{
  "aboutHtml": "<p>LFM2.5-Embedding-350M je hustý bi-enkodér společnosti LiquidAI pro vícejazyčné vyhledávání a vyhledávání napříč jazyky. Pro každý text vytváří jeden 1024rozměrný vektor a zaměřuje se na vyhledávání s krátkým kontextem v jedenácti jazycích. Pojmenovaná rodina modelů 350M používá obousměrnou úpravu LFM2.5-350M-Base; podrobná tabulka modelů uvádí pro tuto embeddingovou edici přibližně 354 milionů parametrů.</p><h4>Obousměrná reprezentace pro vyhledávání</h4><p>Výrobce upravuje základní architekturu tak, aby mechanismus pozornosti a lokální konvoluce mohly využívat kontext na obou stranách tokenu. Sdružování ve stylu CLS převádí zpracovaný text na jeden hustý vektor. Tabulka modelu popisuje sedmnáct vrstev: deset konvolučních bloků, šest bloků pozornosti a fázi sdružování. Jde o enkodér pro vyhledávání s vlastní přípravou a výstupem, nikoli o úlohu generování textu základního modelu.</p><p>Samostatně pojmenovaný LFM2.5-ColBERT-350M zachovává vektory pro jednotlivé tokeny pro pozdní interakci. Tato reprezentace vyžaduje jiný index a metodu porovnání. Zde popisovaný model Embedding poskytuje jeden vektor na dokument nebo dotaz s kosinovou podobností jako dokumentovaným způsobem porovnání.</p><h4>Použití správných asymetrických promptů</h4><p>Vyhledávací dotazy připravujte s „query:“ a zdrojové pasáže s „document:“. Výrobce ukládá tyto prompty do konfigurace a jeho referenční postup používá odpovídající název promptu. Výslovně doporučuje používat na každé straně příslušnou roli, protože model byl s těmito prefixy trénován. Tento prefix dokumentu se liší od konvence „passage:“ u modelů E5.</p><p>Praktická kolekce pro vyhledávání produktů může obsahovat popisy v podporovaných jazycích. Vyhledávací formulaci uživatele připravte jako dotaz a každý popis produktu jako dokument. S vektorem ukládejte původní text, identifikátor produktu a jazyk, aby výsledek vyhledávání mohl vrátit odpovídající záznam. U kolekce podpory zachovejte pravidlo nebo instrukci relevantní pro otázku namísto jejich nahrazení nesouvisejícím krátkým označením.</p><h4>Jazyky a velikost pasáží</h4><p>Dokumentovaná sada jazyků zahrnuje angličtinu, španělštinu, němčinu, francouzštinu, italštinu, portugalštinu, arabštinu, švédštinu, norštinu, japonštinu a korejštinu. Výrobce se výslovně zaměřuje jak na vyhledávání v rámci jednoho jazyka, tak na vyhledávání napříč jazykovými hranicemi. Připravte skutečné otázky zamýšleného publika a prohlédněte si vrácený text dokumentů v těchto jazycích.</p><p>Specifikovaná délka dokumentu je 512 tokenů. Dlouhý zdroj rozdělte na souvislé pasáže, které zachovávají nadpis, definice a podmínky potřebné pro nalezený výsledek. Prefix role a přidaný kontext patří do připraveného vstupu. Odpověď v FAQ, vysvětlení produktu nebo tematicky vymezený oddíl technického dokumentu jsou vhodnější jednotkou než celá příliš rozsáhlá příručka.</p><h4>Trénování a porovnávání</h4><p>Výrobce popisuje tři fáze trénování: anglické kontrastivní předtrénování, vícejazyčnou a mezijazykovou destilaci a následné dotrénování s vytěženými obtížnými negativními příklady. Výsledný model je určen pro produktové katalogy, FAQ a kolekce podpory, vyhledávání souborů či poznámek a vyhledávání podnikových znalostí. Jde o úkoly textových reprezentací, nikoli o tvrzení o nasazení konkrétní aplikace.</p><p>Příklad výrobce normalizuje vektory dotazů a dokumentů a řadí je pomocí skalárního součinu, který je ekvivalentní kosinové podobnosti. Při přípravě zdrojového materiálu předem vypočítejte reprezentace korpusu, poté vytvořte embedding vyhledávacího dotazu a vraťte kandidátní dokumenty s jejich textem a identifikátory. S indexem uchovávejte zvolený model a konvenci rolí, aby číselné porovnání používalo kompatibilní reprezentace.</p><p>Užitečným výsledkem je kompaktní hustý vyhledávací index nebo vektor dotazu, který vyhledává zdrojový materiál napříč dokumentovanou sadou jazyků. Tato konkrétní edice LFM2.5 Embedding zůstává oddělená od příbuzného ColBERT, starších vyhledávacích modelů LFM2 a externě kvantovaných implementací. Text vybrané pasáže je podkladem, který používá čtenář nebo pozdější fáze vytváření odpovědi pomocí RAG.</p>",
  "aboutText": "LFM2.5-Embedding-350M je hustý bi-enkodér společnosti LiquidAI pro vícejazyčné vyhledávání a vyhledávání napříč jazyky. Pro každý text vytváří jeden 1024rozměrný vektor a zaměřuje se na vyhledávání s krátkým kontextem v jedenácti jazycích. Pojmenovaná rodina modelů 350M používá obousměrnou úpravu LFM2.5-350M-Base; podrobná tabulka modelů uvádí pro tuto embeddingovou edici přibližně 354 milionů parametrů.\n\n### Obousměrná reprezentace pro vyhledávání\n\nVýrobce upravuje základní architekturu tak, aby mechanismus pozornosti a lokální konvoluce mohly využívat kontext na obou stranách tokenu. Sdružování ve stylu CLS převádí zpracovaný text na jeden hustý vektor. Tabulka modelu popisuje sedmnáct vrstev: deset konvolučních bloků, šest bloků pozornosti a fázi sdružování. Jde o enkodér pro vyhledávání s vlastní přípravou a výstupem, nikoli o úlohu generování textu základního modelu.\n\nSamostatně pojmenovaný LFM2.5-ColBERT-350M zachovává vektory pro jednotlivé tokeny pro pozdní interakci. Tato reprezentace vyžaduje jiný index a metodu porovnání. Zde popisovaný model Embedding poskytuje jeden vektor na dokument nebo dotaz s kosinovou podobností jako dokumentovaným způsobem porovnání.\n\n### Použití správných asymetrických promptů\n\nVyhledávací dotazy připravujte s „query:“ a zdrojové pasáže s „document:“. Výrobce ukládá tyto prompty do konfigurace a jeho referenční postup používá odpovídající název promptu. Výslovně doporučuje používat na každé straně příslušnou roli, protože model byl s těmito prefixy trénován. Tento prefix dokumentu se liší od konvence „passage:“ u modelů E5.\n\nPraktická kolekce pro vyhledávání produktů může obsahovat popisy v podporovaných jazycích. Vyhledávací formulaci uživatele připravte jako dotaz a každý popis produktu jako dokument. S vektorem ukládejte původní text, identifikátor produktu a jazyk, aby výsledek vyhledávání mohl vrátit odpovídající záznam. U kolekce podpory zachovejte pravidlo nebo instrukci relevantní pro otázku namísto jejich nahrazení nesouvisejícím krátkým označením.\n\n### Jazyky a velikost pasáží\n\nDokumentovaná sada jazyků zahrnuje angličtinu, španělštinu, němčinu, francouzštinu, italštinu, portugalštinu, arabštinu, švédštinu, norštinu, japonštinu a korejštinu. Výrobce se výslovně zaměřuje jak na vyhledávání v rámci jednoho jazyka, tak na vyhledávání napříč jazykovými hranicemi. Připravte skutečné otázky zamýšleného publika a prohlédněte si vrácený text dokumentů v těchto jazycích.\n\nSpecifikovaná délka dokumentu je 512 tokenů. Dlouhý zdroj rozdělte na souvislé pasáže, které zachovávají nadpis, definice a podmínky potřebné pro nalezený výsledek. Prefix role a přidaný kontext patří do připraveného vstupu. Odpověď v FAQ, vysvětlení produktu nebo tematicky vymezený oddíl technického dokumentu jsou vhodnější jednotkou než celá příliš rozsáhlá příručka.\n\n### Trénování a porovnávání\n\nVýrobce popisuje tři fáze trénování: anglické kontrastivní předtrénování, vícejazyčnou a mezijazykovou destilaci a následné dotrénování s vytěženými obtížnými negativními příklady. Výsledný model je určen pro produktové katalogy, FAQ a kolekce podpory, vyhledávání souborů či poznámek a vyhledávání podnikových znalostí. Jde o úkoly textových reprezentací, nikoli o tvrzení o nasazení konkrétní aplikace.\n\nPříklad výrobce normalizuje vektory dotazů a dokumentů a řadí je pomocí skalárního součinu, který je ekvivalentní kosinové podobnosti. Při přípravě zdrojového materiálu předem vypočítejte reprezentace korpusu, poté vytvořte embedding vyhledávacího dotazu a vraťte kandidátní dokumenty s jejich textem a identifikátory. S indexem uchovávejte zvolený model a konvenci rolí, aby číselné porovnání používalo kompatibilní reprezentace.\n\nUžitečným výsledkem je kompaktní hustý vyhledávací index nebo vektor dotazu, který vyhledává zdrojový materiál napříč dokumentovanou sadou jazyků. Tato konkrétní edice LFM2.5 Embedding zůstává oddělená od příbuzného ColBERT, starších vyhledávacích modelů LFM2 a externě kvantovaných implementací. Text vybrané pasáže je podkladem, který používá čtenář nebo pozdější fáze vytváření odpovědi pomocí RAG.",
  "editorialOverlay": {
    "copy_fields": null,
    "copy_sha256": null,
    "copy_source": null,
    "html_sha256": "e13da6ac02a08a7686c4ae71cec0819d515c67db6687c7b650bbb97679d0a10f",
    "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06",
    "raw_model_unchanged": true,
    "schema": "ailoot-native-model-editorial-v1"
  },
  "locale": "cs",
  "methods": [
    {
      "html": "<div class=\"sheet-head\"><span class=\"mav\" aria-hidden=\"true\">•</span><h2 id=\"sheet-title\">LiquidAI: LFM2.5-Embedding-350M (free)</h2><button class=\"icon-btn\" type=\"button\" data-close-sheet aria-label=\"Zavřít\">×</button></div><div class=\"idline\"><span>LiquidAI /</span><code>liquid/lfm-2.5-embedding-350m:free</code><button type=\"button\" id=\"copy-id\">Zkopírovat ID</button></div><nav class=\"card-jump-nav\" aria-label=\"Sekce karty modelu\"><button type=\"button\" data-card-jump=\"overview\">Úvod</button><button type=\"button\" data-card-jump=\"methods\">Vstupy a metody</button><button type=\"button\" data-card-jump=\"pricing\">Tarify</button><button type=\"button\" data-card-jump=\"examples\">Příklady</button><button type=\"button\" data-card-jump=\"results\">Výsledky</button><button type=\"button\" data-card-jump=\"aliases\">Aliasy</button></nav><div class=\"card-method-tabs\" role=\"tablist\" aria-label=\"Metody API\"><button type=\"button\" role=\"tab\" tabindex=\"0\" aria-controls=\"card-method-content\" aria-selected=\"true\" id=\"card-method-tab-0\" data-card-method=\"Ultra|embeddings|/v1/embeddings|liquid%2Flfm-2.5-embedding-350m%3Afree\">Vektorové reprezentace</button></div><div id=\"card-method-content\" role=\"tabpanel\" aria-labelledby=\"card-method-tab-0\"><section class=\"card-section\" data-card-section=\"overview\"><h3 tabindex=\"-1\">Úvod</h3><p class=\"mdesc-full\">LiquidAI LFM2.5-Embedding-350M vytváří pro každý text jeden vektor s 1024 rozměry pro vícejazyčné a mezijazykové vyhledávání. Cílí na 11 jazyků a krátké vstupy o 512 tokenech s odlišnými předponami pro dotaz a dokument.</p><dl class=\"card-io\" data-card-io><div><dt>Přijímané vstupy</dt><dd>Text · token_ids</dd></div><div><dt>Výsledky</dt><dd>embedding</dd></div></dl><details class=\"card-about\"><summary>O modelu</summary><p class=\"note-s\" data-model-method-boundary>Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.</p><div class=\"mabout\" id=\"m-about\"><p>LFM2.5-Embedding-350M je hustý bi-enkodér společnosti LiquidAI pro vícejazyčné vyhledávání a vyhledávání napříč jazyky. Pro každý text vytváří jeden 1024rozměrný vektor a zaměřuje se na vyhledávání s krátkým kontextem v jedenácti jazycích. Pojmenovaná rodina modelů 350M používá obousměrnou úpravu LFM2.5-350M-Base; podrobná tabulka modelů uvádí pro tuto embeddingovou edici přibližně 354 milionů parametrů.</p><h4>Obousměrná reprezentace pro vyhledávání</h4><p>Výrobce upravuje základní architekturu tak, aby mechanismus pozornosti a lokální konvoluce mohly využívat kontext na obou stranách tokenu. Sdružování ve stylu CLS převádí zpracovaný text na jeden hustý vektor. Tabulka modelu popisuje sedmnáct vrstev: deset konvolučních bloků, šest bloků pozornosti a fázi sdružování. Jde o enkodér pro vyhledávání s vlastní přípravou a výstupem, nikoli o úlohu generování textu základního modelu.</p><p>Samostatně pojmenovaný LFM2.5-ColBERT-350M zachovává vektory pro jednotlivé tokeny pro pozdní interakci. Tato reprezentace vyžaduje jiný index a metodu porovnání. Zde popisovaný model Embedding poskytuje jeden vektor na dokument nebo dotaz s kosinovou podobností jako dokumentovaným způsobem porovnání.</p><h4>Použití správných asymetrických promptů</h4><p>Vyhledávací dotazy připravujte s „query:“ a zdrojové pasáže s „document:“. Výrobce ukládá tyto prompty do konfigurace a jeho referenční postup používá odpovídající název promptu. Výslovně doporučuje používat na každé straně příslušnou roli, protože model byl s těmito prefixy trénován. Tento prefix dokumentu se liší od konvence „passage:“ u modelů E5.</p><p>Praktická kolekce pro vyhledávání produktů může obsahovat popisy v podporovaných jazycích. Vyhledávací formulaci uživatele připravte jako dotaz a každý popis produktu jako dokument. S vektorem ukládejte původní text, identifikátor produktu a jazyk, aby výsledek vyhledávání mohl vrátit odpovídající záznam. U kolekce podpory zachovejte pravidlo nebo instrukci relevantní pro otázku namísto jejich nahrazení nesouvisejícím krátkým označením.</p><h4>Jazyky a velikost pasáží</h4><p>Dokumentovaná sada jazyků zahrnuje angličtinu, španělštinu, němčinu, francouzštinu, italštinu, portugalštinu, arabštinu, švédštinu, norštinu, japonštinu a korejštinu. Výrobce se výslovně zaměřuje jak na vyhledávání v rámci jednoho jazyka, tak na vyhledávání napříč jazykovými hranicemi. Připravte skutečné otázky zamýšleného publika a prohlédněte si vrácený text dokumentů v těchto jazycích.</p><p>Specifikovaná délka dokumentu je 512 tokenů. Dlouhý zdroj rozdělte na souvislé pasáže, které zachovávají nadpis, definice a podmínky potřebné pro nalezený výsledek. Prefix role a přidaný kontext patří do připraveného vstupu. Odpověď v FAQ, vysvětlení produktu nebo tematicky vymezený oddíl technického dokumentu jsou vhodnější jednotkou než celá příliš rozsáhlá příručka.</p><h4>Trénování a porovnávání</h4><p>Výrobce popisuje tři fáze trénování: anglické kontrastivní předtrénování, vícejazyčnou a mezijazykovou destilaci a následné dotrénování s vytěženými obtížnými negativními příklady. Výsledný model je určen pro produktové katalogy, FAQ a kolekce podpory, vyhledávání souborů či poznámek a vyhledávání podnikových znalostí. Jde o úkoly textových reprezentací, nikoli o tvrzení o nasazení konkrétní aplikace.</p><p>Příklad výrobce normalizuje vektory dotazů a dokumentů a řadí je pomocí skalárního součinu, který je ekvivalentní kosinové podobnosti. Při přípravě zdrojového materiálu předem vypočítejte reprezentace korpusu, poté vytvořte embedding vyhledávacího dotazu a vraťte kandidátní dokumenty s jejich textem a identifikátory. S indexem uchovávejte zvolený model a konvenci rolí, aby číselné porovnání používalo kompatibilní reprezentace.</p><p>Užitečným výsledkem je kompaktní hustý vyhledávací index nebo vektor dotazu, který vyhledává zdrojový materiál napříč dokumentovanou sadou jazyků. Tato konkrétní edice LFM2.5 Embedding zůstává oddělená od příbuzného ColBERT, starších vyhledávacích modelů LFM2 a externě kvantovaných implementací. Text vybrané pasáže je podkladem, který používá čtenář nebo pozdější fáze vytváření odpovědi pomocí RAG.</p></div></details></section><section class=\"card-section\" data-card-section=\"methods\"><h3 tabindex=\"-1\">Dostupné v Ailoot · vstupy a metody</h3><details class=\"card-method\" open><summary><b>Ailoot Ultra · Vektorové reprezentace</b> <code>POST /v1/embeddings</code></summary><dl class=\"method-capabilities\"><div><dt>Vstup</dt><dd><code>text</code>, <code>token_ids</code></dd></div><div><dt>Výstup</dt><dd><code>embedding</code></dd></div><div><dt>Kontext</dt><dd>512 tokens</dd></div><div><dt>Výstupní formát</dt><dd>json</dd></div></dl><div class=\"tw\" data-card-parameters data-typed-parameters><table><thead><tr><th>Pole</th><th>Typ</th><th>Požadavek</th><th>Hodnoty a limity</th><th>Výchozí</th></tr></thead><tbody><tr data-parameter-availability=\"source_interface\"><th data-cell-label=\"Pole\" scope=\"row\"><span class=\"card-cell-label\">Pole</span><code class=\"card-field-name\">model</code></th><td data-cell-label=\"Typ\" data-field-type><span class=\"card-cell-label\">Typ</span><code>string</code></td><td data-cell-label=\"Požadavek\"><span class=\"card-cell-label\">Požadavek</span>Povinné</td><td data-cell-label=\"Hodnoty a limity\"><span class=\"card-cell-label\">Hodnoty a limity</span><div>liquid/lfm-2.5-embedding-350m:free</div></td><td data-cell-label=\"Výchozí\" data-default=\"unspecified\"><span class=\"card-cell-label\">Výchozí</span>—</td></tr><tr data-parameter-availability=\"source_interface\"><th data-cell-label=\"Pole\" scope=\"row\"><span class=\"card-cell-label\">Pole</span><code class=\"card-field-name\">input</code></th><td data-cell-label=\"Typ\" data-field-type><span class=\"card-cell-label\">Typ</span><code>string|string[]|integer[]|integer[][]</code></td><td data-cell-label=\"Požadavek\"><span class=\"card-cell-label\">Požadavek</span>Povinné</td><td data-cell-label=\"Hodnoty a limity\"><span class=\"card-cell-label\">Hodnoty a limity</span><div>Minimální počet položek: 1</div><div>Podmínky: Neprázdná homogenní dávka. ID tokenů jsou nezáporná celá čísla.</div><div>Rozpočet vstupu: Maximum: 512 · Jednotka textu: bajty UTF8 · Jednotka tokenů: prvky pole tokenů</div></td><td data-cell-label=\"Výchozí\" data-default=\"unspecified\"><span class=\"card-cell-label\">Výchozí</span>—</td></tr><tr data-parameter-availability=\"source_interface\"><th data-cell-label=\"Pole\" scope=\"row\"><span class=\"card-cell-label\">Pole</span><code class=\"card-field-name\">encoding_format</code></th><td data-cell-label=\"Typ\" data-field-type><span class=\"card-cell-label\">Typ</span><code>string</code></td><td data-cell-label=\"Požadavek\"><span class=\"card-cell-label\">Požadavek</span>Volitelné</td><td data-cell-label=\"Hodnoty a limity\"><span class=\"card-cell-label\">Hodnoty a limity</span><div>float</div></td><td data-cell-label=\"Výchozí\" data-default=\"known\"><span class=\"card-cell-label\">Výchozí</span>float</td></tr><tr data-parameter-availability=\"unsupported\"><th data-cell-label=\"Pole\" scope=\"row\"><span class=\"card-cell-label\">Pole</span><code class=\"card-field-name\">dimensions</code></th><td data-cell-label=\"Typ\" data-field-type><span class=\"card-cell-label\">Typ</span><code>integer</code></td><td data-cell-label=\"Požadavek\"><span class=\"card-cell-label\">Požadavek</span>Nepodporováno</td><td data-cell-label=\"Hodnoty a limity\"><span class=\"card-cell-label\">Hodnoty a limity</span><div>Minimum: 1</div></td><td data-cell-label=\"Výchozí\" data-default=\"unspecified\"><span class=\"card-cell-label\">Výchozí</span>—</td></tr><tr data-parameter-availability=\"pass_through_metadata\"><th data-cell-label=\"Pole\" scope=\"row\"><span class=\"card-cell-label\">Pole</span><code class=\"card-field-name\">user</code></th><td data-cell-label=\"Typ\" data-field-type><span class=\"card-cell-label\">Typ</span><code>json_value</code></td><td data-cell-label=\"Požadavek\"><span class=\"card-cell-label\">Požadavek</span>Volitelné</td><td data-cell-label=\"Hodnoty a limity\"><span class=\"card-cell-label\">Hodnoty a limity</span><div>Podmínky: Zdroj povoluje toto pole metadat JSON; jeho přesný význam u poskytovatele závisí na konkrétním modelu.</div></td><td data-cell-label=\"Výchozí\" data-default=\"unspecified\"><span class=\"card-cell-label\">Výchozí</span>—</td></tr><tr data-parameter-availability=\"pass_through_metadata\"><th data-cell-label=\"Pole\" scope=\"row\"><span class=\"card-cell-label\">Pole</span><code class=\"card-field-name\">session_id</code></th><td data-cell-label=\"Typ\" data-field-type><span class=\"card-cell-label\">Typ</span><code>json_value</code></td><td data-cell-label=\"Požadavek\"><span class=\"card-cell-label\">Požadavek</span>Volitelné</td><td data-cell-label=\"Hodnoty a limity\"><span class=\"card-cell-label\">Hodnoty a limity</span><div>Podmínky: Zdroj povoluje toto pole metadat JSON; jeho přesný význam u poskytovatele závisí na konkrétním modelu.</div></td><td data-cell-label=\"Výchozí\" data-default=\"unspecified\"><span class=\"card-cell-label\">Výchozí</span>—</td></tr><tr data-parameter-availability=\"pass_through_metadata\"><th data-cell-label=\"Pole\" scope=\"row\"><span class=\"card-cell-label\">Pole</span><code class=\"card-field-name\">trace</code></th><td data-cell-label=\"Typ\" data-field-type><span class=\"card-cell-label\">Typ</span><code>json_value</code></td><td data-cell-label=\"Požadavek\"><span class=\"card-cell-label\">Požadavek</span>Volitelné</td><td data-cell-label=\"Hodnoty a limity\"><span class=\"card-cell-label\">Hodnoty a limity</span><div>Podmínky: Zdroj povoluje toto pole metadat JSON; jeho přesný význam u poskytovatele závisí na konkrétním modelu.</div></td><td data-cell-label=\"Výchozí\" data-default=\"unspecified\"><span class=\"card-cell-label\">Výchozí</span>—</td></tr><tr data-parameter-availability=\"source_interface\"><th data-cell-label=\"Pole\" scope=\"row\"><span class=\"card-cell-label\">Pole</span><code class=\"card-field-name\">provider</code></th><td data-cell-label=\"Typ\" data-field-type><span class=\"card-cell-label\">Typ</span><code>object</code></td><td data-cell-label=\"Požadavek\"><span class=\"card-cell-label\">Požadavek</span>Volitelné</td><td data-cell-label=\"Hodnoty a limity\"><span class=\"card-cell-label\">Hodnoty a limity</span><div>Podmínky: Parametr provider.options byl odmítnut</div></td><td data-cell-label=\"Výchozí\" data-default=\"unspecified\"><span class=\"card-cell-label\">Výchozí</span>—</td></tr></tbody></table></div><details class=\"card-about\" data-material-combinations><summary>Kombinace vstupních materiálů</summary><p class=\"note-s\"><b>text_to_embedding</b></p></details><details class=\"note-s\" data-method-contract><summary>Parametry a životní cyklus metody</summary><div class=\"tw\" data-card-table=\"contract\"><table><thead><tr><th>Parametr</th><th>Kontrakt</th></tr></thead><tbody><tr><th data-cell-label=\"Parametr\" scope=\"row\"><span class=\"card-cell-label\">Parametr</span><code>content_type</code></th><td data-cell-label=\"Kontrakt\"><span class=\"card-cell-label\">Kontrakt</span>application/json</td></tr><tr><th data-cell-label=\"Parametr\" scope=\"row\"><span class=\"card-cell-label\">Parametr</span><code>required</code></th><td data-cell-label=\"Kontrakt\"><span class=\"card-cell-label\">Kontrakt</span>model, input</td></tr><tr><th data-cell-label=\"Parametr\" scope=\"row\"><span class=\"card-cell-label\">Parametr</span><code>input_shapes</code></th><td data-cell-label=\"Kontrakt\"><span class=\"card-cell-label\">Kontrakt</span>string, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[]</td></tr><tr><th data-cell-label=\"Parametr\" scope=\"row\"><span class=\"card-cell-label\">Parametr</span><code>encoding_format</code></th><td data-cell-label=\"Kontrakt\"><span class=\"card-cell-label\">Kontrakt</span>float</td></tr><tr><th data-cell-label=\"Parametr\" scope=\"row\"><span class=\"card-cell-label\">Parametr</span><code>dimensions_override</code></th><td data-cell-label=\"Kontrakt\"><span class=\"card-cell-label\">Kontrakt</span>false</td></tr><tr><th data-cell-label=\"Parametr\" scope=\"row\"><span class=\"card-cell-label\">Parametr</span><code>max_input_budget_units</code></th><td data-cell-label=\"Kontrakt\"><span class=\"card-cell-label\">Kontrakt</span>512</td></tr><tr><th data-cell-label=\"Parametr\" scope=\"row\"><span class=\"card-cell-label\">Parametr</span><code>multimodal_objects</code></th><td data-cell-label=\"Kontrakt\"><span class=\"card-cell-label\">Kontrakt</span>false</td></tr><tr><th data-cell-label=\"Parametr\" scope=\"row\"><span class=\"card-cell-label\">Parametr</span><code>material_types</code></th><td data-cell-label=\"Kontrakt\"><span class=\"card-cell-label\">Kontrakt</span>text, token_ids</td></tr></tbody></table></div><p>Životní cyklus: <code>synchronous_json</code></p><p class=\"note-s\">Uchovejte index i rozměr každého vektoru.</p><p class=\"note-s\">Multimodální název modelu neznamená, že tato konkrétní cesta přijímá obrazové objekty.</p></details></details></section><section class=\"card-section\" data-card-section=\"pricing\"><h3 tabindex=\"-1\">Tarify</h3><div data-native-semantic-method=\"v1\" data-tariff-reference-only><p class=\"note-s\" data-rate-support-note>Údaje o tarifech nepřidávají možnosti požadavku. Podporované parametry jsou uvedeny u vybrané metody.</p><dl data-price-conditions><dt>Rychlý režim</dt><dd>Standardní sazba <span class=\"note-s\">Při výběru rychlého režimu</span></dd><dt>Režim flex</dt><dd>Standardní sazba <span class=\"note-s\">Při výběru režimu flex</span></dd><dt>Maximální intenzita uvažování</dt><dd>Standardní sazba <span class=\"note-s\">Když se při maximální intenzitě uvažování použije výchozí úprava (default)</span></dd></dl></div><div data-declared-tariff-pricing><h4>Sazby Ailoot</h4><h4>Ceny podle konfigurace</h4><div class=\"tw\" data-pricing-profiles><table><thead><tr><th>Konfigurace</th><th>Tabulka sazeb</th><th>Poplatek</th></tr></thead><tbody><tr><th data-cell-label=\"Konfigurace\" scope=\"row\"><span class=\"card-cell-label\">Konfigurace</span>Základní sazby za tokeny</th><td data-cell-label=\"Tabulka sazeb\"><span class=\"card-cell-label\">Tabulka sazeb</span>Základní sazba</td><td data-cell-label=\"Poplatek\"><span class=\"card-cell-label\">Poplatek</span><div><span>Vstup · Vstupní tokeny</span> <b>$0</b> <span class=\"price-unit\">/ 1K tokenů</span></div><div><span>Výstup · Výstupní tokeny</span> <b>$0</b> <span class=\"price-unit\">/ 1K tokenů</span></div><div><span>Vstup · Čtení z mezipaměti</span> <b>—</b> <span class=\"price-unit\">/ 1K tokenů</span></div><div><span>Vstup · Zápis do mezipaměti</span> <b>—</b> <span class=\"price-unit\">/ 1K tokenů</span></div><div><span>Vstup · Zápis do mezipaměti, 1 hodina</span> <b>—</b> <span class=\"price-unit\">/ 1K tokenů</span></div></td></tr></tbody></table></div></div><p class=\"note-s\">Ailoot před požadavkem rezervuje odhadovanou částku. Po výsledku vyúčtuje konečný poplatek podle naměřeného využití. Při streamování se účtování řídí konečným záznamem využití. <a href=\"/docs/cs/billing/reserve/\">Jak funguje rezervace a vyúčtování →</a></p></section><section class=\"card-section\" data-card-section=\"examples\"><h3 tabindex=\"-1\">Příklady požadavků</h3><h4>Ailoot Ultra · Vektorové reprezentace</h4><div class=\"code-group\"><div class=\"cg-bar\"><div class=\"cg-tabs\" role=\"tablist\" aria-label=\"Varianty kódu\"><button class=\"cg-tab\" id=\"model-code-1793-tab-0\" role=\"tab\" type=\"button\" aria-controls=\"model-code-1793-panel-0\" aria-selected=\"true\" tabindex=\"0\">curl</button><button class=\"cg-tab\" id=\"model-code-1793-tab-1\" role=\"tab\" type=\"button\" aria-controls=\"model-code-1793-panel-1\" aria-selected=\"false\" tabindex=\"-1\">Python SDK</button></div><div class=\"cg-tools\"><button class=\"cg-btn cg-copy\" type=\"button\" aria-label=\"Zkopírovat kód\"><svg class=\"cp\" viewBox=\"0 0 16 16\" fill=\"none\" stroke=\"currentColor\" stroke-width=\"1.4\"><rect x=\"5.25\" y=\"5.25\" width=\"8.5\" height=\"8.5\" rx=\"1.75\"/><path d=\"M10.75 5.25V3.5a1.25 1.25 0 0 0-1.25-1.25H3.5A1.25 1.25 0 0 0 2.25 3.5v6a1.25 1.25 0 0 0 1.25 1.25h1.75\"/></svg><svg class=\"ok\" viewBox=\"0 0 16 16\" fill=\"none\" stroke=\"currentColor\" stroke-width=\"1.4\"><path d=\"m3 8.5 3.25 3.25L13 5\"/></svg></button></div></div><div class=\"cg-body\"><div class=\"cg-pane\" id=\"model-code-1793-panel-0\" role=\"tabpanel\" aria-labelledby=\"model-code-1793-tab-0\"><pre data-lang=\"bash\"><code>set -eu\n: &quot;${AILOOT_API_KEY:?Set your Ailoot API key}&quot;\npython3 - &lt;&lt;&#39;PY_REQUEST&#39;\nimport json,os\nfrom pathlib import Path\np=json.loads(&#39;{&quot;model&quot;: &quot;liquid/lfm-2.5-embedding-350m:free&quot;, &quot;input&quot;: [&quot;First document&quot;, &quot;Second document&quot;]}&#39;)\n\nPath(&quot;request.json&quot;).write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n  -H &quot;Authorization: Bearer $AILOOT_API_KEY&quot; -H &#39;Content-Type: application/json&#39; \\\n  --data-binary @request.json -D response-headers.txt -o result.json\npython3 - &lt;&lt;&#39;PY_RESULT&#39;\nimport json\nfrom pathlib import Path\nr=json.loads(Path(&quot;result.json&quot;).read_text())\nfor x in r.get(&quot;data&quot;,[]): print(json.dumps({&quot;index&quot;:x.get(&quot;index&quot;),&quot;embedding&quot;:x.get(&quot;embedding&quot;)}))\nPY_RESULT\n</code></pre></div><div class=\"cg-pane\" id=\"model-code-1793-panel-1\" role=\"tabpanel\" aria-labelledby=\"model-code-1793-tab-1\" hidden><pre data-lang=\"python\"><code>from openai import OpenAI\nimport os\n\nclient=OpenAI(base_url=&quot;https://api.ailoot.ai/v1&quot;,api_key=os.environ[&quot;AILOOT_API_KEY&quot;],max_retries=0)\nresult=client.embeddings.create(model=&#39;liquid/lfm-2.5-embedding-350m:free&#39;,input=[&quot;First document&quot;,&quot;Second document&quot;])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\n</code></pre></div></div></div></section><section class=\"card-section\" data-card-section=\"results\"><h3 tabindex=\"-1\">Přijímání a ukládání výsledků</h3><h4>Ailoot Ultra · Vektorové reprezentace</h4><p class=\"note-s\">json</p><div class=\"card-result-process\" data-all-results><h5>Uchovejte všechny dokončené výsledky</h5><p class=\"note-s\">Uchovejte každou úplnou vrácenou odpověď, soubor i část obsahu.</p><p class=\"note-s\">Uchovejte každý vektor spolu s jeho indexem. Počet vektorů musí odpovídat počtu vstupů; jejich rozměr musí být jednotný.</p></div><div class=\"card-result-process\" data-unknown-recovery><h5>Pokud je nutné ověřit původní odpověď</h5><p class=\"note-s\">Samostatný endpoint úloh pro embeddingy se nezavádí.</p></div><details class=\"card-about\" data-output-fields><summary>Pole odpovědi</summary><div class=\"tw\" data-card-table=\"output\"><table><thead><tr><th>Pole</th><th>Typ</th></tr></thead><tbody><tr><th data-cell-label=\"Pole\" scope=\"row\"><span class=\"card-cell-label\">Pole</span><code class=\"card-field-name\">object</code></th><td data-cell-label=\"Typ\" data-field-type><span class=\"card-cell-label\">Typ</span>string</td></tr><tr><th data-cell-label=\"Pole\" scope=\"row\"><span class=\"card-cell-label\">Pole</span><code class=\"card-field-name\">model</code></th><td data-cell-label=\"Typ\" data-field-type><span class=\"card-cell-label\">Typ</span>string</td></tr><tr><th data-cell-label=\"Pole\" scope=\"row\"><span class=\"card-cell-label\">Pole</span><code class=\"card-field-name\">data[].index</code></th><td data-cell-label=\"Typ\" data-field-type><span class=\"card-cell-label\">Typ</span>integer</td></tr><tr><th data-cell-label=\"Pole\" scope=\"row\"><span class=\"card-cell-label\">Pole</span><code class=\"card-field-name\">data[].embedding</code></th><td data-cell-label=\"Typ\" data-field-type><span class=\"card-cell-label\">Typ</span>finite float[]</td></tr><tr><th data-cell-label=\"Pole\" scope=\"row\"><span class=\"card-cell-label\">Pole</span><code class=\"card-field-name\">usage</code></th><td data-cell-label=\"Typ\" data-field-type><span class=\"card-cell-label\">Typ</span>object</td></tr></tbody></table></div></details><details class=\"card-about\" data-method-errors><summary>Chyby a další kroky</summary><div class=\"tw\" data-card-table=\"errors\"><table><thead><tr><th>Odpověď</th><th>Podmínka</th><th>Další krok</th></tr></thead><tbody><tr><th data-cell-label=\"Odpověď\" scope=\"row\"><span class=\"card-cell-label\">Odpověď</span>400 · <code>invalid_request_error</code></th><td data-cell-label=\"Podmínka\"><span class=\"card-cell-label\">Podmínka</span>Neplatná povinná pole, reprezentace podkladů nebo hodnota parametru</td><td data-cell-label=\"Další krok\"><span class=\"card-cell-label\">Další krok</span>Před novým požadavkem na vytvoření opravte uvedená pole.</td></tr></tbody></table></div></details></section><section class=\"card-section\" data-card-section=\"aliases\"><h3 tabindex=\"-1\">Aliasy</h3><h4>Aliasy modelu</h4><p class=\"note-s\"><span data-model-alias-route=\"Ultra\"><b>Ailoot Ultra</b> <a href=\"#m=liquid%2Flfm-2.5-embedding-350m%3Afree&amp;route=Ultra&amp;caller=liquid%2Flfm-2.5-embedding-350m%3Afree&amp;fmt=embeddings\"><code>liquid/lfm-2.5-embedding-350m:free</code></a></span></p><h4>Aliasy cest metod</h4><p class=\"note-s\">Použijte cesty metod uvedené výše.</p><h4>Související ID modelů</h4><p class=\"note-s\"><a href=\"#m=liquid%2Flfm-2.5-embedding-350m%3Afree&amp;route=Ultra&amp;caller=liquid%2Flfm-2.5-embedding-350m%3Afree&amp;fmt=embeddings\"><code>liquid/lfm-2.5-embedding-350m:free</code></a></p></section></div>",
      "method_identity": {
        "effective_request_model_id": "liquid/lfm-2.5-embedding-350m:free",
        "fmt": "embeddings",
        "http": "POST",
        "path": "/v1/embeddings",
        "request_model_id": "liquid/lfm-2.5-embedding-350m:free",
        "route_label": "Ultra"
      },
      "method_key": "Ultra|embeddings|/v1/embeddings|liquid%2Flfm-2.5-embedding-350m%3Afree",
      "ordinal": 0,
      "rawMethod": {
        "available": null,
        "cache_read": null,
        "cache_write": null,
        "cache_write_1h": null,
        "contract": {
          "data": {
            "all_results": "Keep every vector with its index. Vector count must equal input count; dimensions must be consistent.",
            "errors": [
              {
                "code": null,
                "condition": "Neplatná povinná pole, reprezentace podkladů nebo hodnota parametru",
                "http_status": 400,
                "recovery": "Před novým požadavkem na vytvoření opravte uvedená pole.",
                "type": "invalid_request_error"
              }
            ],
            "hints": [],
            "ignored_fields": [],
            "lifecycle": {
              "create": {
                "http": "POST",
                "path": "/v1/embeddings"
              },
              "job_read": null,
              "mode": "synchronous_json",
              "unknown": "Samostatný endpoint úloh pro embeddingy se nezavádí."
            },
            "material_combinations": [
              {
                "alternatives": [
                  "string",
                  "string[]",
                  "nonnegative_integer_token_array",
                  "nonnegative_integer_token_array[]"
                ],
                "mode": "text_to_embedding"
              }
            ],
            "operation_modes": [
              "single_embedding",
              "batched_embeddings"
            ],
            "outputs": {
              "all_results": "Uchovejte každý vektor spolu s jeho indexem. Počet vektorů musí odpovídat počtu vstupů; jejich rozměr musí být jednotný.",
              "default_dimensions": 1024,
              "family": "embedding",
              "fields": [
                {
                  "description": null,
                  "name": "object",
                  "type": "string"
                },
                {
                  "description": null,
                  "name": "model",
                  "type": "string"
                },
                {
                  "description": null,
                  "name": "data[].index",
                  "type": "integer"
                },
                {
                  "description": null,
                  "name": "data[].embedding",
                  "type": "finite float[]"
                },
                {
                  "description": null,
                  "name": "usage",
                  "type": "object"
                }
              ],
              "format": "json"
            },
            "parameters": [
              {
                "availability": "source_interface",
                "default": null,
                "default_known": false,
                "enum": [
                  "liquid/lfm-2.5-embedding-350m:free"
                ],
                "enum_known": true,
                "name": "model",
                "required": true,
                "type": "string"
              },
              {
                "availability": "source_interface",
                "budget": {
                  "maximum": 512,
                  "text_unit": "bajty UTF8",
                  "token_unit": "prvky pole tokenů"
                },
                "conditions": "Neprázdná homogenní dávka. ID tokenů jsou nezáporná celá čísla.",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "min_items": 1,
                "name": "input",
                "required": true,
                "type": "string|string[]|integer[]|integer[][]"
              },
              {
                "availability": "source_interface",
                "default": "float",
                "default_known": true,
                "enum": [
                  "float"
                ],
                "enum_known": true,
                "name": "encoding_format",
                "required": false,
                "type": "string"
              },
              {
                "availability": "unsupported",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "minimum": 1,
                "name": "dimensions",
                "required": false,
                "type": "integer"
              },
              {
                "availability": "pass_through_metadata",
                "conditions": "Zdroj povoluje toto pole metadat JSON; jeho přesný význam u poskytovatele závisí na konkrétním modelu.",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "name": "user",
                "required": false,
                "type": "json_value"
              },
              {
                "availability": "pass_through_metadata",
                "conditions": "Zdroj povoluje toto pole metadat JSON; jeho přesný význam u poskytovatele závisí na konkrétním modelu.",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "name": "session_id",
                "required": false,
                "type": "json_value"
              },
              {
                "availability": "pass_through_metadata",
                "conditions": "Zdroj povoluje toto pole metadat JSON; jeho přesný význam u poskytovatele závisí na konkrétním modelu.",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "name": "trace",
                "required": false,
                "type": "json_value"
              },
              {
                "availability": "source_interface",
                "conditions": "Parametr provider.options byl odmítnut",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "name": "provider",
                "required": false,
                "type": "object"
              }
            ],
            "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.",
            "unsupported": [
              "mixed input kinds",
              "empty input",
              "image/audio/file objects",
              "encoding_format=base64",
              "dimensions override"
            ]
          },
          "hints": [
            "Uchovejte index i rozměr každého vektoru.",
            "Multimodální název modelu neznamená, že tato konkrétní cesta přijímá obrazové objekty."
          ],
          "input": {
            "content_type": "application/json",
            "dimensions_override": false,
            "encoding_format": [
              "float"
            ],
            "input_shapes": [
              "string",
              "string[]",
              "nonnegative_integer_token_array",
              "nonnegative_integer_token_array[]"
            ],
            "material_types": [
              "text",
              "token_ids"
            ],
            "max_input_budget_units": 512,
            "multimodal_objects": false,
            "required": [
              "model",
              "input"
            ]
          },
          "lifecycle": {
            "mode": "synchronous_json",
            "unknown": "no embedding job endpoint inferred"
          },
          "manufacturer_capability": null,
          "method": {
            "http": "POST",
            "path": "/v1/embeddings"
          },
          "method_aliases": [],
          "operation_modes": [
            "text_to_embedding"
          ],
          "output": {
            "default_dimensions": 1024,
            "family": "embedding",
            "format": "json",
            "http_success": 200,
            "vectors": "one dense float vector per input; indices/model/usage validated"
          }
        },
        "ctx": 512,
        "declared_pricing_profiles": [
          {
            "dimensions": {
              "regime": "base"
            },
            "label": "Základní sazby za tokeny",
            "units": [
              {
                "amount": "0",
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "input_price",
                "label": "Input tokens",
                "native_amount_usd_per_unit": "0",
                "native_quantity": 1,
                "native_unit": "input_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "input_token"
              },
              {
                "amount": "0",
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "output_price",
                "label": "Output tokens",
                "native_amount_usd_per_unit": "0",
                "native_quantity": 1,
                "native_unit": "output_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "out",
                "unit": "output_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_read_price",
                "label": "Cache read",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "cached_input_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "cached_input_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_write_price",
                "label": "Cache write",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "generic_cache_creation_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "generic_cache_creation_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_write_1h_price",
                "label": "Cache write, 1 hour",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "one_hour_cache_creation_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "one_hour_cache_creation_token"
              }
            ]
          }
        ],
        "examples": [
          {
            "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"liquid/lfm-2.5-embedding-350m:free\", \"input\": [\"First document\", \"Second document\"]}')\n\nPath(\"request.json\").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n  -H \"Authorization: Bearer $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n  --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path(\"result.json\").read_text())\nfor x in r.get(\"data\",[]): print(json.dumps({\"index\":x.get(\"index\"),\"embedding\":x.get(\"embedding\")}))\nPY_RESULT\n",
            "label": "curl · retained exact creation",
            "language": "bash"
          },
          {
            "code": "from openai import OpenAI\nimport os\n\nclient=OpenAI(base_url=\"https://api.ailoot.ai/v1\",api_key=os.environ[\"AILOOT_API_KEY\"],max_retries=0)\nresult=client.embeddings.create(model='liquid/lfm-2.5-embedding-350m:free',input=[\"First document\",\"Second document\"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\n",
            "label": "Python SDK · all vectors",
            "language": "python"
          }
        ],
        "family": "openai",
        "fast_multiplier": 1,
        "flex_multiplier": 1,
        "fmt": "embeddings",
        "hints": [
          "Keep every vector index and dimension.",
          "Multimodal model name does not admit image objects on this exact path."
        ],
        "http": "POST",
        "in": 0,
        "input": [
          "text",
          "token_ids"
        ],
        "label": "Эмбеддинги",
        "max_out": null,
        "max_reasoning_effort_multiplier": 1,
        "method_aliases": [],
        "out": 0,
        "output": [
          "embedding"
        ],
        "path": "/v1/embeddings",
        "price_conditions": [
          {
            "label": "Rychlý režim",
            "value": "Standardní sazba",
            "when": "Při výběru rychlého režimu"
          },
          {
            "label": "Režim flex",
            "value": "Standardní sazba",
            "when": "Při výběru režimu flex"
          },
          {
            "label": "Maximální intenzita uvažování",
            "value": "Standardní sazba",
            "when": "Když se při maximální intenzitě uvažování použije výchozí úprava (default)"
          }
        ],
        "pricing": {
          "billing_mode": "token",
          "image_input_price": null,
          "image_output_price": null,
          "per_request_price": null
        },
        "pricing_profiles": [
          {
            "dimensions": {
              "regime": "base"
            },
            "label": "Base token rates",
            "units": [
              {
                "amount": "0",
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "input_price",
                "label": "Input tokens",
                "native_amount_usd_per_unit": "0",
                "native_quantity": 1,
                "native_unit": "input_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "input_token"
              },
              {
                "amount": "0",
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "output_price",
                "label": "Output tokens",
                "native_amount_usd_per_unit": "0",
                "native_quantity": 1,
                "native_unit": "output_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "out",
                "unit": "output_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_read_price",
                "label": "Cache read",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "cached_input_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "cached_input_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_write_price",
                "label": "Cache write",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "generic_cache_creation_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "generic_cache_creation_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_write_1h_price",
                "label": "Cache write, 1 hour",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "one_hour_cache_creation_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "one_hour_cache_creation_token"
              }
            ]
          }
        ],
        "request_model_id": "liquid/lfm-2.5-embedding-350m:free",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "units": [
          {
            "amount": "0",
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "input_price",
            "label": "Input tokens",
            "native_amount_usd_per_unit": "0",
            "native_quantity": 1,
            "native_unit": "input_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "input_token"
          },
          {
            "amount": "0",
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "output_price",
            "label": "Output tokens",
            "native_amount_usd_per_unit": "0",
            "native_quantity": 1,
            "native_unit": "output_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "out",
            "unit": "output_token"
          },
          {
            "amount": null,
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "cache_read_price",
            "label": "Cache read",
            "native_amount_usd_per_unit": null,
            "native_quantity": 1,
            "native_unit": "cached_input_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "cached_input_token"
          },
          {
            "amount": null,
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "cache_write_price",
            "label": "Cache write",
            "native_amount_usd_per_unit": null,
            "native_quantity": 1,
            "native_unit": "generic_cache_creation_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "generic_cache_creation_token"
          },
          {
            "amount": null,
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "cache_write_1h_price",
            "label": "Cache write, 1 hour",
            "native_amount_usd_per_unit": null,
            "native_quantity": 1,
            "native_unit": "one_hour_cache_creation_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "one_hour_cache_creation_token"
          }
        ]
      }
    }
  ],
  "model_id": "liquid/lfm-2.5-embedding-350m:free",
  "nativeProvenance": {
    "input_facts_canonical_sha256": "d89efb17fb392cd17e07703e6cadb0cc89a74606c9aa30080129187faa4cc657",
    "input_html_sha256": "da9d74a7674edeb6f89f8e6c69a7b12bcb63da7cd475fb8f7fa27edf2368d1c5",
    "private_audit_sha256": "78758dd2c069611f47968d8c558d920b7d28ad1d5b14e2a4d10ae555b9656a60",
    "role": "historical-normalized-input-audit-hashes",
    "schema": "ailoot-native-model-provenance-v2"
  },
  "page": {
    "canonical": "https://ailoot.ai/models/cs/liquid-lfm-2-5-embedding-350m-u003a-free/",
    "description": "LiquidAI LFM2.5-Embedding-350M vytváří pro každý text jeden vektor s 1024 rozměry pro vícejazyčné a mezijazykové vyhledávání. Cílí na 11 jazyků a krátké vstupy o 512 tokenech s odlišnými předponami pro dotaz a dokument.",
    "locale": "cs",
    "md_url": "https://ailoot.ai/models/cs/liquid-lfm-2-5-embedding-350m-u003a-free/index.md",
    "title": "LiquidAI: LFM2.5-Embedding-350M (free) — Ailoot",
    "url": "https://ailoot.ai/models/cs/liquid-lfm-2-5-embedding-350m-u003a-free/"
  },
  "rawModel": {
    "about": "LFM2.5-Embedding-350M je hustý bi-enkodér společnosti LiquidAI pro vícejazyčné vyhledávání a vyhledávání napříč jazyky. Pro každý text vytváří jeden 1024rozměrný vektor a zaměřuje se na vyhledávání s krátkým kontextem v jedenácti jazycích. Pojmenovaná rodina modelů 350M používá obousměrnou úpravu LFM2.5-350M-Base; podrobná tabulka modelů uvádí pro tuto embeddingovou edici přibližně 354 milionů parametrů.\n\n### Obousměrná reprezentace pro vyhledávání\n\nVýrobce upravuje základní architekturu tak, aby mechanismus pozornosti a lokální konvoluce mohly využívat kontext na obou stranách tokenu. Sdružování ve stylu CLS převádí zpracovaný text na jeden hustý vektor. Tabulka modelu popisuje sedmnáct vrstev: deset konvolučních bloků, šest bloků pozornosti a fázi sdružování. Jde o enkodér pro vyhledávání s vlastní přípravou a výstupem, nikoli o úlohu generování textu základního modelu.\n\nSamostatně pojmenovaný LFM2.5-ColBERT-350M zachovává vektory pro jednotlivé tokeny pro pozdní interakci. Tato reprezentace vyžaduje jiný index a metodu porovnání. Zde popisovaný model Embedding poskytuje jeden vektor na dokument nebo dotaz s kosinovou podobností jako dokumentovaným způsobem porovnání.\n\n### Použití správných asymetrických promptů\n\nVyhledávací dotazy připravujte s „query:“ a zdrojové pasáže s „document:“. Výrobce ukládá tyto prompty do konfigurace a jeho referenční postup používá odpovídající název promptu. Výslovně doporučuje používat na každé straně příslušnou roli, protože model byl s těmito prefixy trénován. Tento prefix dokumentu se liší od konvence „passage:“ u modelů E5.\n\nPraktická kolekce pro vyhledávání produktů může obsahovat popisy v podporovaných jazycích. Vyhledávací formulaci uživatele připravte jako dotaz a každý popis produktu jako dokument. S vektorem ukládejte původní text, identifikátor produktu a jazyk, aby výsledek vyhledávání mohl vrátit odpovídající záznam. U kolekce podpory zachovejte pravidlo nebo instrukci relevantní pro otázku namísto jejich nahrazení nesouvisejícím krátkým označením.\n\n### Jazyky a velikost pasáží\n\nDokumentovaná sada jazyků zahrnuje angličtinu, španělštinu, němčinu, francouzštinu, italštinu, portugalštinu, arabštinu, švédštinu, norštinu, japonštinu a korejštinu. Výrobce se výslovně zaměřuje jak na vyhledávání v rámci jednoho jazyka, tak na vyhledávání napříč jazykovými hranicemi. Připravte skutečné otázky zamýšleného publika a prohlédněte si vrácený text dokumentů v těchto jazycích.\n\nSpecifikovaná délka dokumentu je 512 tokenů. Dlouhý zdroj rozdělte na souvislé pasáže, které zachovávají nadpis, definice a podmínky potřebné pro nalezený výsledek. Prefix role a přidaný kontext patří do připraveného vstupu. Odpověď v FAQ, vysvětlení produktu nebo tematicky vymezený oddíl technického dokumentu jsou vhodnější jednotkou než celá příliš rozsáhlá příručka.\n\n### Trénování a porovnávání\n\nVýrobce popisuje tři fáze trénování: anglické kontrastivní předtrénování, vícejazyčnou a mezijazykovou destilaci a následné dotrénování s vytěženými obtížnými negativními příklady. Výsledný model je určen pro produktové katalogy, FAQ a kolekce podpory, vyhledávání souborů či poznámek a vyhledávání podnikových znalostí. Jde o úkoly textových reprezentací, nikoli o tvrzení o nasazení konkrétní aplikace.\n\nPříklad výrobce normalizuje vektory dotazů a dokumentů a řadí je pomocí skalárního součinu, který je ekvivalentní kosinové podobnosti. Při přípravě zdrojového materiálu předem vypočítejte reprezentace korpusu, poté vytvořte embedding vyhledávacího dotazu a vraťte kandidátní dokumenty s jejich textem a identifikátory. S indexem uchovávejte zvolený model a konvenci rolí, aby číselné porovnání používalo kompatibilní reprezentace.\n\nUžitečným výsledkem je kompaktní hustý vyhledávací index nebo vektor dotazu, který vyhledává zdrojový materiál napříč dokumentovanou sadou jazyků. Tato konkrétní edice LFM2.5 Embedding zůstává oddělená od příbuzného ColBERT, starších vyhledávacích modelů LFM2 a externě kvantovaných implementací. Text vybrané pasáže je podkladem, který používá čtenář nebo pozdější fáze vytváření odpovědi pomocí RAG.",
    "alias_of": null,
    "aliases": [],
    "author": "LiquidAI",
    "available": null,
    "canonical_model": "liquid/lfm-2.5-embedding-350m:free",
    "capabilities": {
      "context_length": 512,
      "manufacturer_input": [
        "text"
      ],
      "manufacturer_output": [
        "embeddings"
      ]
    },
    "card_routes": [
      {
        "label": "Ultra",
        "rates": [
          {
            "amount": "0",
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "input_price",
            "label": "Input tokens",
            "native_amount_usd_per_unit": "0",
            "native_quantity": 1,
            "native_unit": "input_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "input_token"
          },
          {
            "amount": "0",
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "output_price",
            "label": "Output tokens",
            "native_amount_usd_per_unit": "0",
            "native_quantity": 1,
            "native_unit": "output_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "out",
            "unit": "output_token"
          }
        ],
        "summary": "Kompletní ceník konfigurace v podrobnostech."
      }
    ],
    "ctx": 512,
    "entity_type": "model",
    "formats": [
      "embeddings"
    ],
    "id": "liquid/lfm-2.5-embedding-350m:free",
    "input": [
      "text",
      "token_ids"
    ],
    "kind": "embedding",
    "max_out": null,
    "methods": [
      {
        "available": null,
        "cache_read": null,
        "cache_write": null,
        "cache_write_1h": null,
        "contract": {
          "data": {
            "all_results": "Keep every vector with its index. Vector count must equal input count; dimensions must be consistent.",
            "errors": [
              {
                "code": null,
                "condition": "Neplatná povinná pole, reprezentace podkladů nebo hodnota parametru",
                "http_status": 400,
                "recovery": "Před novým požadavkem na vytvoření opravte uvedená pole.",
                "type": "invalid_request_error"
              }
            ],
            "hints": [],
            "ignored_fields": [],
            "lifecycle": {
              "create": {
                "http": "POST",
                "path": "/v1/embeddings"
              },
              "job_read": null,
              "mode": "synchronous_json",
              "unknown": "Samostatný endpoint úloh pro embeddingy se nezavádí."
            },
            "material_combinations": [
              {
                "alternatives": [
                  "string",
                  "string[]",
                  "nonnegative_integer_token_array",
                  "nonnegative_integer_token_array[]"
                ],
                "mode": "text_to_embedding"
              }
            ],
            "operation_modes": [
              "single_embedding",
              "batched_embeddings"
            ],
            "outputs": {
              "all_results": "Uchovejte každý vektor spolu s jeho indexem. Počet vektorů musí odpovídat počtu vstupů; jejich rozměr musí být jednotný.",
              "default_dimensions": 1024,
              "family": "embedding",
              "fields": [
                {
                  "description": null,
                  "name": "object",
                  "type": "string"
                },
                {
                  "description": null,
                  "name": "model",
                  "type": "string"
                },
                {
                  "description": null,
                  "name": "data[].index",
                  "type": "integer"
                },
                {
                  "description": null,
                  "name": "data[].embedding",
                  "type": "finite float[]"
                },
                {
                  "description": null,
                  "name": "usage",
                  "type": "object"
                }
              ],
              "format": "json"
            },
            "parameters": [
              {
                "availability": "source_interface",
                "default": null,
                "default_known": false,
                "enum": [
                  "liquid/lfm-2.5-embedding-350m:free"
                ],
                "enum_known": true,
                "name": "model",
                "required": true,
                "type": "string"
              },
              {
                "availability": "source_interface",
                "budget": {
                  "maximum": 512,
                  "text_unit": "bajty UTF8",
                  "token_unit": "prvky pole tokenů"
                },
                "conditions": "Neprázdná homogenní dávka. ID tokenů jsou nezáporná celá čísla.",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "min_items": 1,
                "name": "input",
                "required": true,
                "type": "string|string[]|integer[]|integer[][]"
              },
              {
                "availability": "source_interface",
                "default": "float",
                "default_known": true,
                "enum": [
                  "float"
                ],
                "enum_known": true,
                "name": "encoding_format",
                "required": false,
                "type": "string"
              },
              {
                "availability": "unsupported",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "minimum": 1,
                "name": "dimensions",
                "required": false,
                "type": "integer"
              },
              {
                "availability": "pass_through_metadata",
                "conditions": "Zdroj povoluje toto pole metadat JSON; jeho přesný význam u poskytovatele závisí na konkrétním modelu.",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "name": "user",
                "required": false,
                "type": "json_value"
              },
              {
                "availability": "pass_through_metadata",
                "conditions": "Zdroj povoluje toto pole metadat JSON; jeho přesný význam u poskytovatele závisí na konkrétním modelu.",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "name": "session_id",
                "required": false,
                "type": "json_value"
              },
              {
                "availability": "pass_through_metadata",
                "conditions": "Zdroj povoluje toto pole metadat JSON; jeho přesný význam u poskytovatele závisí na konkrétním modelu.",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "name": "trace",
                "required": false,
                "type": "json_value"
              },
              {
                "availability": "source_interface",
                "conditions": "Parametr provider.options byl odmítnut",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "name": "provider",
                "required": false,
                "type": "object"
              }
            ],
            "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.",
            "unsupported": [
              "mixed input kinds",
              "empty input",
              "image/audio/file objects",
              "encoding_format=base64",
              "dimensions override"
            ]
          },
          "hints": [
            "Uchovejte index i rozměr každého vektoru.",
            "Multimodální název modelu neznamená, že tato konkrétní cesta přijímá obrazové objekty."
          ],
          "input": {
            "content_type": "application/json",
            "dimensions_override": false,
            "encoding_format": [
              "float"
            ],
            "input_shapes": [
              "string",
              "string[]",
              "nonnegative_integer_token_array",
              "nonnegative_integer_token_array[]"
            ],
            "material_types": [
              "text",
              "token_ids"
            ],
            "max_input_budget_units": 512,
            "multimodal_objects": false,
            "required": [
              "model",
              "input"
            ]
          },
          "lifecycle": {
            "mode": "synchronous_json",
            "unknown": "no embedding job endpoint inferred"
          },
          "manufacturer_capability": null,
          "method": {
            "http": "POST",
            "path": "/v1/embeddings"
          },
          "method_aliases": [],
          "operation_modes": [
            "text_to_embedding"
          ],
          "output": {
            "default_dimensions": 1024,
            "family": "embedding",
            "format": "json",
            "http_success": 200,
            "vectors": "one dense float vector per input; indices/model/usage validated"
          }
        },
        "ctx": 512,
        "declared_pricing_profiles": [
          {
            "dimensions": {
              "regime": "base"
            },
            "label": "Základní sazby za tokeny",
            "units": [
              {
                "amount": "0",
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "input_price",
                "label": "Input tokens",
                "native_amount_usd_per_unit": "0",
                "native_quantity": 1,
                "native_unit": "input_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "input_token"
              },
              {
                "amount": "0",
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "output_price",
                "label": "Output tokens",
                "native_amount_usd_per_unit": "0",
                "native_quantity": 1,
                "native_unit": "output_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "out",
                "unit": "output_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_read_price",
                "label": "Cache read",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "cached_input_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "cached_input_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_write_price",
                "label": "Cache write",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "generic_cache_creation_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "generic_cache_creation_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_write_1h_price",
                "label": "Cache write, 1 hour",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "one_hour_cache_creation_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "one_hour_cache_creation_token"
              }
            ]
          }
        ],
        "examples": [
          {
            "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"liquid/lfm-2.5-embedding-350m:free\", \"input\": [\"First document\", \"Second document\"]}')\n\nPath(\"request.json\").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n  -H \"Authorization: Bearer $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n  --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path(\"result.json\").read_text())\nfor x in r.get(\"data\",[]): print(json.dumps({\"index\":x.get(\"index\"),\"embedding\":x.get(\"embedding\")}))\nPY_RESULT\n",
            "label": "curl · retained exact creation",
            "language": "bash"
          },
          {
            "code": "from openai import OpenAI\nimport os\n\nclient=OpenAI(base_url=\"https://api.ailoot.ai/v1\",api_key=os.environ[\"AILOOT_API_KEY\"],max_retries=0)\nresult=client.embeddings.create(model='liquid/lfm-2.5-embedding-350m:free',input=[\"First document\",\"Second document\"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\n",
            "label": "Python SDK · all vectors",
            "language": "python"
          }
        ],
        "family": "openai",
        "fast_multiplier": 1,
        "flex_multiplier": 1,
        "fmt": "embeddings",
        "hints": [
          "Keep every vector index and dimension.",
          "Multimodal model name does not admit image objects on this exact path."
        ],
        "http": "POST",
        "in": 0,
        "input": [
          "text",
          "token_ids"
        ],
        "label": "Эмбеддинги",
        "max_out": null,
        "max_reasoning_effort_multiplier": 1,
        "method_aliases": [],
        "out": 0,
        "output": [
          "embedding"
        ],
        "path": "/v1/embeddings",
        "price_conditions": [
          {
            "label": "Rychlý režim",
            "value": "Standardní sazba",
            "when": "Při výběru rychlého režimu"
          },
          {
            "label": "Režim flex",
            "value": "Standardní sazba",
            "when": "Při výběru režimu flex"
          },
          {
            "label": "Maximální intenzita uvažování",
            "value": "Standardní sazba",
            "when": "Když se při maximální intenzitě uvažování použije výchozí úprava (default)"
          }
        ],
        "pricing": {
          "billing_mode": "token",
          "image_input_price": null,
          "image_output_price": null,
          "per_request_price": null
        },
        "pricing_profiles": [
          {
            "dimensions": {
              "regime": "base"
            },
            "label": "Base token rates",
            "units": [
              {
                "amount": "0",
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "input_price",
                "label": "Input tokens",
                "native_amount_usd_per_unit": "0",
                "native_quantity": 1,
                "native_unit": "input_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "input_token"
              },
              {
                "amount": "0",
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "output_price",
                "label": "Output tokens",
                "native_amount_usd_per_unit": "0",
                "native_quantity": 1,
                "native_unit": "output_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "out",
                "unit": "output_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_read_price",
                "label": "Cache read",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "cached_input_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "cached_input_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_write_price",
                "label": "Cache write",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "generic_cache_creation_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "generic_cache_creation_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_write_1h_price",
                "label": "Cache write, 1 hour",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "one_hour_cache_creation_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "one_hour_cache_creation_token"
              }
            ]
          }
        ],
        "request_model_id": "liquid/lfm-2.5-embedding-350m:free",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "units": [
          {
            "amount": "0",
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "input_price",
            "label": "Input tokens",
            "native_amount_usd_per_unit": "0",
            "native_quantity": 1,
            "native_unit": "input_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "input_token"
          },
          {
            "amount": "0",
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "output_price",
            "label": "Output tokens",
            "native_amount_usd_per_unit": "0",
            "native_quantity": 1,
            "native_unit": "output_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "out",
            "unit": "output_token"
          },
          {
            "amount": null,
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "cache_read_price",
            "label": "Cache read",
            "native_amount_usd_per_unit": null,
            "native_quantity": 1,
            "native_unit": "cached_input_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "cached_input_token"
          },
          {
            "amount": null,
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "cache_write_price",
            "label": "Cache write",
            "native_amount_usd_per_unit": null,
            "native_quantity": 1,
            "native_unit": "generic_cache_creation_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "generic_cache_creation_token"
          },
          {
            "amount": null,
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "cache_write_1h_price",
            "label": "Cache write, 1 hour",
            "native_amount_usd_per_unit": null,
            "native_quantity": 1,
            "native_unit": "one_hour_cache_creation_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "one_hour_cache_creation_token"
          }
        ]
      }
    ],
    "model_aliases": [
      {
        "canonical_model_id": "liquid/lfm-2.5-embedding-350m:free",
        "request_model_id": "liquid/lfm-2.5-embedding-350m:free",
        "route_label": "Ultra"
      }
    ],
    "name": "LiquidAI: LFM2.5-Embedding-350M (free)",
    "price": {
      "in": 0,
      "in_label": null,
      "out": 0,
      "out_label": null,
      "scope_label": "Token rates",
      "sort_in": 0,
      "sort_out": 0,
      "varies": false
    },
    "pricing_profiles": [
      {
        "dimensions": {
          "regime": "base"
        },
        "label": "Эмбеддинги · Base token rates",
        "units": [
          {
            "amount": "0",
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "input_price",
            "label": "Input tokens",
            "native_amount_usd_per_unit": "0",
            "native_quantity": 1,
            "native_unit": "input_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "input_token"
          },
          {
            "amount": "0",
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "output_price",
            "label": "Output tokens",
            "native_amount_usd_per_unit": "0",
            "native_quantity": 1,
            "native_unit": "output_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "out",
            "unit": "output_token"
          },
          {
            "amount": null,
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "cache_read_price",
            "label": "Cache read",
            "native_amount_usd_per_unit": null,
            "native_quantity": 1,
            "native_unit": "cached_input_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "cached_input_token"
          },
          {
            "amount": null,
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "cache_write_price",
            "label": "Cache write",
            "native_amount_usd_per_unit": null,
            "native_quantity": 1,
            "native_unit": "generic_cache_creation_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "generic_cache_creation_token"
          },
          {
            "amount": null,
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "cache_write_1h_price",
            "label": "Cache write, 1 hour",
            "native_amount_usd_per_unit": null,
            "native_quantity": 1,
            "native_unit": "one_hour_cache_creation_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "one_hour_cache_creation_token"
          }
        ]
      }
    ],
    "public_id": "liquid/lfm-2.5-embedding-350m:free",
    "short": "LiquidAI LFM2.5-Embedding-350M vytváří pro každý text jeden vektor s 1024 rozměry pro vícejazyčné a mezijazykové vyhledávání. Cílí na 11 jazyků a krátké vstupy o 512 tokenech s odlišnými předponami pro dotaz a dokument."
  },
  "renderer_schema": {
    "method_order": "Original DTO methods order; every exact route/format/path/caller survives.",
    "prices": "Original public DTO fields and original native display HTML; no flattened or normalized offers."
  },
  "representation": "exact-public-dto-and-native-renderer-html",
  "representationNotes": {
    "current_reference": {
      "about_json_pointer": "/aboutHtml",
      "methods": [
        {
          "contract_json_pointer": "/methods/0/rawMethod/contract",
          "html_json_pointer": "/methods/0/html",
          "method_ordinal": 0
        }
      ],
      "role": "current-semantic-reference"
    },
    "raw_input": {
      "examples_role": "historical-input-not-current-ready-examples",
      "json_pointers": [
        "/rawModel",
        "/methods/0/rawMethod"
      ],
      "role": "historical-owner-input"
    },
    "schema": "ailoot-native-model-representations-v1"
  },
  "schema": "ailoot-static-model-facts-v1",
  "schema_version": 1,
  "shortText": "LiquidAI LFM2.5-Embedding-350M vytváří pro každý text jeden vektor s 1024 rozměry pro vícejazyčné a mezijazykové vyhledávání. Cílí na 11 jazyků a krátké vstupy o 512 tokenech s odlišnými předponami pro dotaz a dokument.",
  "source": {
    "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1",
    "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036",
    "raw_model_json_sha256": "cfe281b3fb4828700f9d03db540135704afb1155b7d6c5cacc5adbf663f2e6e2",
    "renderer_sha256": "41721c81890b87836cd3fd41ef732d3276f5969e30822ba09962305294953718"
  },
  "sourceRevision": "5eb416b30b24509513ef220f11a1a84ad407af2fcf7547e4cc51d283af6ecc29"
}