E5 Large V2
Réseau Neuronal
E5 Large V2 est un modèle d'embeddings qui transforme les textes en vecteurs de dimension 1024 pour la recherche sémantique et le RAG.
Caractéristiques
- Entrée
- texte
- Sortie
- vecteurs (embeddings)
- Taille du contexte
- 512 tokens
- Dimensions du vecteur
- 1 024
Coût du prompt
(par 1M tokens)
Comment ça marche E5 Large V2?
E5 Large V2 projette les phrases, paragraphes et documents dans un espace vectoriel dense de dimension 1024, conçu pour la recherche, le classement et l'évaluation de la proximité sémantique. 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 unique compatible OpenAI : une seule clé pour tous les modèles, accès sans VPN, paiement en roubles à l'usage par jeton, chiffrement du trafic. Scénarios types : recherche dans les bases de connaissances et la documentation, pipelines RAG pour les assistants de support, clustering de tickets et requêtes, reranking de candidats avant réponse à l'utilisateur.Questions fréquentes sur E5 Large 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.
e5-large-v2 par intfloat est un modèle d'embeddings : il transforme le texte en vecteur numérique. Adapté à la recherche sémantique, au RAG sur base de connaissances, au clustering et à la déduplication de documents, au classement et à la classification. Contexte : 512 jetons, le vecteur est construit à partir d'un court fragment ou chunk.
Ni texte ni image : en sortie, un tableau de nombres à virgule flottante, un vecteur de dimension fixe. La dimension est identique pour toutes les requêtes, les vecteurs sont donc comparables par similarité cosinus et s'intègrent dans toute base vectorielle comme Qdrant ou pgvector.
Le mode de raisonnement n'est pas applicable ici, et il n'est pas nécessaire pour les embeddings : le modèle ne rédige pas de réponse et ne décompose pas la tâche, il encode simplement le texte en vecteur. Vous gérez la logique de recherche et de classement côté application.
L'appel de fonctions et la sortie structurée ne sont pas applicables ici ; ce sont des outils pour modèles génératifs, tandis que les embeddings répondent à un autre besoin. La requête passe par une API compatible OpenAI, et vous recevez la réponse en JSON standard avec un tableau de valeurs vectorielles.
L'acceptation de fichiers autres que du texte n'est pas prévue, prévoyez donc de travailler avec des fragments textuels dans la limite de 512 jetons de contexte. Si votre projet nécessite des images, de l'audio ou de la vidéo, basculez vers un modèle adapté dans la même interface BotHub — sans avoir à réécrire l'intégration.
Il n'y a pas de données sur le support linguistique dans la fiche du modèle, nous ne pouvons donc rien promettre. Testez sur votre propre corpus : indexez quelques centaines de documents et évaluez la qualité des résultats. Accès depuis la Russie sans VPN, paiement à l'usage par jeton.