Modèles d'IA pour vos applications GenAI

text-embedding-3-large

Le modèle d'intégration de texte le plus performant d'OpenAI ; adapté au texte anglais.

text-embedding-3-small

Le modèle d'intégration de texte le plus rentable d'OpenAI, avec une précision et une efficacité accrues par rapport aux modèles text-embedding-ada-002 et text-embedding-3-large.

text-embedding-ada-002

Modèle d'intégration de texte hérité d'OpenAI ; avec un niveau de prix et de performance moyen par rapport à text-embedding-3-large et text-embedding-3-small.

clip-vit-base-patch32

Variante du modèle multimodal CLIP qui utilise une architecture de transformateur ViT-B/32 pour le codage des images et un transformateur à auto-attention masquée pour le codage du texte.

jina-embeddings-v2-small-en

Un modèle d'intégration monolingue anglais pour une longueur de séquence allant jusqu'à 8192 tokens ; la plus petite variante de la famille Jina Embeddings v2.

jina-embeddings-v2-base-en

Modèle d'intégration spécialisé pour les textes en anglais et les documents longs ; prise en charge de séquences allant jusqu'à 8192 éléments.

voyage-code-2

Le modèle d'intégration de texte de Voyage AI est optimisé pour la recherche de codes (17 % de mieux que les autres solutions).

voyage-2

Le modèle d'intégration de texte à usage général de Voyage AI est optimisé pour équilibrer le coût, la latence et la qualité de la recherche.

voyage-large-2

Modèle d'intégration de texte à usage général de Voyage AI ; optimisé pour la qualité de la recherche (par exemple, meilleur que OpenAI V3 Large) ; idéal pour des tâches telles que le résumé, le regroupement et la classification.

embed-english-light-v3.0

Une version plus petite et plus rapide de embed-english-v3.0. Presque aussi performante mais beaucoup plus rapide. Uniquement en anglais.

embed-english-v3.0

Adapté au texte anglais ; score MTEB : 64,5 ; score BEIR : 55,9

embed-multilingual-v3.0

Conçu pour les textes multilingues ; prend en charge plus de 100 langues et peut être utilisé pour effectuer des recherches au sein d'une langue et entre les langues ; score MTEB : 64 ; score BEIR : 54,6

bge-base-en-v1.5

Un modèle d'intégration générale (BGE) introduit par BAAI et adapté au texte anglais.

all-MiniLM-L12-v2

Un codeur de phrases et de paragraphes courts idéal pour la recherche sémantique et le RAG ; basé sur le modèle pré-entraîné Microsoft/MiniLM-L12-H384-uncased, il a été affiné sur un grand ensemble de données de plus d'un milliard de paires de phrases.

bge-reranker-base

Un modèle d'encodeur croisé optimisé pour les tâches de reclassement construit sur la base de l'architecture BERT.

all-mpnet-base-v2

Encodeur de phrases et de paragraphes courts ; génère des vecteurs à 768 dimensions.

jina-embeddings-v3

Modèle d'intégration de texte multilingue ; il prend en charge 89 langues au total ; il peut traiter jusqu'à 8192 mots par séquence.

instructor-base

La plus petite variante de la famille de modèles Instructor, conçue pour concilier efficacité et performance.

instructor-large

Un modèle adapté aux instructions, conçu pour l'intégration de textes ; meilleure performance que `instructor-base`, mais moins bonne que `instructor-xl`.

mistral-embed

Un modèle d'intégration spécialisé pour les données textuelles avec une fenêtre contextuelle de 8 000 tokens. Optimisé pour la recherche par similarité et les applications RAG. Score de récupération MTEB : 55,26.