mxbai-embed-large-v1
Free.ai (self-hosted)
·
embeddings
·
~100 प्रति टोकन call
mxbai-embed-large-v1 an embedding model द्वारा निर्माण गरिएको छ mixedbread.ai। Strongest at Semantic search, clustering, similarity.. Free.ai GPUs मा आत्म-होस्ट - आफ्नो दैनिक टोकन पूल विरुद्ध निःशुल्क चल्छ (100 टोकन प्रति कल)। Apache 2.0 अन्तर्गत जारी गरिएको — व्यावसायिक प्रयोगलाई Free.ai मा अनुमति दिइएको छ ।
प्राय सोधिने प्रश्न
mxbai-embed-large-v1 ले पाठलाई घनत्व भेक्टरमा रूपान्तरण गर्दछ (फ्लोटको सूची) जसले अर्थ समात्दछ । यसलाई शब्दार्थ खोजी, क्लस्टरिङ, सिफारिस, पुन: प्राप्ति- बढाइएको सिर्जना (RAG), र कुनै पनि कार्यका लागि प्रयोग गर्नुहोस् जहाँ "यो पाठ त्यो पाठको समान छ" कुराहरू छन् ।
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.
आधुनिक एम्बेड मोडेल (Free.ai मा सबैभन्दा विकल्प सहित) 100+ भाषाहरूमा प्रशिक्षित छन्। क्रस-भाषा पुन प्राप्ति काम - अंग्रेजी मा खोजी, स्पेनी मा खेल कागजात।
५१२ देखि ८,१९२ टोकनहरू मोडेलमा निर्भर गर्दछ । लामो आगतहरू काटिएको छ - सम्मिलित गर्नु अघि लामो कागजातहरू अनुच्छेदहरूमा टुक्रा गर्नुहोस् ।
mxbai-embed-large-v1 हाम्रो आफ्नै GPUs मा चल्छ र सस्तो उपकरणहरू बीच छ - ~ 100 टोकन प्रति कल आफ्नो दैनिक निःशुल्क पूल देखि खींचा बारेमा. $5= 200K टोकन.
हो - POST /v1/embeddings / र mxbai-embed-large-v1 स्ट्रिङ को एक सूची उही क्रम मा भेक्टर को एक सूची फिर्ता। ब्याच साइज प्रति अनुरोध 2,048 सम्म।
पूर्वनिर्धारितद्वारा L2-सामान्यीकृत - कोसिन समानता = डट उत्पाद । यदि तपाईँले फरक दूरी मेट्रिकका लागि कच्चा भेक्टर चाहनुहुन्छ भने `normalize=false` पास गर्नुहोस् ।
कुनै पनि - Pinecone, Weaviate, Qdrant, Chroma, pgvector, FAISS, LanceDB. mxbai-embed-large-v1 plain JSON फ्लोटहरू फर्काउँछ; DB कहिल्यै नमूना देख्दैन।
हो - POST मा /v1/embeddings / संग मोडेल "mxbai-embed-large-v1". खुलाAI-संगत प्रतिक्रिया आकार, त्यसैले अवस्थित क्लाइन्ट लाइब्रेरीहरू परिवर्तन बिना काम गर्दछ। /api/ पूर्ण सन्दर्भ छ।
आत्म-होस्ट मोडेल हाम्रो GPUs मा आफ्नो पाठ राख्न र कल फिर्ता पछि यो फाल्नु. प्रिमियम एक DPA संग मार्फत पास. हामी आफ्नो इनपुट मा ट्रेन छैन.
स्व-होस्टमा छोटो पाठको लागि सब-100ms, प्रिमियममा 100-500ms। ब्याच कलहरू लगभग रेखीय रूपमा स्केल गर्नुहोस् - 1,000 टुक्राहरू 2-10 सेकेन्डमा पूरा।
हो - Free.ai एम्बेडिंग को व्यावसायिक प्रयोग प्रदान गर्दछ। उत्पादन खोज, RAG पाइपलाइनहरू, कुनै प्रति-भेक्टर रॉयल्टी संग सिफारिस प्रणाली निर्माण गर्नुहोस्।