beautyyuyanli/multilingual-e5-large
摘要
多语言 E5-large 嵌入模型现已上线 Replicate，单次运行约 0.00098 美元，在 Nvidia L40S 上约 1 秒完成。
beautyyuyanli / multilingual-e5-large
查看缓存全文
缓存时间: 2026/04/23 13:44
# beautyyuyanli/multilingual-e5-large – Replicate
来源：https://replicate.com/beautyyuyanli/multilingual-e5-large
## 运行时间与费用
在 Replicate 上运行该模型约需 $0.00098，即 1 美元可跑 1020 次，具体费用视输入而定。模型完全开源，你也可以用 Docker 在本地运行（https://replicate.com/beautyyuyanli/multilingual-e5-large/api）。
该模型在 Nvidia L40S GPU 硬件上运行（https://replicate.com/docs/billing）。单次预测通常在 1 秒内完成。
相似文章
LiquidAI/LFM2.5-Embedding-350M
Liquid AI 发布了 LFM2.5-Embedding-350M，这是一种密集双编码器，用于多语言检索，支持11种语言，可作为 RAG 流水线的直接替代方案。
krthr/clip-embeddings
一个托管在 Replicate 上的基于 CLIP 的嵌入模型，使用 clip-vit-large-patch14 架构为图像和文本生成 768 维嵌入向量，每次运行费用约为 $0.00022。
@liquidai: 介绍 LFM2.5-Embedding-350M 和 LFM2.5-ColBERT-350M：两款为超快且精准的多语言检索模型
Liquid AI 推出 LFM2.5-Embedding-350M 和 LFM2.5-ColBERT-350M，这两款多语言检索模型经过优化，可在11种语言中实现快速准确的搜索，延迟低至1.5毫秒。
Nemotron-3-Embed 1B/8B
NVIDIA 发布了 Nemotron-3-Embed 1B 和 8B 模型，这是最先进的多语言文本嵌入模型，用于检索和语义相似度，针对 RAG 系统进行了优化。
对 Google Embeddings 2 与开源模型在多语言稠密检索和 RAG 系统中的基准测试
本文对 Google Embeddings 2 与五个开源模型在多语言稠密检索和 RAG 系统中进行了基准测试，发现 GE2 在准确性上表现最佳但速度较慢，而 mE5-L 作为低延迟的竞争性替代方案。