Embeddings & RAG
Modèles de représentation vectorielle pour la recherche et les pipelines RAG.
Modèle d'intégration anglais BGE Small de BAAI (33 millions de paramètres) produisant des vecteurs à 384 dimensions. Léger et économe en CPU avec de solides performances sur les tâches de récupération de l'anglais et de similarité sémantique.
Modèle d'intégration de 137 millions de paramètres de Nomic AI prenant en charge les documents courts et longs (jusqu'à 8 192 jetons). Atteint de solides performances sur les benchmarks MTEB avec des poids et des données d'entraînement entièrement ouverts.
Modèle d'intégration anglais BERT-based Small, aliassé à text-embedding-ada-002 pour la compatibilité. Léger et économe en CPU avec de solides performances sur les tâches de récupération de l'anglais et de similarité sémantique.
Modèle d'intégration anglais BGE Base de BAAI (109 millions de paramètres) produisant des vecteurs à 768 dimensions. Un solide modèle d'intégration anglais à usage général, équilibrant la taille et la qualité de récupération, idéal pour les pipelines accélérés par GPU.
Modèle d'intégration anglais BGE Large de BAAI (335 millions de paramètres) produisant des vecteurs à 1024 dimensions. Qualité de récupération de l'anglais de premier plan sur MTEB, mieux utilisée lorsque la précision de l'intégration est plus importante que la vitesse.
Le modèle d'intégration anglais de 137 millions de paramètres de Jina AI prend en charge un contexte de 8 192 jetons, bien plus long que la plupart des modèles d'intégration. Bien adapté à la récupération au niveau des documents et aux pipelines RAG à contexte long.
Modèle d'intégration multilingue E5 Base de Microsoft (278 millions de paramètres) prenant en charge plus de 100 langues. Produit des vecteurs à 768 dimensions avec de fortes performances de récupération multilingue et de similarité sémantique.
Modèle d'intégration E5 Large multilingue de Microsoft (560 millions de paramètres) pour plus de 100 langues. Fournit des intégrations multilingues de haute qualité (1024-dim) au prix d'exigences accrues en matière de mémoire et de calcul.
Le grand modèle d'intégration anglais de 335 millions de paramètres de Mixedbread AI atteint des performances de pointe sur MTEB. Produit des vecteurs à 1 024 dimensions avec de solides résultats de récupération, de regroupement et de similarité sémantique.