Pular para o conteúdo
Local AI Wizard
Sua máquina
Tema

BGE Large EN v1.5

BAAI · BAAI/bge-large-en-v1.5

Licença dos pesos: MIT · código e componentes podem ter outros termos

MTEB (Multilingual, v2)45,1 / 100mean(task) · execução independente
Memória necessária~3 GBEstimativa 8 bits · não medida
Parâmetros0,34 BBase nos detalhes técnicos
Dimensões · contexto1.024512 tokens

Qualidade

Informado pelo publicador

80 resultados · ficha de BAAI · lida em 2026-10-25
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 informados80
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 para

Considere BGE Large EN v1.5 para busca semântica e recuperação: gera vetores de 1.024 dimensões a partir de texto.

Confira antes

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.

ONNX Runtime · ficha do modelo · Usage of the ONNX files
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
Infinity · ficha do modelo · Usage of the ONNX files
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())

Escolher meu computador

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.

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.