Модели

voyage-code-4 — это модель внедрения кода от Voyage AI, компании MongoDB. Он предназначен для агентов кодирования и поиска кода с вложениями Matryoshka в измерениях 2048, 1024, 512…

voyage-multimodal-3.5 — это современная мультимодальная модель внедрения, способная векторизировать не только текст, изображения и видео по отдельности, но и контент, который черед…

voyage-4-lite — это легкая модель внедрения общего назначения, оптимизированная для низкой задержки и стоимости. Благодаря обучению Matryoshka и обучению с учетом квантования, voya…

voyage-4 — это универсальная (в том числе многоязычная) модель внедрения, оптимизированная для поиска/приложений искусственного интеллекта. voyage-4 поддерживает встраивания в изме…

voyage-4-large — это современная многоязычная встраиваемая система общего назначения, оптимизированная для качества поиска. Благодаря обучению Matryoshka и обучению с учетом кванто…

Gemini Embedding 2 — первая мультимодальная модель внедрения Google. В настоящее время мы поддерживаем отображение текста и изображений в единое векторное пространство для семантич…

Gemini Embedding 2 — первая мультимодальная модель внедрения Google. В настоящее время мы поддерживаем отображение текста и изображений в единое векторное пространство для семантич…

Gemini Embedding 2 Preview — первая мультимодальная модель внедрения Google. В настоящее время мы поддерживаем отображение текста и изображений в единое векторное пространство для…

pplx-embed-v1 -4B — это одна из самых современных моделей встраивания текста Perplexity, созданная для реального поиска в масштабе Интернета. pplx-embed-v1 оптимизирован для станда…

pplx-embed-v1-0.6B — это одна из самых современных моделей встраивания текста Perplexity, созданная для реального поиска в масштабе Интернета. pplx-embed-v1 оптимизирован для станд…

Модель внедрения gte-base кодирует английские предложения и абзацы в 768-мерное плотное векторное пространство, обеспечивая эффективное и действенное семантическое внедрение, оптим…

Модель встраивания gte-large преобразует английские предложения, абзацы и документы средней длины в 1024-мерное плотное векторное пространство, обеспечивая высококачественное семан…

Модель встраивания e5-large-v2 отображает английские предложения, абзацы и документы в 1024-мерное плотное векторное пространство, обеспечивая высокоточные семантические встраивани…

Модель внедрения e5-base-v2 кодирует английские предложения и абзацы в 768-мерное плотное векторное пространство, создавая эффективные и высококачественные семантические внедрения,…

Многоязычная модель внедрения большого размера e5 кодирует предложения, абзацы и документы на более чем 90 языках в плотное 1024-мерное векторное пространство, обеспечивая надежные…

Модель внедрения paraphrase-MiniLM-L6-v2 преобразует предложения и короткие абзацы в 384-мерное плотное векторное пространство, создавая высококачественные семантические внедрения,…

Модель внедрения, полностью состоящая из MiniLM-L12-v2, отображает предложения и короткие абзацы в 384-мерное плотное векторное пространство, создавая эффективные и высококачествен…

Модель внедрения bge-base-en-v1.5 преобразует английские предложения и абзацы в 768-мерные плотные векторы, обеспечивая эффективные, высококачественные семантические внедрения, опт…

Модель внедрения multi-qa-mpnet-base-dot-v1 преобразует предложения и короткие абзацы в 768-мерное плотное векторное пространство, генерируя высококачественные семантические внедре…

Модель внедрения bge-large-en-v1.5 отображает английские предложения, абзацы и документы в 1024-мерное плотное векторное пространство, обеспечивая высокоточные семантические внедре…

Модель внедрения bge-m3 кодирует предложения, абзацы и длинные документы в 1024-мерное плотное векторное пространство, обеспечивая высококачественное семантическое внедрение, оптим…

Модель внедрения all-mpnet-base-v2 кодирует предложения и короткие абзацы в 768-мерное плотное векторное пространство, обеспечивая высокоточные семантические внедрения, хорошо подх…

Модель встраивания, полностью состоящая из MiniLM-L6-v2, отображает предложения и короткие абзацы в 384-мерное плотное векторное пространство, обеспечивая высококачественные семант…

Mistral Embed — это специализированная модель внедрения текстовых данных, оптимизированная для семантического поиска и приложений RAG. Разработанный Mistral AI в конце 2023 года, о…

Gemini-embedding-001 предоставляет унифицированный передовой опыт в различных областях, включая науку, юриспруденцию, финансы и программирование. Эта модель внедрения неизменно зан…

text-embedding-ada-002 — это устаревшая модель встраивания текста OpenAI.

text-embedding-ada-002 — это устаревшая модель встраивания текста OpenAI.

Mistral Codestral Embed специально разработан для кода, идеально подходит для встраивания баз данных кода, репозиториев и предоставления помощникам по кодированию современных возмо…

text-embedding-3-large — это наиболее эффективная модель встраивания OpenAI как для английских, так и для неанглийских задач. Вложения — это числовое представление текста, которое…

text-embedding-3-large — это наиболее эффективная модель встраивания OpenAI как для английских, так и для неанглийских задач. Вложения — это числовое представление текста, которое…

text-embedding-3-small — это улучшенная и более производительная версия модели внедрения ada от OpenAI. Вложения — это числовое представление текста, которое можно использовать для…

text-embedding-3-small — это улучшенная и более производительная версия модели внедрения ada от OpenAI. Вложения — это числовое представление текста, которое можно использовать для…

Серия моделей Qwen3 Embedding — это новейшая запатентованная модель семейства Qwen, специально разработанная для задач встраивания текста и ранжирования. Эта серия унаследовала иск…

Серия моделей Qwen3 Embedding — это новейшая запатентованная модель семейства Qwen, специально разработанная для задач встраивания текста и ранжирования. Эта серия унаследовала иск…