Загрузка моделей...
Модели
430+ моделей ведущих вендоров через один OpenAI-совместимый API. Цены в рублях за 1 млн токенов.
LFM2.5-Embedding-350M (free)
LFM2.5-Embedding-350M — модель эмбеддингов текста от Liquid AI. Она формирует 1024-мерные векторные представления для поиска и семантического сопоставления. Запросы к бесплатной версии и полученные эмбеддинги могут сохраняться и использоваться для обучения моделей Liquid.
voyage-code-4
voyage-code-4 — модель эмбеддингов кода от Voyage AI, компании в составе MongoDB. Она создана для агентов программирования и поиска по коду, поддерживает эмбеддинги Matryoshka размерностью 2048, 1024, 512 и 256, а также несколько вариантов квантования. Подробности доступны на странице blog.voyageai.com/2026/08/13/voyage-code-4.
voyage-4-large
voyage-4-large — универсальная и многоязычная модель эмбеддингов передового уровня, оптимизированная для максимального качества поиска. Благодаря технологии Matryoshka и обучению с учётом квантования, voyage-4-large поддерживает эмбеддинги размерностью 2048, 1024, 512 и 256 с несколькими вариантами квантования. Подробнее — на странице blog.voyageai.com/2026/01/15/voyage-4.
voyage-4
voyage-4 — универсальная, в том числе многоязычная, модель эмбеддингов, оптимизированная для поиска и приложений на основе искусственного интеллекта. voyage-4 поддерживает эмбеддинги размерностью 2048, 1024, 512 и 256 с несколькими вариантами квантования. Подробнее — на странице blog.voyageai.com/2026/01/15/voyage-4.
voyage-4-lite
voyage-4-lite — облегчённая универсальная модель эмбеддингов, оптимизированная для низкой задержки и экономичности. Благодаря технологии Matryoshka и обучению с учётом квантования, voyage-4-lite поддерживает эмбеддинги размерностью 2048, 1024, 512 и 256 с несколькими вариантами квантования. Подробнее — на странице blog.voyageai.com/2026/01/15/voyage-4.
voyage-multimodal-3.5
voyage-multimodal-3.5 — мультимодальная модель эмбеддингов передового уровня, способная векторизовать не только текст, изображения и видео по отдельности, но и контент, где все три модальности переплетены между собой. Она обеспечивает отличное качество для смешанных поисковых запросов, включающих текст и визуальный контент — скриншоты PDF-документов, иллюстрации, таблицы, видео и многое другое. Благодаря технологии Matryoshka и обучению с учётом квантования, voyage-multimodal-3.5 поддерживает эмбеддинги размерностью 2048, 1024, 512 и 256 с несколькими вариантами квантования. Подробнее — на странице blog.voyageai.com/2026/01/15/voyage-multimodal-3-5.
Nemotron 3 Embed 1B (free)
NVIDIA Nemotron 3 Embed 1B — модель эмбеддингов текста от NVIDIA с открытыми весами, оптимизированная для высокопроизводительного поиска с низкой задержкой. Она подходит для корпоративного поиска, генерации с дополнением через поиск (RAG), поиска по коду и агентных сценариев извлечения информации, сохраняя более 95% точности версии на 8 миллиардов параметров при значительно меньших требованиях к развёртыванию.
Gemini Embedding 2
Gemini Embedding 2 — первая мультимодальная модель эмбеддингов от Google. В настоящее время она поддерживает отображение текста и изображений в единое векторное пространство для семантического поиска и генерации с дополненным поиском (RAG). Модель поддерживает входной контекст объёмом до 8 192 токенов и гибкую размерность выходных векторов от 128 до 3 072 измерений. Рекомендуемые значения: 768, 1 536 или 3 072. Gemini Embedding 2 разработана для кросс-модального сопоставления: например, можно преобразовать текстовый запрос в эмбеддинг и найти наиболее релевантные изображения — или наоборот. Благодаря этому модель хорошо подходит для мультимодального поиска, рекомендательных систем и пайплайнов анализа документов.
Gemini Embedding 2 Preview
Gemini Embedding 2 Preview — первая мультимодальная embedding-модель Google. Позволяет отображать текст и изображения в едином векторном пространстве для семантического поиска и retrieval-augmented generation (RAG).
Embed V1 0.6B
pplx-embed-v1-0.6B — одна из передовых моделей текстовых эмбеддингов Perplexity, созданная для поиска в вебе в реальных масштабах. Модель оптимизирована для плотного текстового поиска, версия на 0,6 млрд параметров нацелена на лёгкость и низкую задержку.
Embed V1 4B
Embed V1 4B — одна из передовых текстовых эмбеддинг-моделей Perplexity, созданная для поиска в реальных веб-масштабных задачах. Модель с 4 млрд параметров оптимизирована для плотного текстового поиска и нацелена на максимальное качество извлечения релевантных документов.
Llama Nemotron Embed VL 1B V2 (free)
Llama Nemotron Embed VL 1B V2 — embedding-модель, оптимизированная для мультимодального поиска в задачах вопрос-ответ. Модель умеет кодировать «документы» в виде изображения, текста или их сочетания.
bge-m3
Модель эмбеддингов bge-m3 преобразует предложения, абзацы и длинные документы в плотные векторы размерностью 1024, обеспечивая высококачественные семантические представления. Она оптимизирована для многоязычного поиска, семантического ретривала и задач, работающих с большим контекстом.
bge-large-en-v1.5
Модель эмбеддингов bge-large-en-v1.5 преобразует английские предложения, абзацы и документы в плотные векторы размерностью 1024, обеспечивая высокоточные семантические представления. Она оптимизирована для семантического поиска, извлечения документов и последующих NLP-задач на английском языке.
multi-qa-mpnet-base-dot-v1
Модель эмбеддингов multi-qa-mpnet-base-dot-v1 преобразует предложения и короткие абзацы в плотные векторы размерностью 768, обеспечивая высококачественные семантические представления. Она оптимизирована для задач извлечения ответов на вопросы, семантического поиска и оценки сходства в широком спектре контента.
bge-base-en-v1.5
Модель эмбеддингов bge-base-en-v1.5 преобразует английские предложения и абзацы в плотные векторы размерностью 768, обеспечивая эффективные и высококачественные семантические представления. Она оптимизирована для ретривала, семантического поиска и сопоставления документов. Версия v1.5 отличается улучшенным распределением оценок сходства и повышенной точностью извлечения «из коробки».
all-MiniLM-L12-v2
Модель эмбеддингов all-MiniLM-L12-v2 преобразует предложения и короткие абзацы в плотные векторы размерностью 384, создавая компактные и качественные семантические представления. Она оптимизирована для семантического поиска, кластеризации и оценки сходства.
paraphrase-MiniLM-L6-v2
paraphrase-MiniLM-L6-v2 — эмбеддинг-модель, преобразующая предложения и короткие абзацы в плотные векторы размерностью 384. Она выдаёт качественные семантические эмбеддинги, оптимизированные для обнаружения перефразирования, оценки семантической близости, кластеризации и лёгкого поиска.
Multilingual-E5-Large
Multilingual-E5-Large — embedding-модель, кодирующая предложения, абзацы и документы более чем на 90 языках в плотное 1024-мерное векторное пространство. Обеспечивает надёжные семантические эмбеддинги, оптимизированные для мультиязычного поиска и кросс-языкового сравнения текстов.
E5-Base-v2
Модель эмбеддингов e5-base-v2 кодирует английские предложения и абзацы в 768-мерное плотное векторное пространство, создавая эффективные и качественные семантические эмбеддинги для таких задач, как семантический поиск и оценка схожести.
E5-Large-v2
E5-Large-v2 — эмбеддинг-модель, преобразующая англоязычные предложения, абзацы и документы в плотные векторы размерностью 1024. Обеспечивает точные семантические представления, оптимизированные для поиска релевантных документов, семантического поиска, переранжирования и оценки схожести текстов.
GTE-Large
Модель эмбеддингов gte-large преобразует английские предложения, абзацы и документы среднего объёма в 1024-мерное плотное векторное пространство, создавая качественные семантические эмбеддинги для информационного поиска, оценки текстовой схожести и переранжирования.
GTE-Base
Модель эмбеддингов gte-base кодирует английские предложения и абзацы в плотное векторное пространство размерностью 768. Она обеспечивает эффективные семантические эмбеддинги для оценки смысловой близости текстов, семантического поиска и кластеризации.
all-MiniLM-L6-v2
All-MiniLM-L6-v2 — embedding-модель, отображающая предложения и короткие абзацы в плотное 384-мерное векторное пространство. Обеспечивает качественные семантические представления, подходящие для таких задач, как информационный поиск и кластеризация.
all-mpnet-base-v2
Модель эмбеддингов all-mpnet-base-v2 кодирует предложения и короткие абзацы в плотное векторное пространство размерностью 768, обеспечивая точные семантические эмбеддинги. Хорошо подходит для информационного поиска, кластеризации, оценки семантической схожести текстов и похожих задач.
Qwen3 Embedding 4B
Серия Qwen3 Embedding — это новейшие проприетарные модели семейства Qwen, специально разработанные для задач текстовых эмбеддингов и ранжирования. Они унаследовали сильные многоязычные возможности, глубокое понимание длинных текстов и развитые способности к рассуждению от базовой модели. Линейка Qwen3 Embedding демонстрирует значительный прогресс в задачах текстового и кодового ретривала, классификации, кластеризации и двуязычного поиска соответствий.
Qwen3 Embedding 8B
Серия моделей Qwen3 Embedding — новейшая проприетарная линия в семействе Qwen, специально созданная для задач текстовых эмбеддингов и ранжирования. Эти модели унаследовали от базовой архитектуры выдающиеся многоязычные возможности, глубокое понимание длинных текстов и развитые навыки рассуждения. Линейка Qwen3 Embedding демонстрирует серьёзный прогресс в задачах текстового и кодового ретривала, классификации, кластеризации и двуязычного сопоставления.
Text Embedding 3 Small
text-embedding-3-small — улучшенная и более производительная версия эмбеддинг-модели ada от OpenAI. Эмбеддинги — числовое представление текста для оценки смысловой близости фрагментов; применяются в поиске, кластеризации, рекомендациях и классификации.
Codestral Embed 2505
Codestral Embed — эмбеддинг-модель Mistral, специально разработанная для работы с кодом. Подходит для индексации кодовых баз и репозиториев, а также для реализации поиска в ассистентах для разработчиков.
Text Embedding Ada 002
text-embedding-ada-002 — устаревшая модель эмбеддингов текста от OpenAI.
Gemini Embedding 001
Gemini Embedding 001 — эмбеддинг-модель Google, обеспечивающая единый передовой подход к работе с текстами из разных областей: науки, юриспруденции, финансов и программирования. Модель стабильно занимает верхние позиции в бенчмарке Massive Text Embedding Benchmark (MTEB).
Mistral Embed 2312
Mistral Embed — специализированная модель эмбеддингов для текстовых данных, оптимизированная для семантического поиска и RAG-приложений. Разработана Mistral AI в конце 2023 года, создаёт 1024-мерные векторы.