SmartScripto Admin

encord-team/ebind-full

encord-team/ebind-full est un modèle d’embedding multimodal de 2 milliards de paramètres actifs, développé par encord-team. Il charge tous ses encodeurs et accepte le texte, les images, la vidéo, l’audio et les nuages de points 3D. Chaque entrée est convertie en un vecteur dense unique…

Sentence Transformers: all-MiniLM-L12-v2

Sentence Transformers: all-MiniLM-L12-v2 est un modèle d’embedding anglophone de Sentence Transformers, publié sous licence ouverte Apache 2.0. Ses 33 millions de paramètres produisent des vecteurs denses de 384 dimensions. Fondé sur microsoft/MiniLM-L12-H384-uncased, il a été affiné…

BAAI: bge-base-en-v1.5

BAAI: bge-base-en-v1.5 est un modèle d’embedding anglophone de 109 millions de paramètres, publié par BAAI sous licence ouverte MIT. Il produit des représentations denses de 768 dimensions et se concentre sur l’anglais ainsi que sur la recherche de passages.

BAAI: bge-large-en-v1.5

Publié par BAAI le 18 novembre 2025 sous licence ouverte MIT, BAAI: bge-large-en-v1.5 est un modèle d’embedding anglophone de 335 millions de paramètres. Il produit des représentations denses de 1 024 dimensions et peut être utilisé en inférence comme en fine-tuning.

BAAI: bge-m3

BAAI: bge-m3 est un modèle d’embedding multilingue de BAAI, publié sous licence ouverte MIT le 18 novembre 2025. Ses 568 millions de paramètres produisent des vecteurs denses de 1 024 dimensions et prennent en charge des séquences allant jusqu’à 8 192 tokens dans plus de 100 langues.

Intfloat: E5-Base-v2

Intfloat: E5-Base-v2 est un modèle d’embedding dense de 109 millions de paramètres publié par Intfloat sous licence ouverte MIT. Son architecture compte 12 couches et produit des vecteurs de 768 dimensions par pooling moyen des états cachés, avec normalisation L2.

Intfloat: E5-Large-v2

Intfloat: E5-Large-v2 est un modèle d’embedding anglophone de 335 millions de paramètres, publié par Intfloat le 18 novembre 2025 sous licence ouverte MIT. Son architecture à 24 couches transforme les textes en vecteurs denses de 1 024 dimensions, avec pooling moyen et normalisation L2.…