GTE Large
Réseau Neuronal
GTE Large est un modèle d'embeddings qui transforme phrases, paragraphes et documents en vecteurs 1024D pour la recherche sémantique.
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 GTE Large?
GTE Large est un modèle d'embeddings qui convertit les phrases, paragraphes et documents de longueur modérée en vecteurs denses de dimension 1024. Cette représentation est adaptée à la recherche d'informations, à l'évaluation de la proximité sémantique des textes et au reranking. Sur BotHub, vous accédez au modèle via une API unique compatible OpenAI : une seule clé, et le changement de modèle ne nécessite pas de réécrire l'intégration. Accès disponible depuis la Russie sans VPN ni carte étrangère, paiement en roubles à l'usage pour les jetons, trafic chiffré AES-GCM. Scénarios types : recherche RAG dans une base de connaissances Qdrant ou pgvector, clustering et déduplication de requêtes, recommandation de produits ou d'offres d'emploi similaires, classification de textes.Questions fréquentes sur GTE Large
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.
gte-large transforme les textes en vecteurs, des représentations numériques du sens. Adapté à la recherche sémantique, au RAG, au clustering, à la déduplication et à la classification : les fragments proches en termes de sens se retrouvent côte à côte dans l'espace vectoriel. Stockez les vecteurs obtenus dans Qdrant, pgvector ou tout autre stockage.
En sortie, ce n'est ni du texte ni une image, mais un embedding : un vecteur de 1024 dimensions, reçu sous forme de tableau de nombres classique. La longueur d'entrée est limitée à un contexte de 512 jetons ; découpez donc les longs documents en fragments avec un léger chevauchement.
Le raisonnement est la tâche des modèles génératifs, mais gte-large fonctionne différemment : il n'écrit pas de réponses, il code le sens du texte en vecteur. Dans nos données, aucun raisonnement étape par étape n'est indiqué. Pour analyser les fragments trouvés, connectez un modèle textuel du catalogue.
Dans nos données, l'appel de fonctions et la sortie structurée ne sont pas indiqués ; ce sont des outils pour les modèles de chat. Cependant, la réponse est déjà strictement formalisée : un tableau de nombres qui est directement inséré dans la base de données. Les requêtes passent par l'API unique BotHub compatible OpenAI.
Dans nos données, la réception de tout autre élément que du texte n'est pas indiquée : c'est un modèle d'embedding textuel. Si le projet nécessite de la multimodalité, basculez vers un modèle approprié via la même API BotHub ; il ne sera pas nécessaire de réécrire l'intégration ou de changer les clés.
Rien n'est indiqué concernant les langues dans nos données, nous ne pouvons donc pas promettre de précision à l'avance. Testez sur votre propre échantillon : rassemblez des paires de contrôle « requête — document » et comparez la qualité de recherche avec d'autres embedders, car le basculement dans BotHub se fait via une seule API.