Multilingual E5 Large
Rede Neural
Multilingual E5 Large é um modelo de embeddings para busca semântica e RAG, codificando textos em mais de 90 idiomas em vetores de 1024.
Especificações
- Entrada
- texto
- Saída
- vetores (embeddings)
- Tamanho do contexto
- 512 tokens
- Dimensões do vetor
- 1 024
Custo do prompt
(por 1M tokens)
Como funciona Multilingual E5 Large?
O Multilingual E5 Large transforma frases, parágrafos e documentos em mais de 90 idiomas em vetores densos de dimensão 1024. O espaço vetorial comum permite correspondência entre idiomas: uma consulta e um documento em idiomas diferentes ficam próximos se tiverem significados semelhantes. No BotHub, o modelo funciona através de uma API única compatível com OpenAI, sem necessidade de VPN ou cartão internacional, com pagamento em rublos conforme o uso, e mais de 250 modelos disponíveis na mesma interface; o tráfego é criptografado e contratos/faturas estão disponíveis para equipes. Cenários: indexação de base de conhecimento no Qdrant ou pgvector, camada de recuperação (retrieval) para assistentes RAG, busca de tickets e duplicatas semelhantes, e agrupamento de avaliações.Perguntas frequentes sobre Multilingual E5 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.
É um modelo de embeddings: transforma texto em um vetor numérico. Esses vetores são usados para construir busca semântica, pipelines de RAG, agrupamento, desduplicação e classificação de documentos. O contexto é de 512 tokens, portanto, divida materiais longos em fragmentos com antecedência e indexe-os separadamente.
A saída não é texto nem imagem, mas um embedding — um array de números reais de dimensão 1024. Esse vetor é inserido diretamente no Qdrant, pgvector ou outro armazenamento vetorial, e as solicitações são enviadas através da API única compatível com OpenAI do BotHub.
Não existem cadeias de raciocínio aqui: é um encoder que codifica o texto em um vetor em uma única passagem, não escreve uma resposta. Em nossos dados, o modo de raciocínio também não está marcado. Você constrói a lógica de classificação e reclassificação do seu lado.
Em nossos dados, essa possibilidade não está marcada, e um embedder geralmente não precisa disso: o modelo não chama ferramentas externas. No entanto, a resposta da API vem estruturada — é um JSON com um array de números, que é fácil de analisar e gravar diretamente no banco de dados vetorial.
O recebimento desses arquivos não está marcado em nossos dados — forneça texto como entrada, até 512 tokens por solicitação. Se o documento for mais longo, divida-o em partes (chunks) com sobreposição e indexe cada fragmento com um vetor separado, caso contrário, parte do significado será perdida.
O russo é nativo para ele, assim como dezenas de outros idiomas — é um modelo multilingue da família E5. A consulta encontrará o fragmento adequado em uma base em russo, e a busca entre idiomas também funciona: vetores de diferentes idiomas caem no mesmo espaço semântico comum.