E5-Base-v2 er intfloats engelsksprogede embeddingmodel med tolv lag og en 768-dimensional repræsentation. Den omdanner forberedt tekst til én numerisk vektor til genfinding, semantisk sammenligning eller brug som features i en anden opgave. Base v2-checkpointet adskiller sig fra Large v2-udgaven med fireogtyve lag og 1024 dimensioner og fra de særskilt trænede flersprogede E5-modeller.
E5 forventer en rolle i begyndelsen af inputtet. Ved passagegenfinding begynder et spørgsmål med »query:«, og dets mulige kilde med et svar begynder med »passage:«. Producenten anbefaler »query:« på begge sider til symmetriske opgaver såsom semantisk lighed og parafrasegenfinding. Den anbefaler også præfikset, når vektorerne skal være features til klyngedannelse eller klassifikation.
En samling af feedback kan eksempelvis indeholde flere forskelligt formulerede anmodninger om samme forbedring. Kod disse poster med den anbefalede symmetriske forberedelse, og sammenlign derefter de resulterende vektorer eller dan klynger ud fra dem. Gem den oprindelige ordlyd og postidentifikatoren sammen med hver repræsentation, så en klynge kan undersøges som faktiske kundebeskeder frem for en uforklaret gruppe tal.
Ved en søgesamling skal spørgsmål og kildepassager forberedes med deres respektive roller. En nyttig forespørgsel er »query: Which setting changes the notification frequency?«. Korpuspassagen bevarer forklaringen og dens relevante betingelser. Præfikset er en del af modellens indlærte forberedelse; producenten bemærker, at udeladelse reducerer ydeevnen.
Det officielle eksempel beregner et gennemsnit af tokenrepræsentationerne under hensyntagen til attention-masken, udelader padding og normaliserer derefter den resulterende vektor. Et prikprodukt mellem normaliserede embeddings giver cosinuslighed. De 768 outputværdier beskriver én tekst; de er ikke et svar, en klasseetiket eller en parvis rerankerscore.
I en arbejdsgang til klyngedannelse danner et andet trin grupper ud fra disse vektorer. I en klassifikationsarbejdsgang bruger et andet trin dem som inputfeatures. Når denne forskel bevares, bliver resultatet lettere at fortolke: Embeddingvektoren repræsenterer posten, mens den efterfølgende opgave bestemmer en gruppe eller etiket. Brug én model og én forberedelseskonvention konsekvent til de repræsentationer, der sammenlignes.
Modelkortet siger, at denne udgave kun fungerer på engelsk og afkorter lang tekst til højst 512 tokens. Forbered sammenhængende passager inden for dette omfang inklusive det krævede rollepræfiks. En lang anmeldelse, rapport eller manual bør opdeles efter meningsfulde afsnit frem for at blive embeddet som et for stort input, hvis afslutning går tabt.
Hold en overskrift sammen med de sætninger, den introducerer, og bevar den betingelse eller undtagelse, som ændrer en regels betydning. Ved korte poster såsom feedback skal hele beskeden bevares, når den kan være der. En kildeidentifikator og version ved siden af vektoren lader en senere opdatering af samlingen erstatte den korrekte post.
Producenten forklarer, at den relative rækkefølge af cosinusscorer er vigtigere end en absolut værdi. En filtreringstærskel bør vurderes på samlingens egne eksempler, og vektorlighed er ikke en kalibreret sandsynlighed for en matchende etiket eller et korrekt svar. Undersøg nærliggende poster og kendte fejlmatch, når du afgør, hvordan vektorerne skal bruges.
Den nyttige leverance er et engelsksproget søgeindeks, et semantisk sammenligningssæt eller numeriske tekstfeatures parret med deres kildeposter. Denne Base v2-profil leverer sine egne dimensioner, sin pooling og sin rolleforberedelse; en anden E5-udgaves vektorform eller sprogdækning fastslår ikke en udskiftelig repræsentation.
", "aboutText": "E5-Base-v2 er intfloats engelsksprogede embeddingmodel med tolv lag og en 768-dimensional repræsentation. Den omdanner forberedt tekst til én numerisk vektor til genfinding, semantisk sammenligning eller brug som features i en anden opgave. Base v2-checkpointet adskiller sig fra Large v2-udgaven med fireogtyve lag og 1024 dimensioner og fra de særskilt trænede flersprogede E5-modeller.\n\n### Brug de indlærte rollepræfikser\n\nE5 forventer en rolle i begyndelsen af inputtet. Ved passagegenfinding begynder et spørgsmål med »query:«, og dets mulige kilde med et svar begynder med »passage:«. Producenten anbefaler »query:« på begge sider til symmetriske opgaver såsom semantisk lighed og parafrasegenfinding. Den anbefaler også præfikset, når vektorerne skal være features til klyngedannelse eller klassifikation.\n\nEn samling af feedback kan eksempelvis indeholde flere forskelligt formulerede anmodninger om samme forbedring. Kod disse poster med den anbefalede symmetriske forberedelse, og sammenlign derefter de resulterende vektorer eller dan klynger ud fra dem. Gem den oprindelige ordlyd og postidentifikatoren sammen med hver repræsentation, så en klynge kan undersøges som faktiske kundebeskeder frem for en uforklaret gruppe tal.\n\nVed en søgesamling skal spørgsmål og kildepassager forberedes med deres respektive roller. En nyttig forespørgsel er »query: Which setting changes the notification frequency?«. Korpuspassagen bevarer forklaringen og dens relevante betingelser. Præfikset er en del af modellens indlærte forberedelse; producenten bemærker, at udeladelse reducerer ydeevnen.\n\n### Pool og sammenlign repræsentationen\n\nDet officielle eksempel beregner et gennemsnit af tokenrepræsentationerne under hensyntagen til attention-masken, udelader padding og normaliserer derefter den resulterende vektor. Et prikprodukt mellem normaliserede embeddings giver cosinuslighed. De 768 outputværdier beskriver én tekst; de er ikke et svar, en klasseetiket eller en parvis rerankerscore.\n\nI en arbejdsgang til klyngedannelse danner et andet trin grupper ud fra disse vektorer. I en klassifikationsarbejdsgang bruger et andet trin dem som inputfeatures. Når denne forskel bevares, bliver resultatet lettere at fortolke: Embeddingvektoren repræsenterer posten, mens den efterfølgende opgave bestemmer en gruppe eller etiket. Brug én model og én forberedelseskonvention konsekvent til de repræsentationer, der sammenlignes.\n\n### Arbejd på engelsk og inden for 512 tokens\n\nModelkortet siger, at denne udgave kun fungerer på engelsk og afkorter lang tekst til højst 512 tokens. Forbered sammenhængende passager inden for dette omfang inklusive det krævede rollepræfiks. En lang anmeldelse, rapport eller manual bør opdeles efter meningsfulde afsnit frem for at blive embeddet som et for stort input, hvis afslutning går tabt.\n\nHold en overskrift sammen med de sætninger, den introducerer, og bevar den betingelse eller undtagelse, som ændrer en regels betydning. Ved korte poster såsom feedback skal hele beskeden bevares, når den kan være der. En kildeidentifikator og version ved siden af vektoren lader en senere opdatering af samlingen erstatte den korrekte post.\n\n### Fortolk lighed i forhold til opgaven\n\nProducenten forklarer, at den relative rækkefølge af cosinusscorer er vigtigere end en absolut værdi. En filtreringstærskel bør vurderes på samlingens egne eksempler, og vektorlighed er ikke en kalibreret sandsynlighed for en matchende etiket eller et korrekt svar. Undersøg nærliggende poster og kendte fejlmatch, når du afgør, hvordan vektorerne skal bruges.\n\nDen nyttige leverance er et engelsksproget søgeindeks, et semantisk sammenligningssæt eller numeriske tekstfeatures parret med deres kildeposter. Denne Base v2-profil leverer sine egne dimensioner, sin pooling og sin rolleforberedelse; en anden E5-udgaves vektorform eller sprogdækning fastslår ikke en udskiftelig repræsentation.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "e79ce8adfb7ea92dae688b05c6bd49f11d1dece68dc3f725fa677831273f0932", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "intfloat/e5-base-v2intfloat E5-Base-v2 omsætter engelsk tekst til embeddings med 768 dimensioner ved hjælp af en encoder med 12 lag. Forespørgsels- og passagepræfikser samt et vindue på 512 tokens bestemmer forberedelsen til søgning, parafrasesammenligning, klyngedannelse og tekstegenskaber.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
E5-Base-v2 er intfloats engelsksprogede embeddingmodel med tolv lag og en 768-dimensional repræsentation. Den omdanner forberedt tekst til én numerisk vektor til genfinding, semantisk sammenligning eller brug som features i en anden opgave. Base v2-checkpointet adskiller sig fra Large v2-udgaven med fireogtyve lag og 1024 dimensioner og fra de særskilt trænede flersprogede E5-modeller.
E5 forventer en rolle i begyndelsen af inputtet. Ved passagegenfinding begynder et spørgsmål med »query:«, og dets mulige kilde med et svar begynder med »passage:«. Producenten anbefaler »query:« på begge sider til symmetriske opgaver såsom semantisk lighed og parafrasegenfinding. Den anbefaler også præfikset, når vektorerne skal være features til klyngedannelse eller klassifikation.
En samling af feedback kan eksempelvis indeholde flere forskelligt formulerede anmodninger om samme forbedring. Kod disse poster med den anbefalede symmetriske forberedelse, og sammenlign derefter de resulterende vektorer eller dan klynger ud fra dem. Gem den oprindelige ordlyd og postidentifikatoren sammen med hver repræsentation, så en klynge kan undersøges som faktiske kundebeskeder frem for en uforklaret gruppe tal.
Ved en søgesamling skal spørgsmål og kildepassager forberedes med deres respektive roller. En nyttig forespørgsel er »query: Which setting changes the notification frequency?«. Korpuspassagen bevarer forklaringen og dens relevante betingelser. Præfikset er en del af modellens indlærte forberedelse; producenten bemærker, at udeladelse reducerer ydeevnen.
Det officielle eksempel beregner et gennemsnit af tokenrepræsentationerne under hensyntagen til attention-masken, udelader padding og normaliserer derefter den resulterende vektor. Et prikprodukt mellem normaliserede embeddings giver cosinuslighed. De 768 outputværdier beskriver én tekst; de er ikke et svar, en klasseetiket eller en parvis rerankerscore.
I en arbejdsgang til klyngedannelse danner et andet trin grupper ud fra disse vektorer. I en klassifikationsarbejdsgang bruger et andet trin dem som inputfeatures. Når denne forskel bevares, bliver resultatet lettere at fortolke: Embeddingvektoren repræsenterer posten, mens den efterfølgende opgave bestemmer en gruppe eller etiket. Brug én model og én forberedelseskonvention konsekvent til de repræsentationer, der sammenlignes.
Modelkortet siger, at denne udgave kun fungerer på engelsk og afkorter lang tekst til højst 512 tokens. Forbered sammenhængende passager inden for dette omfang inklusive det krævede rollepræfiks. En lang anmeldelse, rapport eller manual bør opdeles efter meningsfulde afsnit frem for at blive embeddet som et for stort input, hvis afslutning går tabt.
Hold en overskrift sammen med de sætninger, den introducerer, og bevar den betingelse eller undtagelse, som ændrer en regels betydning. Ved korte poster såsom feedback skal hele beskeden bevares, når den kan være der. En kildeidentifikator og version ved siden af vektoren lader en senere opdatering af samlingen erstatte den korrekte post.
Producenten forklarer, at den relative rækkefølge af cosinusscorer er vigtigere end en absolut værdi. En filtreringstærskel bør vurderes på samlingens egne eksempler, og vektorlighed er ikke en kalibreret sandsynlighed for en matchende etiket eller et korrekt svar. Undersøg nærliggende poster og kendte fejlmatch, når du afgør, hvordan vektorerne skal bruges.
Den nyttige leverance er et engelsksproget søgeindeks, et semantisk sammenligningssæt eller numeriske tekstfeatures parret med deres kildeposter. Denne Base v2-profil leverer sine egne dimensioner, sin pooling og sin rolleforberedelse; en anden E5-udgaves vektorform eller sprogdækning fastslår ikke en udskiftelig repræsentation.
POST /v1/embeddingstext, token_idsembedding| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser intfloat/e5-base-v2 | Standard— |
Feltinput | Typestring|string[]|integer[]|integer[][] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 Betingelser: Ikke-tom batch med ensartede elementer. Token-ID’er er ikke-negative heltal. Inputbudget: Maksimum: 512 · Tekstenhed: UTF8-bytes · Tokenenhed: elementer i et tokenarray | Standard— |
Feltencoding_format | Typestring | KravValgfrit | Værdier og grænser float | Standardfloat |
Feltdimensions | Typeinteger | KravIkke understøttet | Værdier og grænser Minimum: 1 | Standard— |
Feltuser | Typejson_value | KravValgfrit | Værdier og grænser Betingelser: Kilden tillader dette JSON-metadatafelt; den præcise betydning hos den bagvedliggende udbyder afhænger af modellen. | Standard— |
Feltsession_id | Typejson_value | KravValgfrit | Værdier og grænser Betingelser: Kilden tillader dette JSON-metadatafelt; den præcise betydning hos den bagvedliggende udbyder afhænger af modellen. | Standard— |
Felttrace | Typejson_value | KravValgfrit | Værdier og grænser Betingelser: Kilden tillader dette JSON-metadatafelt; den præcise betydning hos den bagvedliggende udbyder afhænger af modellen. | Standard— |
Feltprovider | Typeobject | KravValgfrit | Værdier og grænser Betingelser: provider.options afvist | Standard— |
text_to_embedding
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, input |
Parameterinput_shapes | Kontraktstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parameterencoding_format | Kontraktfloat |
Parameterdimensions_override | Kontraktfalse |
Parametermax_input_budget_units | Kontrakt512 |
Parametermultimodal_objects | Kontraktfalse |
Parametermaterial_types | Kontrakttext, token_ids |
Livscyklus: synchronous_json
Gem hver vektors indeks og dimension.
Et multimodalt modelnavn giver ikke adgang til at bruge billedobjekter på denne præcise sti.
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.00001 / 1K tokens Output · Outputtokens $0 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "intfloat/e5-base-v2", "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\nfrom 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='intfloat/e5-base-v2',input=["First document","Second document"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\njson
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Gem hver vektor med dens indeks. Antallet af vektorer skal svare til antallet af input; dimensionerne skal være ensartede.
Der indføres intet endpoint til embedding-job.
| Felt | Type |
|---|---|
Feltobject | Typestring |
Feltmodel | Typestring |
Feltdata[].index | Typeinteger |
Feltdata[].embedding | Typefinite float[] |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra intfloat/e5-base-v2
Brug metodestierne vist ovenfor.