baai

BAAI: bge-large-en-v1.5

baai/bge-large-en-v1.5

Nossa análise

Análise com auxílio de IA baseada nas fontes abaixo. A adequação é uma avaliação editorial; teste com suas próprias tarefas.

O bge-large-en-v1.5 da BAAI é um modelo de embeddings de texto que, segundo o catálogo da OpenRouter, mapeia frases, parágrafos e documentos em inglês para um espaço vetorial denso de 1024 dimensões, com entrada de texto, saída de embeddings e janela de contexto de 512 tokens. A ficha do modelo no Hugging Face publica resultados de MTEB em tarefas de recuperação, classificação, clustering, reranking e similaridade semântica, indicando desempenho medido, e não apenas declarado, em benchmarks padrão de inglês. A ficha traz tags de sentence-transformers, extração de características e similaridade de frases. É um modelo somente de embeddings e não gera texto.[1][2]

Pontos fortes

A ficha do modelo no Hugging Face publica resultados medidos de MTEB em diversas tarefas em inglês, incluindo recuperação, classificação, clustering, reranking e similaridade semântica, oferecendo ampla cobertura de benchmarks em vez de apenas afirmações do fornecedor.[2]
Segundo o catálogo da OpenRouter, produz embeddings densos de 1024 dimensões descritos como adequados para busca semântica, recuperação de documentos e tarefas de PLN subsequentes.[1]
A ficha traz tags do ecossistema sentence-transformers e de extração de características, o que costuma facilitar a integração em pipelines padrão de embeddings.[2]

Limitações

O catálogo o descreve como um modelo de inglês; este pacote de evidências não cobre o desempenho em outros idiomas.[1]
Uma janela de contexto de 512 tokens exige fragmentar ou truncar textos mais longos antes de gerar embeddings.[1]
Há lacunas de evidência: este pacote não traz licença, número de parâmetros nem requisitos de hardware, e o texto recuperado da ficha está truncado; valide com a sua própria carga de trabalho antes de adotar.[1][2]

Onde usar

Opção a considerar para busca semântica e recuperação de documentos em inglês, alinhada tanto à otimização declarada no catálogo quanto aos resultados medidos de recuperação no MTEB.[1][2]
Candidato para pipelines de similaridade de frases e extração de características que consumam embeddings densos em inglês.[1][2]
Pode servir como etapa de embeddings em sistemas com recuperação aumentada cujas passagens caibam no contexto de 512 tokens.[1]

Fontes

[1] OpenRouter catalog · BAAI: bge-large-en-v1.5Fontes consultadas: 13 de nov. de 2026
[2] Model documentation · BAAI: bge-large-en-v1.5Fontes consultadas: 13 de nov. de 2026

Sobre este modelo

A descrição abaixo é o texto original fornecido pelo OpenRouter, no idioma da fonte.

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...

Especificações

ID do modelo: baai/bge-large-en-v1.5
ID canônico: baai/bge-large-en-v1.5-20251117
Criador: baai
Adicionado ao OpenRouter: 18.11.2025
Comprimento de contexto: 512
Modalidade: text->embeddings
Modalidades de entrada: text
Modalidades de saída: embeddings
Preço por token: USD por 1M de tokens: entrada $0.010 / saída $0
Corte de conhecimento: —
Data de expiração: —

Tarefas e capacidades

Uma nota aparece apenas quando a fonte fornece uma medição correspondente para aquela tarefa, o modelo está ativo e a coorte tem pelo menos 10 modelos comparáveis. A coluna de capacidade lista fatos declarados pela fonte — formatos compatíveis, raciocínio e parâmetros de ferramentas — que não são qualidade medida.

Tarefa	Nota	Capacidade declarada pela fonte
Qualidade geral	Sem medição	—
Programação	Sem medição	—
Agentes	Sem medição	—
Escrita	Sem medição	—
Raciocínio	Sem medição	—
Análise de documentos	Sem medição	—
Visão	Sem medição	—
Geração de imagens	Sem medição	—
Áudio	Sem medição	—
Vídeo	Sem medição	—
Embeddings	Sem medição	saída: embeddings

Avaliações

Não há avaliações fornecidas para este modelo.

Como funcionam as notas

Cada nota compara um modelo apenas com outros modelos avaliados pela mesma fonte e métrica no snapshot atual. S é o top 10%, A os 20% seguintes, B os 30% seguintes e C o restante. Modelos sem medição publicada aparecem como não avaliados — um formato compatível nunca implica qualidade medida.

S — S — top 10% da coorte
A — A — próximos 20% da coorte
B — B — próximos 30% da coorte
C — C — abaixo da faixa B

Provedores

Estatísticas opcionais de provedores ao vivo do OpenRouter. Valores ausentes são desconhecidos, não zero.

Provedor	Comprimento de contexto	Preço entrada /1M	Preço saída /1M	Latência p50 (30m, s)	Taxa p50 (30m, tok/s)	Disponibilidade (30m)
DeepInfra	512	$0.010	$0	—	—	100%

Dados de provedores obtidos: 13.11.2026

Nenhum artigo publicado identifica este modelo ainda.