E5 Base V2
Rede Neural
E5 Base V2 é um modelo de embedding que codifica textos em vetores de 768 dimensões para busca semântica e RAG
Especificações
- Entrada
- texto
- Saída
- vetores (embeddings)
- Tamanho do contexto
- 512 tokens
- Dimensões do vetor
- 768
Custo do prompt
(por 1M tokens)
Como funciona E5 Base V2?
O E5 Base V2 converte frases e parágrafos em vetores densos de 768 dimensões, equilibrando a qualidade da representação semântica e o tamanho do índice. Os vetores resultantes podem ser armazenados diretamente no Qdrant, pgvector e outros bancos de dados vetoriais. No BotHub, o modelo está disponível via API compatível com OpenAI: conexão sem VPN, pagamento em rublos por uso, criptografia de solicitações e facilidade para trocar de modelo sem reescrever a integração. Utilize-o para busca semântica em bases de conhecimento, criação de pipelines RAG, agrupamento e desduplicação de documentos, avaliação de proximidade de textos e classificação de materiais similares.Perguntas frequentes sobre E5 Base V2
Você pode usar os resultados da geração para fins comerciais. Todos os direitos sobre o conteúdo criado pertencem a você. A única restrição: certifique-se de que a solicitação não inclua materiais de terceiros protegidos por direitos autorais. A responsabilidade pelo cumprimento dos direitos sobre os dados de entrada é do usuário.
O modelo da intfloat transforma texto em embeddings — vetores numéricos usados para calcular a proximidade semântica. É adequado para busca semântica, pipelines RAG, agrupamento e desduplicação de documentos, classificação e seleção de materiais similares. O contexto é de 512 tokens, portanto, divida textos longos em fragmentos.
A saída não é texto, mas um vetor de dimensão fixa — 768 valores na versão base, um array de números de ponto flutuante na resposta JSON. Esses vetores são gravados diretamente no Qdrant, pgvector ou outro armazenamento vetorial e comparados por similaridade de cosseno.
Em nossos dados, o modo de raciocínio não está marcado e não é esperado para um modelo de embedding: o e5-base-v2 não conduz diálogos nem escreve respostas; ele codifica o texto fornecido em um vetor em uma única passagem. A lógica sobre os resultados da busca é construída pelo seu sistema.
Chamada de funções e esquemas de saída estruturada não estão marcados em nossos dados — essas são ferramentas de modelos generativos. O acesso é feito via API compatível com OpenAI do BotHub no endpoint de embeddings, e o resultado é retornado em JSON com um array de vetores, pronto para gravação no banco de dados.
O recebimento de outras modalidades não está marcado em nossos dados: forneça texto como entrada — uma string ou um array de strings para processamento em lote, com um limite de 512 tokens por fragmento. Se precisar de vetores de outro tipo de dados, você pode alternar para outro modelo no BotHub sem reescrever a integração.
O suporte a idiomas não está especificado em nossos dados, portanto, não prometeremos qualidade em um idioma específico — execute sua própria amostra de consultas e documentos e meça a precisão da busca. O acesso ao modelo a partir da Rússia funciona sem VPN e sem cartão estrangeiro, com pagamento via cartões russos.