Выберите модель для своего приложения.

LFM2.5-Embedding-350M — это модель текстовых эмбеддингов от Liquid AI. Она создает 1,024-мерные эмбеддинги для поиска и семантического анализа. Успешные запросы и эмбеддинги в OpenRouter могут сохраняться и использоваться для обучения...

voyage-code-4 — это модель эмбеддингов кода от Voyage AI, компании MongoDB. Она разработана для агентов по написанию кода и поиска кода, с поддержкой Matryoshka embeddings размерностью 2048, 1024, 512 и 256.

voyage-multimodal-3.5 — это передовая мультимодальная модель эмбеддингов, способная векторизовать не только текст, изображения и видео по отдельности, но и контент, объединяющий все три модальности. Она обеспечивает превосходную производительность для...

voyage-4-lite — это легкая универсальная модель эмбеддингов, оптимизированная для низкой задержки и стоимости. Благодаря использованию Matryoshka learning и quantization-aware training, voyage-4-lite поддерживает эмбеддинги размерностью 2048, 1024, 512 и 256.

voyage-4 — это универсальная (включая многоязычную) модель эмбеддингов, оптимизированная для задач поиска и приложений на базе ИИ. voyage-4 поддерживает эмбеддинги размерностью 2048, 1024, 512 и 256 с различными вариантами квантования. Узнайте больше...

voyage-4-large — это передовая многоязычная эмбеддинг-модель общего назначения, оптимизированная для обеспечения высокого качества поиска. Благодаря использованию обучения Matryoshka и обучения с учетом квантования, voyage-4-large поддерживает эмбеддинги размерностью 2048, 1024, 512 и 256, с...

NVIDIA Nemotron 3 Embed 1B — это открытая модель текстовых эмбеддингов от NVIDIA, оптимизированная для высокопроизводительного поиска с низкой задержкой. Она подходит для корпоративного поиска, RAG, поиска кода и агентного поиска.

Gemini Embedding 2 — это первая мультимодальная модель эмбеддингов от Google. В настоящее время мы поддерживаем отображение текста и изображений в единое векторное пространство для семантического поиска и генерации с дополнением поиска (RAG). Она поддерживает...

Gemini Embedding 2 — это первая мультимодальная модель эмбеддингов от Google. В настоящее время мы поддерживаем отображение текста и изображений в единое векторное пространство для семантического поиска и генерации с дополнением поиска (RAG). Она поддерживает...

Gemini Embedding 2 Preview — это первая мультимодальная модель эмбеддингов от Google. В настоящее время мы поддерживаем отображение текста и изображений в единое векторное пространство для семантического поиска и генерации с дополнением поиска (RAG). Она...

pplx-embed-v1 -4B — одна из передовых моделей текстовых эмбеддингов от Perplexity, созданная для поиска в реальных условиях в масштабах интернета. pplx-embed-v1 оптимизирована для стандартного плотного поиска текста, при этом модель с 4B параметрами максимизирует эффективность поиска...

pplx-embed-v1-0.6B — одна из передовых моделей текстовых эмбеддингов от Perplexity, созданная для реального поиска в масштабах веба. pplx-embed-v1 оптимизирована для стандартного плотного поиска текста, при этом модель с 0.6B параметрами нацелена на легковесность и низкую задержку...

Модель эмбеддингов Llama Nemotron Embed VL 1B V2 оптимизирована для мультимодального поиска ответов на вопросы. Модель может создавать эмбеддинги для «документов» в виде изображения, текста или комбинации изображения и текста...

Модель эмбеддингов gte-base кодирует английские предложения и абзацы в 768-мерное плотное векторное пространство, обеспечивая эффективные и качественные семантические эмбеддинги, оптимизированные для задач текстового сходства, семантического поиска и кластеризации.

Модель эмбеддингов gte-large преобразует английские предложения, абзацы и документы средней длины в 1024-мерное плотное векторное пространство, обеспечивая высококачественные семантические эмбеддинги, оптимизированные для информационного поиска, семантического текстового сходства, переранжирования и...

Модель эмбеддингов e5-large-v2 отображает английские предложения, абзацы и документы в 1024-мерное плотное векторное пространство, обеспечивая высокоточные семантические эмбеддинги, оптимизированные для задач поиска, семантического поиска, переранжирования и оценки сходства.

Модель эмбеддингов e5-base-v2 кодирует английские предложения и абзацы в 768-мерное плотное векторное пространство, создавая эффективные и высококачественные семантические эмбеддинги, оптимизированные для таких задач, как семантический поиск, оценка сходства и т. д.

Мультиязычная модель эмбеддингов multilingual-e5-large кодирует предложения, абзацы и документы на более чем 90 языках в 1024-мерное плотное векторное пространство, обеспечивая надежные семантические эмбеддинги, оптимизированные для мультиязычного поиска, межъязыкового сходства и...

Модель эмбеддингов paraphrase-MiniLM-L6-v2 преобразует предложения и короткие абзацы в 384-мерное плотное векторное пространство, создавая высококачественные семантические эмбеддинги, оптимизированные для обнаружения парафразов, оценки семантического сходства, кластеризации и легковесного поиска.

Модель эмбеддингов all-MiniLM-L12-v2 отображает предложения и короткие абзацы в 384-мерное плотное векторное пространство, создавая эффективные и высококачественные семантические эмбеддинги, оптимизированные для таких задач, как семантический поиск, кластеризация и...

Эмбеддинг-модель bge-base-en-v1.5 преобразует английские предложения и абзацы в 768-мерные плотные векторы, обеспечивая эффективные и высококачественные семантические эмбеддинги, оптимизированные для задач поиска, семантического поиска и сопоставления документов. Эта версия (v1.5) отличается...

Эмбеддинг-модель multi-qa-mpnet-base-dot-v1 преобразует предложения и короткие абзацы в 768-мерное плотное векторное пространство, генерируя высококачественные семантические эмбеддинги, оптимизированные для поиска ответов на вопросы, семантического поиска и оценки сходства в разнообразном контенте.

Модель эмбеддингов bge-large-en-v1.5 отображает английские предложения, абзацы и документы в 1024-мерное плотное векторное пространство, обеспечивая высокоточные семантические эмбеддинги, оптимизированные для семантического поиска, извлечения документов и последующих задач NLP.

Модель эмбеддингов bge-m3 кодирует предложения, абзацы и длинные документы в 1024-мерное плотное векторное пространство, обеспечивая высококачественные семантические эмбеддинги, оптимизированные для многоязычного поиска, семантического поиска и приложений с большим контекстом.

Модель эмбеддингов all-mpnet-base-v2 кодирует предложения и короткие абзацы в 768-мерное плотное векторное пространство, обеспечивая высокоточные семантические эмбеддинги, которые хорошо подходят для таких задач, как информационный поиск, кластеризация, оценка сходства и...