GTE Large
Rede Neural
GTE Large é um modelo de embeddings que transforma frases, parágrafos e documentos em vetores de 1024 dimensões para busca semântica.
Especificações
- Entrada
- texto
- Saída
- vetores (embeddings)
- Tamanho do contexto
- 512 tokens
- Dimensões do vetor
- 1 024
Custo do prompt
(por 1M tokens)
Como funciona GTE Large?
GTE Large é um modelo de embeddings que traduz frases, parágrafos e documentos de comprimento moderado em vetores densos de 1024 dimensões. Essa representação é adequada para busca de informações, avaliação de proximidade semântica de textos e reclassificação de resultados. No BotHub, você acessa o modelo através de uma API única compatível com OpenAI: uma única chave, e alternar para outro modelo não requer reescrever a integração. O acesso está aberto a partir da Rússia sem VPN ou cartão estrangeiro, pagamento em rublos por tokens, tráfego criptografado via AES-GCM. Cenários típicos: busca RAG em bases de conhecimento no Qdrant ou pgvector, agrupamento e desduplicação de solicitações, seleção de produtos ou vagas semelhantes, classificação de textos.Perguntas frequentes sobre GTE Large
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 gte-large transforma textos em vetores — representações numéricas de significado. Adequado para busca semântica, RAG, agrupamento, desduplicação e classificação: fragmentos com significados próximos ficam próximos no espaço vetorial. Armazene os vetores resultantes no Qdrant, pgvector ou qualquer outro armazenamento.
A saída não é texto nem imagem, mas um embedding: um vetor de 1024 dimensões, que chega como um array comum de números. O comprimento da entrada é limitado a um contexto de 512 tokens, portanto, corte documentos longos em fragmentos com uma pequena sobreposição com antecedência.
Raciocínio é uma tarefa de modelos generativos, e o gte-large funciona de forma diferente: ele não escreve respostas, mas codifica o significado do texto em um vetor. Em nossos dados, não há raciocínio passo a passo. Para analisar os fragmentos encontrados, conecte um modelo de texto do catálogo.
Em nossos dados, a chamada de funções e a saída estruturada não estão marcadas — essas são ferramentas de modelos de chat. No entanto, a resposta já é estritamente formalizada: um array de números que é colocado diretamente no banco de dados. As solicitações são feitas através da API única compatível com OpenAI do BotHub.
Em nossos dados, a aceitação de qualquer coisa além de texto não está marcada: este é um modelo de embedding de texto. Se o projeto precisar de multimodalidade, alterne para um modelo adequado através da mesma API do BotHub — não será necessário reescrever a integração ou alterar chaves.
Nada foi dito sobre idiomas em nossos dados, por isso não prometeremos precisão antecipadamente. Verifique em sua própria amostra: colete pares de controle 'consulta — documento' e compare a qualidade da busca com outros modelos de embedding, já que a alternância no BotHub é feita através de uma única API.