E5-Large-v2 er intfloats engelsksprogede tekstembeddingmodel med fireogtyve lag og et 1024-dimensionalt output. Den er designet til at repræsentere forespørgsler og passager numerisk til genfinding og andre embeddingopgaver. E5’s forberedelseskonvention er en del af dens træning: Inputteksten har et rollepræfiks, og de kodede tokenrepræsentationer samles ved pooling til én vektor for teksten.
Ved asymmetrisk genfinding skal spørgsmålet begynde med »query:« og korpusteksten med »passage:«. Roller adskiller det, brugeren leder efter, fra det materiale, der måske kan besvare det. Ved symmetrisk sammenligning, parafrasesøgning, klyngedannelse eller features til klassifikation anbefaler producenten »query:« til de tekster, der skal embeddes.
En praktisk samling kan indeksere engelske supportforklaringer. Forbered et spørgsmål som »query: What should I check before replacing the connector?«, og par det med kildepassager, som beskriver kontrollerne og undtagelserne. Passageteksten bevarer sit tilsvarende præfiks. Gem kildeidentifikatoren og den oprindelige ordlyd ved siden af hver vektor, så resultatet kan returnere det materiale, brugeren skal læse.
Præfikserne er ikke dekorative etiketter, der kan fjernes fra den ene side af opgaven. Producenten oplyser, at udeladelse af dem forringer genfindingen, fordi modellen blev trænet med denne forberedelse. Anvend den valgte rolle konsekvent både ved opbygning af korpusset og ved senere embedding af en forespørgsel.
Det officielle kodningseksempel beregner gennemsnittet af tokenrepræsentationerne, mens paddingpositioner udelukkes med attention-masken. Derefter normaliseres den resulterende vektor. Et prikprodukt mellem normaliserede forespørgsels- og passagevektorer giver cosinuslighed til at ordne kandidaterne. Denne opskrift på gennemsnitspooling tilhører E5-Large-v2; en opskrift med pooling af første token fra en anden familie er et særskilt valg af forberedelse.
De 1024 outputværdier udgør embeddingvektoren, ikke et skriftligt svar eller en direkte kategorietiket. Et søgetrin sammenligner værdierne med kompatible korpusrepræsentationer, og et senere trin bruger den valgte passagetekst. Hvis vektorerne fungerer som features til klyngedannelse eller en klassifikator, skal tilknytningen mellem hver vektor og den inputpost, hvis features den repræsenterer, bevares.
Modelkortet angiver udelukkende engelsksproget tekst og afkortning af lange input til højst 512 tokens. Hold hver dokumentpassage sammenhængende inden for vinduet, inklusive rollepræfikset og nyttig kildekontekst. En lang manual bør forberedes som afsnit, hvis titler, betingelser og instruktioner kan forstås, når de genfindes separat.
En klausul, der beskriver en indstilling, kan eksempelvis have brug for indstillingens definition og en undtagelse i næste sætning. Bevar denne lille enhed samlet frem for at opdele rent efter antal tegn. Gem det overordnede dokument og kildeversionen sammen med passagen, så en opdatering erstatter det korrekte materiale.
Producenten forklarer, at rækkefølgen af cosinusscorer har større betydning end deres absolutte værdier. En score bør ikke fortolkes som en kalibreret sandsynlighed for, at en passage besvarer spørgsmålet. Kontrollér kendte passager, der indeholder svaret, og nærliggende irrelevant materiale, når du vælger, hvor mange resultater der skal bevares, eller hvor et kandidatsæt skal filtreres.
Det nyttige output er en korpus- eller forespørgselsrepræsentation, et semantisk sammenligningssignal eller numeriske features til en anden opgave. Dette præcise engelske Large v2-checkpoint er fortsat adskilt fra E5-Base-v2 og Multilingual-E5-Large. Ens dimensioner alene gør ikke deres vektorer til et dokumenteret fælles embeddingrum.
", "aboutText": "E5-Large-v2 er intfloats engelsksprogede tekstembeddingmodel med fireogtyve lag og et 1024-dimensionalt output. Den er designet til at repræsentere forespørgsler og passager numerisk til genfinding og andre embeddingopgaver. E5’s forberedelseskonvention er en del af dens træning: Inputteksten har et rollepræfiks, og de kodede tokenrepræsentationer samles ved pooling til én vektor for teksten.\n\n### Hold query- og passage-rollerne eksplicitte\n\nVed asymmetrisk genfinding skal spørgsmålet begynde med »query:« og korpusteksten med »passage:«. Roller adskiller det, brugeren leder efter, fra det materiale, der måske kan besvare det. Ved symmetrisk sammenligning, parafrasesøgning, klyngedannelse eller features til klassifikation anbefaler producenten »query:« til de tekster, der skal embeddes.\n\nEn praktisk samling kan indeksere engelske supportforklaringer. Forbered et spørgsmål som »query: What should I check before replacing the connector?«, og par det med kildepassager, som beskriver kontrollerne og undtagelserne. Passageteksten bevarer sit tilsvarende præfiks. Gem kildeidentifikatoren og den oprindelige ordlyd ved siden af hver vektor, så resultatet kan returnere det materiale, brugeren skal læse.\n\nPræfikserne er ikke dekorative etiketter, der kan fjernes fra den ene side af opgaven. Producenten oplyser, at udeladelse af dem forringer genfindingen, fordi modellen blev trænet med denne forberedelse. Anvend den valgte rolle konsekvent både ved opbygning af korpusset og ved senere embedding af en forespørgsel.\n\n### Gennemsnitspooling og normaliserede vektorer\n\nDet officielle kodningseksempel beregner gennemsnittet af tokenrepræsentationerne, mens paddingpositioner udelukkes med attention-masken. Derefter normaliseres den resulterende vektor. Et prikprodukt mellem normaliserede forespørgsels- og passagevektorer giver cosinuslighed til at ordne kandidaterne. Denne opskrift på gennemsnitspooling tilhører E5-Large-v2; en opskrift med pooling af første token fra en anden familie er et særskilt valg af forberedelse.\n\nDe 1024 outputværdier udgør embeddingvektoren, ikke et skriftligt svar eller en direkte kategorietiket. Et søgetrin sammenligner værdierne med kompatible korpusrepræsentationer, og et senere trin bruger den valgte passagetekst. Hvis vektorerne fungerer som features til klyngedannelse eller en klassifikator, skal tilknytningen mellem hver vektor og den inputpost, hvis features den repræsenterer, bevares.\n\n### Engelsk tekst inden for vinduet\n\nModelkortet angiver udelukkende engelsksproget tekst og afkortning af lange input til højst 512 tokens. Hold hver dokumentpassage sammenhængende inden for vinduet, inklusive rollepræfikset og nyttig kildekontekst. En lang manual bør forberedes som afsnit, hvis titler, betingelser og instruktioner kan forstås, når de genfindes separat.\n\nEn klausul, der beskriver en indstilling, kan eksempelvis have brug for indstillingens definition og en undtagelse i næste sætning. Bevar denne lille enhed samlet frem for at opdele rent efter antal tegn. Gem det overordnede dokument og kildeversionen sammen med passagen, så en opdatering erstatter det korrekte materiale.\n\n### Læs rangeringen som evidens til genfinding\n\nProducenten forklarer, at rækkefølgen af cosinusscorer har større betydning end deres absolutte værdier. En score bør ikke fortolkes som en kalibreret sandsynlighed for, at en passage besvarer spørgsmålet. Kontrollér kendte passager, der indeholder svaret, og nærliggende irrelevant materiale, når du vælger, hvor mange resultater der skal bevares, eller hvor et kandidatsæt skal filtreres.\n\nDet nyttige output er en korpus- eller forespørgselsrepræsentation, et semantisk sammenligningssignal eller numeriske features til en anden opgave. Dette præcise engelske Large v2-checkpoint er fortsat adskilt fra E5-Base-v2 og Multilingual-E5-Large. Ens dimensioner alene gør ikke deres vektorer til et dokumenteret fælles embeddingrum.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "8b3c0d81a5896fdf0a0693c887205393ecd969d41de9b41061108d8dd872baf6", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "intfloat/e5-large-v2intfloat E5-Large-v2 koder engelske forespørgsler og passager som 1024-dimensionale vektorer. Dens model på 24 lag bruger query/passage-roller, gennemsnitspooling og en inputgrænse på 512 tokens til søgning, semantisk lighed og numeriske tekstfeatures.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
E5-Large-v2 er intfloats engelsksprogede tekstembeddingmodel med fireogtyve lag og et 1024-dimensionalt output. Den er designet til at repræsentere forespørgsler og passager numerisk til genfinding og andre embeddingopgaver. E5’s forberedelseskonvention er en del af dens træning: Inputteksten har et rollepræfiks, og de kodede tokenrepræsentationer samles ved pooling til én vektor for teksten.
Ved asymmetrisk genfinding skal spørgsmålet begynde med »query:« og korpusteksten med »passage:«. Roller adskiller det, brugeren leder efter, fra det materiale, der måske kan besvare det. Ved symmetrisk sammenligning, parafrasesøgning, klyngedannelse eller features til klassifikation anbefaler producenten »query:« til de tekster, der skal embeddes.
En praktisk samling kan indeksere engelske supportforklaringer. Forbered et spørgsmål som »query: What should I check before replacing the connector?«, og par det med kildepassager, som beskriver kontrollerne og undtagelserne. Passageteksten bevarer sit tilsvarende præfiks. Gem kildeidentifikatoren og den oprindelige ordlyd ved siden af hver vektor, så resultatet kan returnere det materiale, brugeren skal læse.
Præfikserne er ikke dekorative etiketter, der kan fjernes fra den ene side af opgaven. Producenten oplyser, at udeladelse af dem forringer genfindingen, fordi modellen blev trænet med denne forberedelse. Anvend den valgte rolle konsekvent både ved opbygning af korpusset og ved senere embedding af en forespørgsel.
Det officielle kodningseksempel beregner gennemsnittet af tokenrepræsentationerne, mens paddingpositioner udelukkes med attention-masken. Derefter normaliseres den resulterende vektor. Et prikprodukt mellem normaliserede forespørgsels- og passagevektorer giver cosinuslighed til at ordne kandidaterne. Denne opskrift på gennemsnitspooling tilhører E5-Large-v2; en opskrift med pooling af første token fra en anden familie er et særskilt valg af forberedelse.
De 1024 outputværdier udgør embeddingvektoren, ikke et skriftligt svar eller en direkte kategorietiket. Et søgetrin sammenligner værdierne med kompatible korpusrepræsentationer, og et senere trin bruger den valgte passagetekst. Hvis vektorerne fungerer som features til klyngedannelse eller en klassifikator, skal tilknytningen mellem hver vektor og den inputpost, hvis features den repræsenterer, bevares.
Modelkortet angiver udelukkende engelsksproget tekst og afkortning af lange input til højst 512 tokens. Hold hver dokumentpassage sammenhængende inden for vinduet, inklusive rollepræfikset og nyttig kildekontekst. En lang manual bør forberedes som afsnit, hvis titler, betingelser og instruktioner kan forstås, når de genfindes separat.
En klausul, der beskriver en indstilling, kan eksempelvis have brug for indstillingens definition og en undtagelse i næste sætning. Bevar denne lille enhed samlet frem for at opdele rent efter antal tegn. Gem det overordnede dokument og kildeversionen sammen med passagen, så en opdatering erstatter det korrekte materiale.
Producenten forklarer, at rækkefølgen af cosinusscorer har større betydning end deres absolutte værdier. En score bør ikke fortolkes som en kalibreret sandsynlighed for, at en passage besvarer spørgsmålet. Kontrollér kendte passager, der indeholder svaret, og nærliggende irrelevant materiale, når du vælger, hvor mange resultater der skal bevares, eller hvor et kandidatsæt skal filtreres.
Det nyttige output er en korpus- eller forespørgselsrepræsentation, et semantisk sammenligningssignal eller numeriske features til en anden opgave. Dette præcise engelske Large v2-checkpoint er fortsat adskilt fra E5-Base-v2 og Multilingual-E5-Large. Ens dimensioner alene gør ikke deres vektorer til et dokumenteret fælles embeddingrum.
POST /v1/embeddingstext, token_idsembedding| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser intfloat/e5-large-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 $0.00002 / 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-large-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-large-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-large-v2
Brug metodestierne vist ovenfor.