ИИ модели для ваших GenAI приложений

text-embedding-3-small

Самая экономичная модель встраивания текста от OpenAI с повышенной точностью и эффективностью по сравнению с text-embedding-ada-002 и text-embedding-3-large.

text-embedding-ada-002

Устаревшая модель встраивания текста OpenAI; средний уровень цены и производительности по сравнению с text-embedding-3-large и text-embedding-3-small.

text-embedding-3-large

Лучшая в OpenAI модель встраивания текста; адаптирована для английского текста.

clip-vit-base-patch32

Вариант мультимодальной модели CLIP, использующий архитектуру трансформера ViT-B/32 для кодирования изображений и трансформер с маской самовнушения для кодирования текста.

jina-embeddings-v2-small-en

Английская монолингвальная модель встраивания для последовательности длиной до 8192 лексем; самый маленький вариант в семействе Jina Embeddings v2.

jina-embeddings-v2-base-en

Специализированная модель встраивания для английского текста и длинных документов; поддержка последовательностей до 8192 лексем

voyage-code-2

Модель встраивания текста Voyage AI оптимизирована для поиска кода (на 17 % лучше, чем альтернативные варианты).

voyage-2

Модель встраивания текста общего назначения Voyage AI, оптимизированная для баланса между стоимостью, задержкой и качеством поиска.

voyage-large-2

Модель встраивания текста общего назначения от Voyage AI; оптимизирована для качества поиска (например, лучше, чем OpenAI V3 Large); идеально подходит для таких задач, как обобщение, кластеризация и классификация.

embed-english-light-v3.0

Уменьшенная и более быстрая версия embed-english-v3.0. Почти такая же по возможностям, но гораздо быстрее. Только английский язык.

embed-english-v3.0

Подготовлено для английского текста; оценка MTEB: 64.5; оценка BEIR: 55.9

embed-multilingual-v3.0

Предназначен для работы с многоязычными текстами; поддерживает более 100 языков и может использоваться для поиска внутри языка и между языками; оценка MTEB: 64; оценка BEIR: 54,6

all-MiniLM-L12-v2

Кодировщик предложений и коротких абзацев, идеально подходящий для семантического поиска и RAG; основан на предварительно обученной модели Microsoft/MiniLM-L12-H384-uncased и был доработан на большом наборе данных, включающем более 1 миллиарда пар предложений.

bge-reranker-base

Модель кросс-кодера, оптимизированная для задач реранжирования, построенная на основе архитектуры BERT.

all-mpnet-base-v2

Кодировщик предложений и коротких абзацев; генерирует 768-мерные векторы.

jina-embeddings-v3

Многоязычная модель встраивания текста; поддерживает 89 языков; может обрабатывать до 8192 лексем в одной последовательности.

instructor-base

Самый маленький вариант семейства моделей Instructor, разработанный с учетом баланса эффективности и производительности.

instructor-large

Модель, настроенная на инструкции и предназначенная для вкраплений текста; лучше, чем `instructor-base`, но хуже, чем `instructor-xl`.

mistral-embed

Специализированная модель встраивания для текстовых данных с контекстным окном из 8 000 лексем. Оптимизирована для поиска по сходству и приложений RAG. Оценка поиска MTEB: 55,26.

rerank-english-v2.0

Модель рерайтинга для англоязычных документов с длиной контекста 512 лексем.