# Intfloat E5-Large-v2

> Преобразует английские тексты в векторные представления для семантического поиска, сопоставления запросов с документами и оценки смысловой близости.

- **ID для API:** `intfloat/e5-large-v2`
- **Тип Модели:** Модель эмбеддингов
- **Контекст:** 512 токенов
- **Максимум на ответ:** 460 токенов
- **Вход:** текст → **Выход:** эмбеддинги

## Описание

#### Суть

E5-large-v2 — модель встраивания текста из семейства E5, опубликованная под именем intfloat. Она преобразует английские запросы, фрагменты и документы в плотные векторные представления. Смысловая близость текстов отражается в близости их векторов, поэтому результаты можно сравнивать и ранжировать по сходству. Модель основана на подходе контрастивного предварительного обучения со слабой разметкой.

#### Сильные стороны

Модель предназначена для задач, где важно сопоставлять формулировки по смыслу, а не только искать совпадающие слова. В сценариях поиска рекомендуется явно обозначать тип входа: добавлять префикс `query: ` для запроса и `passage: ` для текста-кандидата. Для симметричных задач, например сравнения двух фраз, в карточке модели рекомендовано использовать `query: ` для обоих текстов. Такое оформление соответствует тому, как модель обучалась, и помогает применять её в целевых сценариях.

#### Типовые сценарии

- Семантический поиск и retrieval: кодирование запроса и коллекции текстов с последующим ранжированием кандидатов по сходству векторов.
- Поиск фрагментов для систем ответов на вопросы и других приложений, которым нужно находить релевантный контекст в документах.
- Оценка семантического сходства, поиск перефразировок и кластеризация текстов.
- Получение векторных признаков для последующей классификации или других задач машинного обучения.

#### Ограничения

Модель предназначена только для английского текста; её применение к другим языкам не заявлено как поддерживаемый сценарий. Максимальная длина входа — 512 токенов: более длинные тексты обрезаются, поэтому важная информация в конце может не попасть в представление. Для поиска следует сохранять различие между префиксами запроса и документа, а для сопоставления векторов использовать одинаковую схему кодирования. В примере из карточки применяются усреднение скрытых состояний с учётом маски внимания и нормализация векторов; при самостоятельной интеграции важно согласовать обработку текста и вычисление сходства для запросов и индексируемых документов.

## Цены

- Запрос / 1М: 1,19 ₽

## Провайдеры

Выбрать Провайдера можно параметром `provider` в запросе.

| Провайдер | Цена | Контекст | Макс. ответ | Данные в РФ | 152-ФЗ |
| --- | --- | --- | --- | --- | --- |
| deepinfra/us | Запрос / 1М: 1,19 ₽ | 512 | 460 | — | — |

## Быстрый старт

```bash
curl https://polza.ai/api/v1/embeddings \
  -H "Authorization: Bearer $POLZA_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
  "model": "intfloat/e5-large-v2",
  "input": [
    "Пример текста для поиска"
  ]
}'
```

## Ссылки

- Страница: https://polza.ai/models/intfloat/e5-large-v2
- Каталог: https://polza.ai/models