KI-Modelle für Ihre GenAI-Anwendungen

text-embedding-3-small

OpenAIs kostengünstigstes Texteinbettungsmodell mit verbesserter Genauigkeit und Effizienz im Vergleich zu text-embedding-ada-002 und text-embedding-3-large.

text-embedding-ada-002

OpenAIs altes Texteinbettungsmodell; mit einem durchschnittlichen Preis- und Leistungsniveau im Vergleich zu text-embedding-3-large und text-embedding-3-small.

text-embedding-3-large

OpenAIs leistungsstärkstes Modell zur Texteinbettung; zugeschnitten auf englische Texte.

clip-vit-base-patch32

Eine multimodale CLIP-Modellvariante, die eine ViT-B/32-Transformer-Architektur für die Bildcodierung und einen maskierten Self-Attention-Transformer für die Textcodierung verwendet.

jina-embeddings-v2-small-en

Ein einsprachiges englisches Einbettungsmodell für eine Sequenzlänge von bis zu 8192 Token; die kleinste Variante in der Jina Embeddings v2 Familie.

jina-embeddings-v2-base-en

Spezielles Einbettungsmodell für englischen Text und lange Dokumente; unterstützt Sequenzen von bis zu 8192 Token

voyage-code-2

Das Texteinbettungsmodell von Voyage AI ist für die Codeabfrage optimiert (17 % besser als Alternativen).

voyage-2

Voyage AI's universelles Modell zur Texteinbettung, optimiert für ein ausgewogenes Verhältnis von Kosten, Latenz und Abrufqualität.

voyage-large-2

Voyage AI's universelles Modell zur Texteinbettung; optimiert für die Qualität des Retrievals (z.B. besser als OpenAI V3 Large); ideal für Aufgaben wie Zusammenfassung, Clustering und Klassifizierung.

embed-english-light-v3.0

Eine kleinere, schnellere Version von embed-english-v3.0. Fast genauso leistungsfähig, aber viel schneller. Nur auf Englisch.

embed-english-v3.0

Maßgeschneidert für englischen Text; MTEB-Wert: 64,5; BEIR-Wert: 55,9

embed-multilingual-v3.0

Maßgeschneidert für mehrsprachige Texte; unterstützt mehr als 100 Sprachen und kann für die Suche innerhalb einer Sprache und sprachübergreifend verwendet werden; MTEB-Wert: 64; BEIR-Wert: 54,6

all-MiniLM-L12-v2

Ein Encoder für Sätze und kurze Absätze, der sich ideal für die semantische Suche und RAG eignet; er basiert auf dem vortrainierten Microsoft/MiniLM-L12-H384-Modell und wurde anhand eines großen Datensatzes mit über 1 Milliarde Satzpaaren feinabgestimmt.

bge-reranker-base

Ein für Reranking-Aufgaben optimiertes Cross-Encoder-Modell, das auf der Grundlage der BERT-Architektur aufgebaut ist.

all-mpnet-base-v2

Ein Kodierer für Sätze und kurze Absätze; erzeugt 768-dimensionale Vektoren.

jina-embeddings-v3

Ein mehrsprachiges Texteinbettungsmodell; unterstützt insgesamt 89 Sprachen; kann bis zu 8192 Token pro Sequenz verarbeiten.

instructor-base

Die kleinste Variante der Instructor-Modellfamilie, die auf ein ausgewogenes Verhältnis von Effizienz und Leistung ausgelegt ist.

instructor-large

Ein instruktionsspezifisches Modell, das auf Texteinbettungen zugeschnitten ist; bessere Leistung als `instructor-base`, aber schlechter als `instructor-xl`.

mistral-embed

Ein spezielles Einbettungsmodell für Textdaten mit einem Kontextfenster von 8.000 Token. Optimiert für Ähnlichkeitsrecherchen und RAG-Anwendungen. MTEB-Retrievalwert: 55,26.

rerank-english-v2.0

Ein Reranking-Modell für englischsprachige Dokumente mit einer Kontextlänge von 512 Token.