baai
BAAI: bge-large-en-v1.5
baai/bge-large-en-v1.5
Nuestro análisis
Análisis asistido por IA basado en las fuentes siguientes. La idoneidad es una valoración editorial; compruébala con tus propias tareas.
bge-large-en-v1.5 de BAAI es un modelo de embeddings de texto que, según el catálogo de OpenRouter, convierte oraciones, párrafos y documentos en inglés en un espacio vectorial denso de 1024 dimensiones, con entrada de texto, salida de embeddings y una ventana de contexto de 512 tokens. La ficha del modelo en Hugging Face publica resultados de MTEB en tareas de recuperación, clasificación, clustering, reranking y similitud semántica, lo que aporta rendimiento medido y no solo declarado en benchmarks estándar en inglés. La ficha está etiquetada para sentence-transformers, extracción de características y similitud de oraciones. Es un modelo solo de embeddings y no genera texto.[1][2]
Puntos fuertes
- La ficha del modelo en Hugging Face publica resultados medidos de MTEB en numerosas tareas en inglés, incluidas recuperación, clasificación, clustering, reranking y similitud semántica, lo que ofrece una cobertura de benchmarks amplia y no solo afirmaciones del proveedor.[2]
- Según el catálogo de OpenRouter, produce embeddings densos de 1024 dimensiones descritos como adecuados para búsqueda semántica, recuperación de documentos y tareas de PLN posteriores.[1]
- La ficha está etiquetada para el ecosistema sentence-transformers y para extracción de características, lo que suele facilitar la integración en pipelines estándar de embeddings.[2]
Limitaciones
- El catálogo lo describe como un modelo en inglés; este paquete de evidencia no cubre su rendimiento en otros idiomas.[1]
- Una ventana de contexto de 512 tokens obliga a fragmentar o truncar los textos más largos antes de generar embeddings.[1]
- Persisten lagunas de evidencia: este paquete no incluye licencia, número de parámetros ni requisitos de hardware, y el texto recuperado de la ficha está truncado, por lo que conviene validarlo con su propia carga de trabajo antes de adoptarlo.[1][2]
Dónde utilizarlo
- Opción a considerar para búsqueda semántica y recuperación de documentos en inglés, en línea tanto con la optimización declarada en el catálogo como con los resultados medidos de recuperación en MTEB.[1][2]
- Candidato para pipelines de similitud de oraciones y extracción de características que consuman embeddings densos en inglés.[1][2]
- Puede servir como etapa de embeddings en sistemas con recuperación aumentada cuyos pasajes quepan en el contexto de 512 tokens.[1]
Fuentes
- [1] OpenRouter catalog · BAAI: bge-large-en-v1.5Fuentes consultadas: 13 nov 2026
- [2] Model documentation · BAAI: bge-large-en-v1.5Fuentes consultadas: 13 nov 2026
Sobre este modelo
La descripción siguiente es el texto original aportado por OpenRouter, en el idioma de la fuente.
The bge-large-en-v1.5 embedding model maps English sentences, paragraphs, and documents into a 1024-dimensional dense vector space, delivering high-fidelity semantic embeddings optimized for semantic search, document retrieval, and downstream NLP tasks...
Especificaciones
- ID del modelo
- baai/bge-large-en-v1.5
- ID canónico
- baai/bge-large-en-v1.5-20251117
- Creador
- baai
- Añadido a OpenRouter
- 18.11.2025
- Longitud de contexto
- 512
- Modalidad
- text->embeddings
- Modalidades de entrada
- text
- Modalidades de salida
- embeddings
- Precio por token
- USD por 1M de tokens: entrada $0.010 / salida $0
- Corte de conocimiento
- —
- Fecha de expiración
- —
Tareas y capacidades
Una nota aparece solo cuando la fuente aporta una medición correspondiente para esa tarea, el modelo está activo y la cohorte tiene al menos 10 modelos comparables. La columna de capacidad muestra hechos declarados por la fuente — formatos compatibles, razonamiento y parámetros de herramientas — que no son calidad medida.
| Tarea | Nota | Capacidad declarada por la fuente |
|---|---|---|
| Calidad general | Sin medición | — |
| Programación | Sin medición | — |
| Agentes | Sin medición | — |
| Escritura | Sin medición | — |
| Razonamiento | Sin medición | — |
| Análisis de documentos | Sin medición | — |
| Visión | Sin medición | — |
| Generación de imágenes | Sin medición | — |
| Audio | Sin medición | — |
| Vídeo | Sin medición | — |
| Embeddings | Sin medición | salida: embeddings |
Evaluaciones
No hay evaluaciones aportadas para este modelo.
Cómo funcionan las notas
Cada nota compara un modelo solo con otros modelos evaluados por la misma fuente y métrica en la instantánea actual. S es el 10% superior, A el siguiente 20%, B el siguiente 30% y C el resto. Los modelos sin medición publicada aparecen como no evaluados: un formato compatible nunca implica calidad medida.
- S — S — 10% superior de la cohorte
- A — A — siguiente 20% de la cohorte
- B — B — siguiente 30% de la cohorte
- C — C — por debajo de la franja B
Proveedores
Estadísticas opcionales de proveedores en vivo desde OpenRouter. Los valores ausentes son desconocidos, no cero.
| Proveedor | Longitud de contexto | Precio entrada /1M | Precio salida /1M | Latencia p50 (30m, s) | Rendimiento p50 (30m, tok/s) | Disponibilidad (30m) |
|---|---|---|---|---|---|---|
| DeepInfra | 512 | $0.010 | $0 | — | — | 100% |
Datos de proveedores obtenidos: 13.11.2026
Artículos relacionados
Ningún artículo publicado identifica aún este modelo.