BGE Small EN v1.5
BAAI · BAAI/bge-small-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) · 384d | 43,76 | execução independente |
|---|
Informado pelo publicador
- MTEB AmazonCounterfactualClassification (en) (en; test; accuracy)
- 73,791Classification
- MTEB AmazonPolarityClassification (test; accuracy)
- 92,754Classification
- MTEB AmazonReviewsClassification (en) (en; test; accuracy)
- 46,986Classification
- MTEB ArguAna (test; ndcg_at_10)
- 59,550Retrieval
- MTEB ArxivClusteringP2P (test; v_measure)
- 47,403Clustering
- MTEB ArxivClusteringS2S (test; v_measure)
- 40,015Clustering
- MTEB AskUbuntuDupQuestions (test; map)
- 62,586Reranking
- MTEB BIOSSES (test; cos_sim_spearman)
- 83,755STS
Todos os resultados informados
- MTEB Banking77Classification (test; accuracy)
- 85,740Classification
- MTEB BiorxivClusteringP2P (test; v_measure)
- 38,467Clustering
- MTEB BiorxivClusteringS2S (test; v_measure)
- 34,719Clustering
- MTEB CQADupstackAndroidRetrieval (test; ndcg_at_10)
- 47,658Retrieval
- MTEB CQADupstackEnglishRetrieval (test; ndcg_at_10)
- 45,586Retrieval
- MTEB CQADupstackGamingRetrieval (test; ndcg_at_10)
- 56,379Retrieval
- MTEB CQADupstackGisRetrieval (test; ndcg_at_10)
- 38,378Retrieval
- MTEB CQADupstackMathematicaRetrieval (test; ndcg_at_10)
- 29,701Retrieval
- MTEB CQADupstackPhysicsRetrieval (test; ndcg_at_10)
- 43,922Retrieval
- MTEB CQADupstackProgrammersRetrieval (test; ndcg_at_10)
- 38,231Retrieval
- MTEB CQADupstackRetrieval (test; ndcg_at_10)
- 39,052Retrieval
- MTEB CQADupstackStatsRetrieval (test; ndcg_at_10)
- 34,482Retrieval
- MTEB CQADupstackTexRetrieval (test; ndcg_at_10)
- 27,386Retrieval
- MTEB CQADupstackUnixRetrieval (test; ndcg_at_10)
- 38,769Retrieval
- MTEB CQADupstackWebmastersRetrieval (test; ndcg_at_10)
- 37,462Retrieval
- MTEB CQADupstackWordpressRetrieval (test; ndcg_at_10)
- 30,673Retrieval
- MTEB ClimateFEVER (test; ndcg_at_10)
- 31,836Retrieval
- MTEB DBPedia (test; ndcg_at_10)
- 40,029Retrieval
- MTEB EmotionClassification (test; accuracy)
- 47,845Classification
- MTEB FEVER (test; ndcg_at_10)
- 86,643Retrieval
- MTEB FiQA2018 (test; ndcg_at_10)
- 40,343Retrieval
- MTEB HotpotQA (test; ndcg_at_10)
- 69,935Retrieval
- MTEB ImdbClassification (test; accuracy)
- 90,606Classification
- MTEB MSMARCO (dev; ndcg_at_10)
- 40,833Retrieval
- MTEB MTOPDomainClassification (en) (en; test; accuracy)
- 93,361Classification
- MTEB MTOPIntentClassification (en) (en; test; accuracy)
- 74,747Classification
- MTEB MassiveIntentClassification (en) (en; test; accuracy)
- 74,808Classification
- MTEB MassiveScenarioClassification (en) (en; test; accuracy)
- 78,699Classification
- MTEB MedrxivClusteringP2P (test; v_measure)
- 33,059Clustering
- MTEB MedrxivClusteringS2S (test; v_measure)
- 30,856Clustering
- MTEB MindSmallReranking (test; map)
- 31,290Reranking
- MTEB NFCorpus (test; ndcg_at_10)
- 34,305Retrieval
- MTEB NQ (test; ndcg_at_10)
- 50,178Retrieval
- MTEB QuoraRetrieval (test; ndcg_at_10)
- 88,78Retrieval
- MTEB RedditClustering (test; v_measure)
- 52,318Clustering
- MTEB RedditClusteringP2P (test; v_measure)
- 60,640Clustering
- MTEB SCIDOCS (test; ndcg_at_10)
- 20,522Retrieval
- MTEB SICK-R (test; cos_sim_spearman)
- 79,410STS
- MTEB STS12 (test; cos_sim_spearman)
- 77,441STS
- MTEB STS13 (test; cos_sim_spearman)
- 82,980STS
- MTEB STS14 (test; cos_sim_spearman)
- 81,836STS
- MTEB STS15 (test; cos_sim_spearman)
- 87,264STS
- MTEB STS16 (test; cos_sim_spearman)
- 84,933STS
- MTEB STS17 (en-en) (en-en; test; cos_sim_spearman)
- 87,151STS
- MTEB STS22 (en) (en; test; cos_sim_spearman)
- 65,300STS
- MTEB STSBenchmark (test; cos_sim_spearman)
- 85,865STS
- MTEB SciDocsRR (test; map)
- 85,938Reranking
- MTEB SciFact (test; ndcg_at_10)
- 71,275Retrieval
- MTEB SprintDuplicateQuestions (test; cos_sim_ap)
- 96,670PairClassification
- MTEB SprintDuplicateQuestions (test; max_ap)
- 96,678PairClassification
- MTEB StackExchangeClustering (test; v_measure)
- 60,780Clustering
- MTEB StackExchangeClusteringP2P (test; v_measure)
- 35,273Clustering
- MTEB StackOverflowDupQuestions (test; map)
- 53,641Reranking
- MTEB SummEval (test; cos_sim_spearman)
- 30,121Summarization
- MTEB TRECCOVID (test; ndcg_at_10)
- 75,899Retrieval
- MTEB Touche2020 (test; ndcg_at_10)
- 26,037Retrieval
- MTEB ToxicConversationsClassification (test; accuracy)
- 69,886Classification
- MTEB TweetSentimentExtractionClassification (test; accuracy)
- 60,507Classification
- MTEB TwentyNewsgroupsClustering (test; v_measure)
- 48,521Clustering
- MTEB TwitterSemEval2015 (test; cos_sim_ap)
- 73,239PairClassification
- MTEB TwitterSemEval2015 (test; max_ap)
- 73,328PairClassification
- MTEB TwitterURLCorpus (test; cos_sim_ap)
- 84,839PairClassification
- MTEB TwitterURLCorpus (test; max_ap)
- 84,984PairClassification
- Sequence Length
- 512Evaluation · MTEB
- Average (56)
- 62,17Evaluation · MTEB
- Retrieval (15)
- 51,68Evaluation · MTEB
- Clustering (11)
- 43,82Evaluation · MTEB
- Pair Classification (3)
- 84,92Evaluation · MTEB
- Reranking (4)
- 58,36Evaluation · MTEB
- STS (10)
- 81,59Evaluation · MTEB
- Summarization (1)
- 30,12Evaluation · MTEB
- Classification (12)
- 74,14Evaluation · MTEB
Valores como impressos na ficha, com a configuração do próprio publicador (seção da ficha: Evaluation); coluna “BAAI/bge-small-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 Small EN v1.5 para busca semântica e recuperação: gera vetores de 384 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-small-en-v1.5')
model = AutoModel.from_pretrained('BAAI/bge-small-en-v1.5')
model_ort = ORTModelForFeatureExtraction.from_pretrained('BAAI/bge-small-en-v1.5', 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-small-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-small-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 (33.360.512, lido em 2026-10-09 na API do Hub).
- Anunciado
- 2023-09-12
Os metadados de resultados do MTEB para este modelo listam 512 dimensões, enquanto o card informa 384; por isso nenhuma nota MTEB ou indicador de português é atribuído a ele até que os dois coincidam.
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.






























































