mxbai-embed-large-v1
Free.ai (self-hosted)
·
embeddings
·
~100 ટોકન પ્રતિ call
mxbai-embed-large-v1 એ an embedding મોડેલ છે, mixedbread.ai દ્વારા બનાવેલ છે. Semantic search, clustering, similarity. પર સૌથી મજબૂત. Free.ai GPUs પર સ્વયં-હોસ્ટ થયેલ — તમારા રોજિંદા ટોકન પુલ (100 ટોકન કોલ પ્રતિ) સામે મુક્ત રીતે ચાલે છે. Apache 2.0 નીચે બહાર પાડવામાં આવ્યું - Free.ai પર વ્યવસાયિક ઉપયોગની પરવાનગી.
વારંવાર પૂછાતા પ્રશ્નો
mxbai-embed-large-v1 લખાણને ઘન વેક્ટરમાં ફેરવે છે (ફ્લોટની યાદી) જે અર્થને ઝડપે છે. તેને સિમેન્ટિક શોધ, ક્લસ્ટરિંગ, ભલામણ, પુનઃપ્રાપ્ત-વધારેલ ઉત્પન્ન (RAG) માટે વાપરો, અને કોઈપણ કાર્ય જ્યાં "આ લખાણ એ લખાણ જેવું છે" મહત્વનું છે.
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.
આધુનિક સમાવિષ્ટ મોડેલો (Free.ai પરના મોટાભાગના વિકલ્પો સમાવે છે) 100+ ભાષાઓ પર તાલીમ આપેલ છે. ક્રોસ- ભાષા પુનઃપ્રાપ્ત કાર્યો - અંગ્રેજી માં શોધો, સ્પેનિશ માં દસ્તાવેજો બંધબેસાડો.
512 થી 8,192 ટોકન મોડેલ પર આધારિત છે. લાંબા ઇનપુટ્સ કાપવામાં આવે છે - જડિત કરવા પહેલાં લાંબા દસ્તાવેજોને ફકરો માં કાપો.
mxbai-embed-large-v1 આપણા પોતાના GPUs પર ચાલે છે અને સૌથી સસ્તું સાધન છે - તમારા દરરોજના મુક્ત પુલમાંથી કોલ પર ~100 ટોકન દોરવામાં આવે છે. $5 = 200K ટોકન.
હા - /v1/embeddings/ માં શબ્દોની યાદી POST કરો અને mxbai-embed-large-v1 એ જ ક્રમમાં વેકટરોની યાદી પાછી આપે છે. દર વિનંતી માટે ૨,૦૪૮ સુધીનું બેચ માપ.
મૂળભૂત રીતે L2-સામાન્ય કરેલ - કોસાઇન સમાનતા = બિંદુ ઉત્પાદન. જો તમે વિવિધ અંતર મેટ્રિક માટે કાચા વેક્ટરો ઇચ્છતા હોવ તો 'સામાન્ય કરો=ખોટું' ને પાર પાડો.
કોઈપણ - Pinecone, Weaviate, Qdrant, Chroma, pgvector, FAISS, LanceDB. mxbai-embed-large-v1 સામાન્ય JSON તરંગો પાછા આપે છે; DB મોડેલ ક્યારેય જોતો નથી.
હા - મોડેલ="mxbai-embed-large-v1" સાથે /v1/embeddings/ ને POST કરો. OpenAI-સુસંગત જવાબ આકાર, તેથી વર્તમાન ક્લાયન્ટ લાઇબ્રેરીઓ બદલ્યા વગર કામ કરે છે. /api/ એ સંપૂર્ણ સંદર્ભ છે.
સ્વયં-હોસ્ટ કરેલ મોડેલો તમારા લખાણને અમારા GPUs પર રાખે છે અને કોલ પાછો આવે પછી તેને અવગણે છે. પ્રીમિયમ DPA સાથે પસાર થાય છે. અમે તમારા ઇનપુટ પર તાલીમ આપતા નથી.
સ્વયં-હોસ્ટ થયેલ પર ટૂંકા લખાણ માટે sub-100ms, પ્રીમિયમ પર 100-500ms. બેચ કોલ્સ લગભગ રેખીય રીતે માપદંડ કરે છે - 1,000 ચુકડાઓ 2-10 સેકન્ડોમાં સમાપ્ત થાય છે.
હા - Free.ai એ સમાવિષ્ટોનો વાણિજ્યિક ઉપયોગ કરવાની પરવાનગી આપે છે. પ્રોડક્શન શોધ, RAG પાઇપલાઇન, સૂચના સિસ્ટમોને બિલ્ડ કરો, કોઈ પર-વેકટર રોયલટી વગર.