GenAI 앱을 위한 AI 모델

text-embedding-3-small

텍스트 임베딩-ada-002 및 텍스트 임베딩-3-large에 비해 정확도와 효율성이 향상된 OpenAI의 가장 비용 효율적인 텍스트 임베딩 모델입니다.

text-embedding-ada-002

OpenAI의 기존 텍스트 임베딩 모델은 텍스트 임베딩-3-large 및 텍스트 임베딩-3-small과 비교할 때 평균 수준의 가격 및 성능을 제공합니다.

text-embedding-3-large

OpenAI의 최고 성능의 텍스트 임베딩 모델, 영어 텍스트에 맞게 맞춤화되었습니다.

clip-vit-base-patch32

이미지 인코딩에는 ViT-B/32 트랜스포머 아키텍처를, 텍스트 인코딩에는 마스크드 셀프 어텐션 트랜스포머를 사용하는 CLIP 멀티모달 모델 변형입니다.

jina-embeddings-v2-small-en

최대 8192개 토큰의 시퀀스 길이를 위한 영어 단일 언어 임베딩 모델로, Jina 임베딩 v2 제품군에서 가장 작은 변형입니다.

jina-embeddings-v2-base-en

영어 텍스트 및 긴 문서에 특화된 임베딩 모델, 최대 8192개의 토큰 시퀀스 지원

voyage-code-2

코드 검색에 최적화된 Voyage AI의 텍스트 임베딩 모델(대체 모델 대비 17% 개선).

voyage-2

비용, 지연 시간, 검색 품질 간의 균형을 맞추기 위해 최적화된 Voyage AI의 범용 텍스트 임베딩 모델입니다.

voyage-large-2

Voyage AI의 범용 텍스트 임베딩 모델, 검색 품질에 최적화(예: OpenAI V3 Large보다 우수), 요약, 클러스터링, 분류와 같은 작업에 이상적입니다.

embed-english-light-v3.0

더 작고 빠른 embed-english-v3.0 버전입니다. 기능은 거의 비슷하지만 훨씬 빠릅니다. 영어로만 제공됩니다.

embed-english-v3.0

영어 텍스트에 맞게 조정됨; MTEB 점수: 64.5; BEIR 점수: 55.9

embed-multilingual-v3.0

다국어 텍스트에 맞춤화, 100개 이상의 언어를 지원하며 언어 내 및 언어 간 검색에 사용 가능, MTEB 점수: 64점, BEIR 점수: 54.6점

all-MiniLM-L12-v2

시맨틱 검색 및 RAG에 이상적인 문장 및 짧은 단락 인코더로, 사전 학습된 Microsoft/MiniLM-L12-H384-대문자 없는 모델을 기반으로 하며 10억 개 이상의 문장 쌍으로 구성된 대규모 데이터 세트에서 미세 조정되었습니다.

bge-reranker-base

BERT 아키텍처를 기반으로 구축된 리랭킹 작업에 최적화된 크로스 인코더 모델입니다.

all-mpnet-base-v2

문장 및 짧은 단락 인코더로, 768차원 벡터를 생성합니다.

jina-embeddings-v3

다국어 텍스트 임베딩 모델, 총 89개 언어 지원, 시퀀스당 최대 8192개의 토큰을 처리할 수 있습니다.

instructor-base

효율성과 성능의 균형을 맞추도록 설계된 강사 모델 제품군 중 가장 작은 변형입니다.

instructor-large

텍스트 임베딩에 맞게 조정된 인스트럭션 미세 조정 모델로, '인스트럭터-베이스'보다는 성능이 좋지만 '인스트럭터-xl'보다는 떨어집니다.

mistral-embed

8,000개 토큰의 컨텍스트 창을 가진 텍스트 데이터에 특화된 임베딩 모델입니다. 유사도 검색 및 RAG 애플리케이션에 최적화되어 있습니다. MTEB 검색 점수: 55.26.

rerank-english-v2.0

컨텍스트 길이가 512 토큰인 영어 문서에 대한 순위 재조정 모델입니다.