BGE Large EN v1.5
BAAI · BAAI/bge-large-en-v1.5
Licença dos pesos: MIT · código e componentes podem ter outros termos
Qualidade
MTEB (Multilingual, v2)
Média por tarefa · 0 a 100 · maior é melhor · este modelo em destaque
- Cor = publicador
Fonte: dataset de resultados do MTEB (execuções independentes, CC0) · informado pelo publicador quando o model card é a única fonte · outros benchmarks e versões não entram
| MTEB (Multilingual, v2) | mean(task) · 1024d | 45,08 | execução independente |
|---|
Informado pelo publicador
- MTEB AmazonCounterfactualClassification (en) (en; test; accuracy)
- 75,851Classification
- MTEB AmazonPolarityClassification (test; accuracy)
- 92,417Classification
- MTEB AmazonReviewsClassification (en) (en; test; accuracy)
- 48,176Classification
- MTEB ArguAna (test; ndcg_at_10)
- 63,542Retrieval
- MTEB ArxivClusteringP2P (test; v_measure)
- 48,567Clustering
- MTEB ArxivClusteringS2S (test; v_measure)
- 43,195Clustering
- MTEB AskUbuntuDupQuestions (test; map)
- 64,466Reranking
- MTEB BIOSSES (test; cos_sim_spearman)
- 84,654STS
Todos os resultados informados
- MTEB Banking77Classification (test; accuracy)
- 87,789Classification
- MTEB BiorxivClusteringP2P (test; v_measure)
- 39,715Clustering
- MTEB BiorxivClusteringS2S (test; v_measure)
- 36,901Clustering
- MTEB CQADupstackAndroidRetrieval (test; ndcg_at_10)
- 50,218Retrieval
- MTEB CQADupstackEnglishRetrieval (test; ndcg_at_10)
- 49,039Retrieval
- MTEB CQADupstackGamingRetrieval (test; ndcg_at_10)
- 59,313Retrieval
- MTEB CQADupstackGisRetrieval (test; ndcg_at_10)
- 41,439Retrieval
- MTEB CQADupstackMathematicaRetrieval (test; ndcg_at_10)
- 33,158Retrieval
- MTEB CQADupstackPhysicsRetrieval (test; ndcg_at_10)
- 47,06Retrieval
- MTEB CQADupstackProgrammersRetrieval (test; ndcg_at_10)
- 42,659Retrieval
- MTEB CQADupstackRetrieval (test; ndcg_at_10)
- 42,229Retrieval
- MTEB CQADupstackStatsRetrieval (test; ndcg_at_10)
- 37,329Retrieval
- MTEB CQADupstackTexRetrieval (test; ndcg_at_10)
- 30,003Retrieval
- MTEB CQADupstackUnixRetrieval (test; ndcg_at_10)
- 42,1Retrieval
- MTEB CQADupstackWebmastersRetrieval (test; ndcg_at_10)
- 39,232Retrieval
- MTEB CQADupstackWordpressRetrieval (test; ndcg_at_10)
- 35,198Retrieval
- MTEB ClimateFEVER (test; ndcg_at_10)
- 36,567Retrieval
- MTEB DBPedia (test; ndcg_at_10)
- 44,106Retrieval
- MTEB EmotionClassification (test; accuracy)
- 51,520Classification
- MTEB FEVER (test; ndcg_at_10)
- 87,182Retrieval
- MTEB FiQA2018 (test; ndcg_at_10)
- 45,021Retrieval
- MTEB HotpotQA (test; ndcg_at_10)
- 74,101Retrieval
- MTEB ImdbClassification (test; accuracy)
- 92,846Classification
- MTEB MSMARCO (dev; ndcg_at_10)
- 42,493Retrieval
- MTEB MTOPDomainClassification (en) (en; test; accuracy)
- 94,592Classification
- MTEB MTOPIntentClassification (en) (en; test; accuracy)
- 79,494Classification
- MTEB MassiveIntentClassification (en) (en; test; accuracy)
- 77,562Classification
- MTEB MassiveScenarioClassification (en) (en; test; accuracy)
- 80,535Classification
- MTEB MedrxivClusteringP2P (test; v_measure)
- 32,561Clustering
- MTEB MedrxivClusteringS2S (test; v_measure)
- 31,470Clustering
- MTEB MindSmallReranking (test; map)
- 32,061Reranking
- MTEB NFCorpus (test; ndcg_at_10)
- 38,129Retrieval
- MTEB NQ (test; ndcg_at_10)
- 55,029Retrieval
- MTEB QuoraRetrieval (test; ndcg_at_10)
- 89,065Retrieval
- MTEB RedditClustering (test; v_measure)
- 57,242Clustering
- MTEB RedditClusteringP2P (test; v_measure)
- 64,662Clustering
- MTEB SCIDOCS (test; ndcg_at_10)
- 22,64Retrieval
- MTEB SICK-R (test; cos_sim_spearman)
- 81,683STS
- MTEB STS12 (test; cos_sim_spearman)
- 79,051STS
- MTEB STS13 (test; cos_sim_spearman)
- 86,374STS
- MTEB STS14 (test; cos_sim_spearman)
- 82,778STS
- MTEB STS15 (test; cos_sim_spearman)
- 88,031STS
- MTEB STS16 (test; cos_sim_spearman)
- 86,487STS
- MTEB STS17 (en-en) (en-en; test; cos_sim_spearman)
- 87,498STS
- MTEB STS22 (en) (en; test; cos_sim_spearman)
- 67,053STS
- MTEB STSBenchmark (test; cos_sim_spearman)
- 87,516STS
- MTEB SciDocsRR (test; map)
- 87,633Reranking
- MTEB SciFact (test; ndcg_at_10)
- 74,607Retrieval
- MTEB SprintDuplicateQuestions (test; cos_sim_ap)
- 96,726PairClassification
- MTEB SprintDuplicateQuestions (test; max_ap)
- 96,726PairClassification
- MTEB StackExchangeClustering (test; v_measure)
- 66,399Clustering
- MTEB StackExchangeClusteringP2P (test; v_measure)
- 34,964Clustering
- MTEB StackOverflowDupQuestions (test; map)
- 55,947Reranking
- MTEB SummEval (test; cos_sim_spearman)
- 31,606Summarization
- MTEB TRECCOVID (test; ndcg_at_10)
- 74,818Retrieval
- MTEB Touche2020 (test; ndcg_at_10)
- 24,806Retrieval
- MTEB ToxicConversationsClassification (test; accuracy)
- 70,914Classification
- MTEB TweetSentimentExtractionClassification (test; accuracy)
- 59,943Classification
- MTEB TwentyNewsgroupsClustering (test; v_measure)
- 51,266Clustering
- MTEB TwitterSemEval2015 (test; cos_sim_ap)
- 79,043PairClassification
- MTEB TwitterSemEval2015 (test; max_ap)
- 79,043PairClassification
- MTEB TwitterURLCorpus (test; cos_sim_ap)
- 85,600PairClassification
- MTEB TwitterURLCorpus (test; max_ap)
- 85,600PairClassification
- Sequence Length
- 512Evaluation · MTEB
- Average (56)
- 64,23Evaluation · MTEB
- Retrieval (15)
- 54,29Evaluation · MTEB
- Clustering (11)
- 46,08Evaluation · MTEB
- Pair Classification (3)
- 87,12Evaluation · MTEB
- Reranking (4)
- 60,03Evaluation · MTEB
- STS (10)
- 83,11Evaluation · MTEB
- Summarization (1)
- 31,61Evaluation · MTEB
- Classification (12)
- 75,97Evaluation · MTEB
Valores como impressos na ficha, com a configuração do próprio publicador (seção da ficha: Evaluation); coluna “BAAI/bge-large-en-v1.5”. Não comparáveis entre publicadores e fora de qualquer ranking. Ficha do modelo
Qualidade × memória
Sem par qualidade × memória comparável
As estimativas de memória de embeddings ficam em poucos GB, então um gráfico qualidade × memória não separaria estes modelos; o MTEB aparece acima.
Considere BGE Large EN v1.5 para busca semântica e recuperação: gera vetores de 1.024 dimensões a partir de texto.
O publicador não informa memória; a lista de hardware usa a estimativa de ~3 GB, um teto e não uma medição. Veja o formato de prompts em Como rodar. PT-BR confirmado por uma fonte.
Roda em
Cabe na memória rápida 119
A estimativa de planejamento cabe na memória que o modelo usa rápido: a VRAM da placa de vídeo, ou a memória unificada dentro da fatia de GPU do macOS.
Mostrar todos os 119
Perfis de hardware agrupados pela estimativa de planejamento de embeddings (pesos de 8 bits, 20% de margem, 2 GB de reserva). Não é compatibilidade medida.
Velocidade medida
Nenhuma medição publicada para este checkpoint
A vazão (textos por segundo) só aparece quando uma fonte a publica com hardware, build e configuração. Nunca é estimada.
Como rodar
A estimativa de planejamento usa pesos de 8 bits, 20% de margem e 2 GB de reserva; é um teto, não uma medição.
- Roda em
- Sentence Transformersfonte
- Prompts de consulta/documento
- Instrução opcional na consulta, 'Represent this sentence for searching relevant passages: ', para buscas com consultas curtas; documentos sem prefixo. Na v1.5 o card diz que a busca funciona sem a instrução com perda pequena.
- Idiomas · PT-BR
- InglêsPT-BR confirmado por uma fonte
Formas documentadas de rodar
Copiado como aparece na fonte vinculada (lida em 2026-10-18); não executado por este site.
from optimum.onnxruntime import ORTModelForFeatureExtraction # type: ignore
import torch
from transformers import AutoModel, AutoTokenizer
tokenizer = AutoTokenizer.from_pretrained('BAAI/bge-large-en-v1.5')
model = AutoModel.from_pretrained('BAAI/bge-large-en-v1.5', revision="refs/pr/13")
model_ort = ORTModelForFeatureExtraction.from_pretrained('BAAI/bge-large-en-v1.5', revision="refs/pr/13",file_name="onnx/model.onnx")
# Sentences we want sentence embeddings for
sentences = ["样例数据-1", "样例数据-2"]
# Tokenize sentences
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')
# for s2p(short query to long passage) retrieval task, add an instruction to query (not add instruction for passages)
# encoded_input = tokenizer([instruction + q for q in queries], padding=True, truncation=True, return_tensors='pt')
model_output_ort = model_ort(**encoded_input)
# Compute token embeddings
with torch.no_grad():
model_output = model(**encoded_input)
# model_output and model_output_ort are identical
import asyncio
from infinity_emb import AsyncEmbeddingEngine, EngineArgs
sentences = ["Embed this is sentence via Infinity.", "Paris is in France."]
engine = AsyncEmbeddingEngine.from_args(
EngineArgs(model_name_or_path = "BAAI/bge-large-en-v1.5", device="cpu", engine="optimum" # or engine="torch"
))
async def main():
async with engine:
embeddings, usage = await engine.embed(sentences=sentences)
asyncio.run(main())Detalhes técnicos
O que a fonte e o catálogo guardam deste checkpoint. Campos ausentes ficam de fora, nunca como zero.
- Checkpoint / fonte
- BAAI/bge-large-en-v1.5
- Tarefa
- embeddings para busca (extração de características)
- Biblioteca na fonte
- Sentence Transformers
- Licença dos pesos
- MIT
- Uso comercial
- Permitido MIT license text (SPDX) · consultado em 2026-10-18texto da licença
- Base dos parâmetros
- Total de parâmetros dos safetensors no Hub (335.142.400, lido em 2026-10-09 na API do Hub).
- Anunciado
- 2023-09-12
O card lista apenas inglês. O PT-BR aparece como confirmado só pelos subconjuntos em português do MTEB (Multilingual, v2), um indicador pequeno calculado do dataset público de resultados, não uma afirmação do publicador.
Fontes
Identidade e especificações publicadas vêm da página do checkpoint. As notas pertencem à rodada indicada e não medem velocidade no seu computador.
- Ficha do publicador
- Hugging Face model page / card · 2026-10-09
- Hugging Face API (parameters, licence, library) · 2026-10-09
- MTEB results dataset (CC0), scores computed by scripts/ingest-mteb-results.mjs · 2026-10-25
Fatos curados verificados: 2026-10-09. Cada valor cita sua fonte (a ficha do publicador ou o dataset de resultados do MTEB); estimativas vêm rotuladas como estimativas, e um valor que nenhuma fonte informa fica vazio. Um commit do repositório não é a data de lançamento do modelo.






























































