Modèles d'embedding
Modèles d'IA pour les plongements de texte (embeddings) et la recherche sémantique
Vectorisation
- Prix Verified— Remise
- —
- Prix Official
- Entrée$0.0184/1MSortie$0.00/1M
Prend en charge la mise en cache des invites
- Prix Verified— Remise
- —
- Prix Official
- Entrée$0.15/1MSortie$0.00/1M
- Prix Verified-30% Remise
- Entrée$0.091/1MSortie$0.00/1M
- Prix Official
- Entrée$0.13/1MSortie$0.00/1M
- Prix Verified-30% Remise
- Entrée$0.014/1MSortie$0.00/1M
- Prix Official
- Entrée$0.02/1MSortie$0.00/1M
Toutes les séries
6 séries
Gemini Embedding
Vectorisation
Auto à partir de $0.075 · Par 1M Token
2 modèlesVoir la série
Doubao
DiscussionVectorisation+3
Auto à partir de $0.10 · Par 1M Token
10 modèlesVoir la série
Voyage Embedding
Vectorisation
Auto à partir de $0.02 · Par 1M Token
10 modèlesVoir la série
Qwen Embedding
VectorisationVision
Auto à partir de $0.0184 · Par 1M Token
5 modèlesVoir la série
Mistral
DiscussionVectorisation+1
Auto à partir de $0.10 · Par 1M Token
3 modèlesVoir la série
Text Embedding
Vectorisation
Auto à partir de $0.014 · Par 1M Token
3 modèlesVoir la série
Choisir des embeddings pour la recherche
Un modèle d’embedding transforme le contenu en vecteurs pour la recherche et les tâches associées. Évaluez la qualité de recherche sur vos propres requêtes et documents avant d’optimiser le coût ou la taille des vecteurs.
Signaux de sélection
- Vérifiez les limites d’entrée, les langues prises en charge et les dimensions de sortie par rapport à votre index vectoriel.
- Comparez les coûts d’ingestion et de requêtes répétées avec la même stratégie de découpage des documents.
- Gardez les embeddings de documents et de requêtes compatibles. Changer de modèle d’embedding peut nécessiter de recalculer les embeddings de l’index.