mxbai-embed-large-v1
Free.ai (self-hosted)
·
embeddings
·
~100 ٽوڪنز call
mxbai-embed-large-v1 an embedding model جي ٺهيل mixedbread.ai. Semantic search, clustering, similarity. تي تمام مضبوط. Free.ai GPUs تي پاڻمرادو ميزبان - توهان جي روزاني ٽوڪين پول (100 ٽوڪين هر ڪالهه) جي خلاف مفت هلندو آهي. Apache 2.0 تحت جاري ڪيو ويو — Free.ai تي تجارتي استعمال جي اجازت.
API ذريعي استعمال ڪريو
OpenAI-compatible REST API. هڪ ڪَچ 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":"mxbai-embed-large-v1","prompt":"your prompt here"}'گھڻا پڇيل سوال
mxbai-embed-large-v1 متن کي گھٽ وزن واري ويڪٽر (فلوٽ جي 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 "ھيءُ متن ان متن سان گڏ آهي" اهميت رکي ٿو.
عام ابعاد 384، 768، 1024، يا 1536 ماڊل تي منحصر آهن. BGE-M3 1024-dim خارج ڪري ٿو؛ OpenAI Ada 1536 خارج ڪري ٿو. API جواب ۾ ابعاد شامل آهي ته جيئن توهان جو ويڪٽر ڊي بي صحيح شاخ چونڊي.
جديد داخل ٿيل ماڊل (Free.ai تي وڏن اختيارن سميت) 100+ ٻولين تي تربيت ڏنل آهن. زبانن جي وچ ۾ ڳولا ڪم ڪري ٿي - انگريزي ۾ ڳولا ڪريو، اسپيني ۾ دستاويز کي ملائي.
512 کان 8,192 ٽوڪنز ماڊل تي منحصر آهي. ڊگهي انڊيڪس کي ٽوڙيو ويندو آهي - ڊگهن دڪانن کي داخل ڪرڻ کان اڳ پيراگراف ۾ ٽڪرا ڪريو.
mxbai-embed-large-v1 اسان جي پنهنجي GPUs تي هلندو آهي ۽ سستا اوزارن مان هڪ آهي - ~ 100 ٽوڪنز جي حوالي سان هر ڪال توهان جي روزاني مفت پول مان ڪڍيو ويو. $5 = 200K ٽوڪنز.
ها — /v1/embeddings/ ڏانهن سٽن جي قائمة پوسٽ ڪريو ۽ mxbai-embed-large-v1 ويڪٽر جي قائمة هڪ ئي ترتيب ۾ موٽائي ٿو. هر درخواست تي 2,048 تائين بيچ سائز.
L2-normalized اڻلڀ طور تي — 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. mxbai-embed-large-v1 plain JSON floats واپس ڪري ٿو؛ DB ڪڏهن به ماڊل نه ڏسي.
ھائو — POST to /v1/embeddings/ with model="mxbai-embed-large-v1". OpenAI-compatible response shape, so existing client libraries work unchanged. /api/ has the full reference.
پاڻ کي ميزبان ماڊل پنھنجو متن اسان جي GPUs تي رکڻ ۽ ان کي ڇڏي ڏيڻ کان پوءِ ڪال واپس. پريميئم DPA سان گذري. اسين اوھان جي انباڪس تي تربيت نه ٿا ڏيون.
خود-موجوده تي مختصر متن لاءِ 100-500ms، پرائم تي 100-500ms. باچ ڪالون تقريبن لڪير ۾ وڌنديون آهن - 1000 چانڪس 2-10 سيڪنڊن ۾ مڪمل ٿيندا آهن.
ھائو — Free.ai ضم ڪرڻن جو تجارتي استعمال ڏئي ٿو. پيداوار جي ڳولا، RAG پائپ لائنز، صلاحيتن جي نظامن کي بنا پر-ويڪٽر ريائيٽي جي ٺاهيو.