E5 Large V2
Rede Neural
E5 Large V2 é um modelo de embeddings que converte textos em vetores de 1024 dimensões para busca semântica e RAG.
Especificações
- Entrada
- texto
- Saída
- vetores (embeddings)
- Tamanho do contexto
- 512 tokens
- Dimensões do vetor
- 1 024
Custo do prompt
(por 1M tokens)
Como funciona E5 Large V2?
O E5 Large V2 mapeia frases, parágrafos e documentos para um espaço vetorial denso de 1024 dimensões, sendo ideal para tarefas de busca, ranqueamento e avaliação de proximidade semântica. Os vetores resultantes podem ser integrados diretamente ao Qdrant, pgvector e outros bancos de dados vetoriais. No BotHub, o modelo é conectado via uma API única compatível com OpenAI: uma chave para todos os modelos, acesso sem VPN ou cartões estrangeiros, pagamento em rublos por uso de tokens e tráfego criptografado. Cenários típicos: busca em bases de conhecimento e documentação, pipelines de RAG para assistentes de suporte, agrupamento de chamados e tickets, e re-ranqueamento de candidatos antes da resposta ao usuário.Perguntas frequentes sobre E5 Large 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 e5-large-v2 da intfloat é um modelo de embeddings: ele transforma texto em um vetor numérico. É adequado para busca semântica, RAG em bases de conhecimento, agrupamento e desduplicação de documentos, ranqueamento e classificação. O contexto é de 512 tokens, ou seja, o vetor é construído a partir de um fragmento curto ou chunk.
Não é texto nem imagem: a saída é um array de números de ponto flutuante, um vetor de dimensão fixa. A dimensão é a mesma para todas as consultas, portanto os vetores são comparáveis entre si por similaridade de cosseno e podem ser armazenados em qualquer banco de dados vetorial como Qdrant ou pgvector.
O modo de raciocínio não está indicado em nossos dados, e para embeddings ele não é necessário: o modelo não escreve uma resposta nem divide a tarefa em etapas, ele codifica o texto em um vetor uma única vez. A lógica de busca e ranqueamento é construída no lado da sua aplicação.
Chamada de funções e saída estruturada não estão indicadas em nossos dados — essas são ferramentas de modelos generativos, enquanto embeddings resolvem outra tarefa. No entanto, a consulta é feita através de uma API única compatível com OpenAI, e você recebe a resposta em um JSON comum com um array de valores vetoriais.
O recebimento de arquivos além de texto não está indicado em nossos dados, portanto, planeje trabalhar com fragmentos de texto dentro do limite de 512 tokens de contexto. Se o projeto precisar de imagens, áudio ou vídeo, alterne para um modelo adequado na mesma janela do BotHub — não será necessário reescrever a integração.
Não há dados sobre suporte a idiomas no cartão do modelo, portanto não prometemos nada antecipadamente. Verifique em seu próprio corpus: indexe algumas centenas de documentos e avalie a qualidade dos resultados. O acesso a partir da Rússia é feito sem VPN ou cartão estrangeiro, com pagamento por uso de tokens.