Нейросети для эмбеддингов через API

Модель встраивания bge-base-en-v1.5 преобразует английские предложения и абзацы в 768-мерные плотные векторы, обеспечивая эффективные, высококачественные семантические встраивания, оптимизированные для поиска, семантического поиска и…

Модель встраивания bge-large-en-v1.5 отображает английские предложения, абзацы и документы в 1024-мерное плотное векторное пространство, обеспечивая высокоточные семантические встраивания, оптимизированные для семантического поиска,…

Модель внедрения bge-m3 кодирует предложения, абзацы и длинные документы в 1024-мерное плотное векторное пространство, предоставляя высококачественные семантические внедрения, оптимизированные для многоязычного поиска, семантического…

google

gemini-embedding-001 предоставляет унифицированный передовой опыт во всех областях, включая науку, юриспруденцию, финансы и программирование. Эта модель эмбеддингов неизменно занимает лидирующие позиции в многоязычной таблице лидеров…

google

Gemini Embedding 2 — это первая мультимодальная модель встраивания от Google. В настоящее время мы поддерживаем сопоставление текста и изображений в единое векторное пространство для семантического поиска и генерации с дополненной выборкой…

google

Gemini Embedding 2 Preview — это первая мультимодальная модель встраивания от Google. В настоящее время мы поддерживаем отображение текста и изображений в унифицированное векторное пространство для семантического поиска и генерации с…

Модель эмбеддингов e5-base-v2 кодирует английские предложения и абзацы в 768-мерное плотное векторное пространство, создавая эффективные и высококачественные семантические эмбеддинги, оптимизированные для таких задач, как семантический…

Модель эмбеддингов e5-large-v2 отображает английские предложения, абзацы и документы в 1024-мерное плотное векторное пространство, обеспечивая высокоточные семантические эмбеддинги, оптимизированные для задач извлечения информации,…

Модель multilingual-e5-large embedding кодирует предложения, абзацы и документы на более чем 90 языках в 1024-мерное плотное векторное пространство, обеспечивая надежные семантические эмбеддинги, оптимизированные для многоязычного поиска,…

mistralai

Mistral Codestral Embed специально разработан для кода, идеально подходит для встраивания кодовых баз данных, репозиториев и обеспечения работы помощников по кодированию с использованием передовых методов извлечения информации.

mistralai

Mistral Embed — это специализированная модель эмбеддингов для текстовых данных, оптимизированная для семантического поиска и RAG-приложений. Разработанная Mistral AI в конце 2023 года, она генерирует 1024-мерные векторы, которые эффективно…

nvidia

Модель встраивания Llama Nemotron Embed VL 1B V2 оптимизирована для многомодального поиска ответов на вопросы. Модель может встраивать «документы» в виде изображений, текста или изображений и текста...

`text-embedding-3-large` — это самая мощная модель встраивания OpenAI для задач как на английском, так и на других языках. Встраивания (embeddings) — это числовое представление текста, которое можно использовать для измерения связанности…

text-embedding-3-small — это улучшенная, более производительная версия модели встраивания ada от OpenAI. Встраивания (embeddings) — это числовое представление текста, которое можно использовать для измерения связанности между двумя…

text-embedding-ada-002 — это устаревшая модель для создания текстовых эмбеддингов от OpenAI.

perplexity

pplx-embed-v1-0.6B — это одна из передовых моделей встраивания текста от Perplexity, созданная для полномасштабного поиска в реальных условиях. pplx-embed-v1 оптимизирована для стандартного плотного поиска текста, а модель с 0.6B…

perplexity

pplx-embed-v1 -4B — одна из передовых моделей Perplexity для создания текстовых эмбеддингов, разработанная для полномасштабного поиска в реальных условиях. pplx-embed-v1 оптимизирована для стандартного плотного текстового поиска, а модель…

qwen

Серия моделей Qwen3 Embedding — это новейшая проприетарная модель семейства Qwen, специально разработанная для задач встраивания и ранжирования текста. Эта серия унаследовала исключительные многоязычные возможности, понимание длинных…

qwen

Серия моделей Qwen3 Embedding — это новейшая проприетарная модель семейства Qwen, специально разработанная для задач встраивания и ранжирования текста. Эта серия унаследовала исключительные многоязычные возможности, понимание длинных…

Модель эмбеддингов all-MiniLM-L12-v2 отображает предложения и короткие абзацы в 384-мерное плотное векторное пространство, создавая эффективные и высококачественные семантические эмбеддинги, оптимизированные для таких задач, как…

Модель встраивания all-MiniLM-L6-v2 отображает предложения и короткие абзацы в 384-мерное плотное векторное пространство, обеспечивая высококачественные семантические представления, которые идеально подходят для последующих задач, таких…

Модель эмбеддингов all-mpnet-base-v2 кодирует предложения и короткие абзацы в 768-мерное плотное векторное пространство, предоставляя высокоточные семантические эмбеддинги, хорошо подходящие для таких задач, как информационный поиск,…

Модель эмбеддингов multi-qa-mpnet-base-dot-v1 преобразует предложения и короткие абзацы в 768-мерное плотное векторное пространство, генерируя высококачественные семантические эмбеддинги, оптимизированные для поиска ответов на вопросы,…

Модель встраивания paraphrase-MiniLM-L6-v2 преобразует предложения и короткие абзацы в 384-мерное плотное векторное пространство, создавая высококачественные семантические встраивания, оптимизированные для обнаружения перефразирований,…

Модель gte-base embedding кодирует английские предложения и абзацы в 768-мерное плотное векторное пространство, обеспечивая эффективные и действенные семантические эмбеддинги, оптимизированные для задач определения текстового сходства,…

Модель gte-large embedding преобразует английские предложения, абзацы и документы средней длины в 1024-мерное плотное векторное пространство, обеспечивая высококачественные семантические эмбеддинги, оптимизированные для задач…