BGE-M3
Free.ai (self-hosted)
·
embeddings
·
~100 ٽوڪنز call
BGE-M3 an embedding model BAAI طرفان ٺاھيو ويو آھي. Text embeddings, semantic search تي تمام مضبوط. Free.ai GPUs تي پاڻمرادو ميزبان - توهان جي روزاني ٽوڪين پول (100 ٽوڪين هر ڪالهه) جي خلاف مفت هلندو آهي. MIT تحت جاري ڪيو ويو - تجارتي استعمال Free.ai تي اجازت ڏني وئي.
API ذريعي استعمال ڪريو
OpenAI-compatible REST API. هڪ ڪُل پيدا ڪريو ۽ ھن ماڊل کي سيڪنڊن ۾ سڏيو.
curl -X POST https://api.free.ai/v1/image/generate/ \
-H "Authorization: Bearer sk-free-..." \
-H "Content-Type: application/json" \
-d '{"model":"bge-m3","prompt":"your prompt here"}'گھڻا پڇيل سوال
BGE-M3 متن کي ڳري ويڪٽر (فلائيٽس جو سٽ) ۾ تبديل ڪري ٿو جيڪو معنيٰ کي کڻندو آهي. ان کي لفظن جي ڳولا، ڪلسٽرنگ، صلاحيتن، حاصل ڪرڻ-اضافي پيدائش (RAG) ۽ ڪنهن به ڪم لاءِ استعمال ڪريو جتي "ھي متن ان متن سان گڏ آهي" اهميت رکي ٿو.
Typical dimensions are 384, 768, 1024, or 1536 depending on the model. BGE-M3 emits 1024-dim; OpenAI Ada emits 1536. The API response includes the dimension so your vector DB picks the right index.
جديد embedding ماڊل (Free.ai تي سڀ کان وڌيڪ اختيارن سميت) 100 + ٻولين تي تربيت ڏني وئي. cross-language retrieval ڪم - انگريزي ۾ ڳولا، اسپيني ۾ ميچ دستاويز.
512 کان 8,192 ٽوڪنز ماڊل تي منحصر آھي. ڊگھا انڊيڪس ٽوڙيا ويندا آھن - ڊگھا دڪان داخل ڪرڻ کان اڳ پيراگراف ۾ ٽوڙيا ويندا آھن.
BGE-M3 اسان جي پنهنجي GPUs تي هلندو آهي ۽ سستا اوزارن ۾ شامل آهي - ~100 ٽوڪنز جي باري ۾ هر ڪال توهان جي روزاني مفت پول مان ڪڍيو ويو. $5 = 200K ٽوڪنز.
ها — /v1/embeddings/ ڏانهن سٽن جي قائمة پوسٽ ڪريو ۽ BGE-M3 ويڪٽر جي قائمة هڪ ئي ترتيب ۾ موٽائي ٿو. هر درخواست تي 2,048 تائين بيچ سائز.
L2-normalized by default - cosine similarity = dot product. جيڪڏھن توھان مختلف ڊائيسٽ ميٽرڪ لاءِ خام ويڪٽر گھرو ٿا ته `normalize=false` پاس ڪريو.
ڪو به - Pinecone, Weaviate, Qdrant, Chroma, pgvector, FAISS, LanceDB. BGE-M3 plain JSON floats واپس ڪري ٿو؛ DB ڪڏهن به ماڊل نه ڏسي.
ھائو - POST to /v1/embeddings/ with model="BGE-M3". OpenAI-compatible response shape, so existing client libraries work unchanged. /api/ has the full reference.
پاڻ کي hosts ماڊل پنھنجو متن اسان جي GPUs تي رکڻ ۽ ان کي ڪال واپسي کان پوءِ ڇڏي ڏيو. پريميئم DPA سان گذري ٿو. اسان پنھنجن انباڪس تي تربيت نه ٿا ڏيون.
خود-موجوده تي مختصر متن لاءِ 100-500ms، پرائم تي 100-500ms. باچ ڪالون تقريبن لائينري طور تي وڌي وينديون آهن - 1000 چانڪس 2-10 سيڪنڊن ۾ مڪمل ٿيندا.
ھائو - Free.ai شامل ڪرڻ جو تجارتي استعمال ڏئي ٿو. پيداوار جي ڳولا، RAG پائپ لائنز، صلاحيتن جي سسٽم کي بنا پر-ويڪٽر royalty سان ٺاھيو.