GTE Large EN v1.5

EmbeddingsNeprieinama

iš Communitygte-large-en-v1-5

Alibaba (Tongyi Lab) general text embedding model. The v1.5 release extends the context to 8192 tokens and returns 1024-dim vectors, scoring competitively on MTEB while handling much longer inputs than typical 512-token encoders. A practical open model when documents exceed the usual short-context limit.

Peržiūrėti alternatyvas Palyginti

Būsena: Neprieinama
Kontekstas: 8 192 žetonų
Įvestis → išvestis: Tekstas → Vektorius
Kūrėjas: Community
Atnaujinta: 2026 m. rugsėjo 23 d.

GTE Large EN v1.5 šiuo metu neprieinamas

Šiame puslapyje galite perskaityti išsamią informaciją. Norėdami iš karto paleisti panašų modelį, pasirinkite vieną iš žemiau pateiktų prieinamų alternatyvų.

Į alternatyvas

Panašūs modeliai

Visi šioje kategorijoje

OpenAI text-embedding-3-largeOpenAI
OpenAI's highest-quality embedding model. Returns 3072-dim vectors by default and supports reducing dimensions via the dimensions parameter. Outperforms text-embedding-3-small and the older ada-002 on MTEB and multilingual MIRACL retrieval benchmarks, for cases where accuracy matters more than cost.
0,156 USD/1M įv
Palyginti GTE Large EN v1.5 ir OpenAI text-embedding-3-large
OpenAI text-embedding-3-smallOpenAI
OpenAI's small, low-cost embedding model. Returns 1536-dim vectors by default and supports shortening output dimensions via the dimensions parameter without retraining. Replaced text-embedding-ada-002 with better retrieval quality at a fraction of the price, and is the default choice for general-purpose semantic search and RAG.
0,024 USD/1M įv
Palyginti GTE Large EN v1.5 ir OpenAI text-embedding-3-small

Žaidimų aikštelė

Išbandyti GTE Large EN v1.5

Įvestis ir rezultatas

Šiuo metu neprieinamas

Šiuo metu nepasiekiama.

Žaidimų aikštelė išjungta. Panašius modelius rasite toje pačioje kategorijoje: Peržiūrėti alternatyvas

Text

0 / 8 000

Text to embed (up to 8192 tokens)

Palyginti su (pasirinktinai)

Modelis vykdomas du kartus (išrašyta du kartus).

⌘/Ctrl + Enter

Rezultatas

Vektorius pasirodo čia.

Šis paleidimas

Nėra kainos – šiuo metu neprieinama.

Naujas čia?

10 nemokami kreditai (0,10 USD), kai užsiregistruojate naudodami Google

Galima naudoti 24 valandų po registracijos, iki 5 paleidimų per dieną ir daugiausia 2 kreditų per paleidimą. Kiti prisijungimo būdai pradedami be kreditų.

Apie GTE Large EN v1.5

TrumpaiNuo 2026 m. rugsėjo 23 d.

GTE Large EN v1.5 yra Community modelis iš Embeddings kategorijos. GTE Large EN v1.5 šiuo metu nėra prieinamas per Railwail. Konteksto langas saugo 8 192 žetonų.

gte-large-en-v1.5 from Alibaba's Institute for Intelligent Computing (Tongyi Lab) is a general text embedding model whose v1.5 update pushes the supported context to 8192 tokens, well beyond the 512-token ceiling of most BERT-based encoders. It outputs 1024-dim embeddings and posts competitive MTEB English scores, making it useful for long-passage retrieval and RAG over bigger chunks without aggressive splitting. It loads with trust_remote_code on Hugging Face and is served via the feature-extraction pipeline; mean-pool the token outputs for the sentence vector.

Kainos

Šiuo metu nepasiekiama. Šiuo metu šiam modeliui nėra nustatytos kainos, todėl jo negalima paleisti.

API

Iškvieskite GTE Large EN v1.5 naudodami savo Railwail API raktą. Šioje užklausoje naudokite šią modelio ID:

gte-large-en-v1-5Peržiūrėti API dokumentaciją Gauti API raktą

Šiuo metu nepasiekiama

Modelis neturi patikrintos kainos arba yra išjungtas; API skambučiai atmetami.

Specifikacijos

Modelio ID: gte-large-en-v1-5
Kūrėjas: Community
Kategorija: Embeddings
Įvestis: Tekstas
Išvestis: Vektorius
Konteksto langas: 8 192 žetonų
Katalogo įrašas atnaujintas: 2026 m. rugsėjo 23 d.

Įvesties parametrai

Įvestys ir nustatymai iš modelio įvesties schemos. API sekcijoje pateiktas pavyzdys rodo, kuriuos iš jų priima API.

ParametrasTipasNumatytasisLeidžiamos reikšmės

inputsprivalomas
Text to embed (up to 8192 tokens)
Tipas: Tekstas
Numatytasis: –
Leidžiamos reikšmės: iki 8 000 simbolių

Žymos

embedding
retrieval
rag
huggingface
gte
alibaba
long-context
open-weights
mteb

Panaudojimo atvejai

Susiję vadovai

Embedding Models for Search & Science

Visi Embeddings modeliai

Dažnai užduodami klausimai

Kas yra GTE Large EN v1.5?

GTE Large EN v1.5 yra Community modelis iš Embeddings kategorijos. Jis yra Railwail kataloge, tačiau šiuo metu negali būti paleistas.

Kiek kainuoja GTE Large EN v1.5 Railwail?

GTE Large EN v1.5 šiuo metu negali būti paleistas Railwail, todėl nėra dabartinės kainos. Toliau šiame puslapyje pateikiamos galimos alternatyvos su kainomis.

Koks yra GTE Large EN v1.5 konteksto langas?

GTE Large EN v1.5 konteksto langas saugo 8 192 žetonų.

Koks yra GTE Large EN v1.5 greitis?

GTE Large EN v1.5 Railwail platformoje dar nėra pakankamai išmatuotų vykdymų, kad būtų galima nurodyti vykdymo laiką. Jis priklauso nuo įvesties, nustatymų ir teikėjo apkrovos.

Ar GTE Large EN v1.5 geriau nei OpenAI text-embedding-3-large?

Tai priklauso nuo užduoties. GTE Large EN v1.5 (Community) ir OpenAI text-embedding-3-large (OpenAI) yra abu modeliai iš Embeddings kategorijos. Palyginimo puslapyje jų kainos ir specifikacijos rodomos viena šalia kitos.

Palyginti GTE Large EN v1.5 ir OpenAI text-embedding-3-large

Ar dabar galiu naudoti GTE Large EN v1.5?

Šiuo metu nepasiekiama. Puslapis lieka aktyvus; toliau pateikiamos galimos alternatyvos iš tos pačios kategorijos.

Visi modeliai per vieną API

Vienas API raktas visiems Railwail modeliams. Naudojimas apmokestinamas iš iš anksto nupirktų kreditų, 1 kreditas = 0,01 USD.

Gauti API raktą Peržiūrėti visų modelių