme le texte en embeddings — des vecteurs numériques permettant de calculer la proximité sémantique. Adapté à la recherche sémantique, aux pipelines RAG, à la classification, à la déduplication de documents et à la recherche de contenus similaires. Contexte de 512 tokens, veuillez donc diviser les textes longs en fragments.
En sortie, ce n'est pas du texte, mais un vecteur de dimension fixe — 768 valeurs pour la version base, un tableau de nombres à virgule flottante dans la réponse JSON. Ces vecteurs sont directement enregistrés dans Qdrant, pgvector ou un autre stockage vectoriel et comparés par similarité cosinus.
Le mode de raisonnement n'est pas indiqué dans nos données, et il n'est pas prévu pour un modèle d'embedding : e5-base-v2 ne mène pas de dialogue et ne rédige pas de réponses, mais encode le texte fourni en un vecteur en un seul passage. La logique au-dessus des résultats de recherche est construite par votre système.
L'appel de fonctions et les schémas de sortie structurée ne sont pas indiqués dans nos données — ce sont des outils de modèles génératifs. L'accès se fait via l'API BotHub compatible OpenAI sur le point de terminaison des embeddings, et le résultat est renvoyé en JSON avec un tableau de vecteurs, prêt à être enregistré dans la base de données.
La réception d'autres modalités n'est pas indiquée dans nos données : fournissez du texte en entrée — une chaîne ou un tableau de chaînes pour le traitement par lots, avec une limite de 512 tokens par fragment. Si vous avez besoin de vecteurs pour un autre type de données, vous pouvez passer à un autre modèle dans la même fenêtre BotHub sans réécrire l'intégration.
La prise en charge des langues n'est pas spécifiée dans nos données, nous ne promettons donc pas de qualité sur une langue spécifique — testez votre échantillon de requêtes et de documents pour mesurer la précision de la recherche. L'accès au modèle depuis la Russie fonctionne sans VPN ni carte étrangère, avec paiement par cartes russes.