Нейросети для эмбеддингов через API

amazon

Amazon Titan Embeddings G1 - Text — это модель Titan text embedding первого поколения. Она принимает до 8 192 токенов на вход и возвращает фиксированные 1 536-мерные векторы; параметр dimensions не поддерживается.

amazon

Amazon Titan Multimodal Embeddings G1 встраивает текст, изображения или текст и изображения вместе в общее векторное пространство для мультимодального поиска и рекомендаций. Изображения отправляются в формате base64 (до 25 МБ), текстовый…

amazon

Amazon Titan Text Embeddings V2 — это модель для создания текстовых эмбеддингов, предназначенная для извлечения информации, поиска и кластеризации. Она принимает до 8 192 токенов на вход и по умолчанию возвращает нормализованные векторы…

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,…

LFM2.5-Embedding-350M — это модель для создания текстовых эмбеддингов от Liquid AI. Она генерирует 1024-мерные эмбеддинги для задач поиска и семантического поиска. Успешные запросы и эмбеддинги могут быть сохранены и использованы для…

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 с ответами на вопросы. Модель может встраивать «документы» в виде изображений, текста или комбинации изображений и текста. Документы могут быть…

nvidia

Nemotron 3.5 Embed 1B — это мультимодальная модель embedding от NVIDIA для многоязычного поиска по тексту и изображениям страниц документов (таблицы, диаграммы, инфографика). Запросы представляют собой текст, а документы могут быть…

nvidia

Nemotron 3.5 Embed 8B — это мультимодальная модель embedding от NVIDIA для многоязычного поиска по тексту и изображениям страниц документов (таблицы, диаграммы, инфографика). Запросы представляют собой текст, а документы могут быть…

nvidia

NVIDIA Nemotron 3 Embed 1B — это открытая модель встраивания текста от NVIDIA, оптимизированная для высокопроизводительного поиска с низкой задержкой. Она подходит для корпоративного поиска, RAG, поиска кода и рабочих процессов агентского…

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…

voyage-4 — это универсальная (включая многоязычную) модель embedding, оптимизированная для поиска/извлечения информации и приложений ИИ. voyage-4 поддерживает embedding. Подробнее о voyage-4 здесь:…

voyage-4-large — это современный, универсальный и многоязычный embedding, оптимизированный для качества извлечения. Благодаря обучению Matryoshka и обучению с учетом квантования, voyage-4-large поддерживает embeddings voyage-4-large здесь:…

voyage-4-lite — это легковесная встраиваемая модель общего назначения, оптимизированная для низкой задержки и стоимости. Благодаря Matryoshka learning и обучению с учетом квантования, voyage-4-lite поддерживает встраивания. Узнайте больше…

voyage-code-4 — это модель для создания code embedding от Voyage AI, компании MongoDB. Она разработана для кодирующих агентов и извлечения кода, с Matryoshka embeddings на 2048t. Узнайте больше о voyage-code-4 здесь:…

voyage-multimodal-3.5 — это современная мультимодальная embedding-модель, способная векторизовать не только текст, изображения и видео по отдельности, но и контент, который чередует все три модальности. Она обеспечивает отличную…