GTE-base er General Text Embeddings-modellen i basisstørrelse trænet af Alibaba DAMO Academy. Denne engelske tekstencoder er hovedsageligt baseret på BERT-rammeværket og producerer tætte vektorer med 768 dimensioner. Træningen bruger et stort korpus af relevanspar på tværs af domæner med informationsgenfinding, semantisk tekstlighed og embeddingbaseret tekstreranking blandt de angivne anvendelser.
Brug læsbar engelsk tekst til både informationsbehovet og det materiale, der skal søges i. En forespørgsel om udskiftning af en slidt komponent kan eksempelvis sammenlignes med korte vedligeholdelsesafsnit, der beskriver udskiftningskriterier, inspektionstrin og bestillingsinstruktioner. Bevar komponentnavnet og de betingelser, der adskiller afsnittene.
Det offentliggjorte eksempel koder spørgsmål og kandidattekst direkte uden en tilføjet opgaveinstruktion. Hold denne forberedelse ens på tværs af samlingen og senere forespørgsler. Gem den oprindelige passage og dens identifikator sammen med vektoren, så et rangeret resultat kan vise den information, der blev repræsenteret.
Referenceopskriften beregner gennemsnittet af modellens tokenrepræsentationer med attention-masken, så paddingpositioner ikke bidrager til resultatet. Derefter viser den valgfri L2-normalisering og sammenligner de normaliserede vektorer gennem deres prikprodukt. Et separat eksempel bruger cosinuslighed.
Vælg og bevar en ensartet opsætning for normalisering og sammenligning til indeksering og genfinding. Outputtet indeholder 768 numeriske komponenter; det indeholder ikke et genereret svar. Ved et trin til kandidatreranking skal kandidatpassagerne kodes med samme model og ordnes efter deres lighed med forespørgslen. Det er fortsat embeddingbaseret sammenligning frem for en påstand om, at modellen læser hvert forespørgsels–passage-par samlet som en cross-encoder.
Det præcise modelkort begrænser modellen til engelsk tekst og oplyser, at lange input afkortes til højst 512 tokens. En lang manual bør derfor opdeles i meningsfulde afsnit før indeksering. Hold en advarsel, undtagelse eller et forbehold sammen med den regel, det ændrer, når disse detaljer kræves for at fortolke passagen.
Ved en forespørgsel om vedligeholdelsesintervaller er et afsnit med intervallet og driftsbetingelsen mere nyttigt end et fragment med kun et tal. Bevar overskriften eller udstyrsidentiteten, når den gør instruktionen entydig. Kontrollér tokenizerlængden frem for at stole på det synlige antal ord.
Genfinding returnerer kandidater fra den indekserede samling. Undersøg de øverst rangerede passager i forhold til den præcise opgave, og bevar kildeplaceringerne, når de sendes videre til et RAG-svarskrivningstrin. En relateret passage kan beskrive inspektion uden at tillade udskiftning; den forskel skal forblive synlig i kildematerialet.
GTE-base adskiller sig fra GTE-large, som producerer 1024-dimensionale vektorer, og fra senere flersprogede GTE-udgaver eller udgaver med udvidet kontekst. Dens offentliggjorte modelidentitet definerer det engelske omfang, repræsentationen på 768 komponenter og grænsen på 512 tokens. Brug denne præcise profil med repræsentative forespørgsler og kildeposter, når en genfindingssamling vurderes.
", "aboutText": "GTE-base er General Text Embeddings-modellen i basisstørrelse trænet af Alibaba DAMO Academy. Denne engelske tekstencoder er hovedsageligt baseret på BERT-rammeværket og producerer tætte vektorer med 768 dimensioner. Træningen bruger et stort korpus af relevanspar på tværs af domæner med informationsgenfinding, semantisk tekstlighed og embeddingbaseret tekstreranking blandt de angivne anvendelser.\n\n### Forbered engelske forespørgsler og passager\n\nBrug læsbar engelsk tekst til både informationsbehovet og det materiale, der skal søges i. En forespørgsel om udskiftning af en slidt komponent kan eksempelvis sammenlignes med korte vedligeholdelsesafsnit, der beskriver udskiftningskriterier, inspektionstrin og bestillingsinstruktioner. Bevar komponentnavnet og de betingelser, der adskiller afsnittene.\n\nDet offentliggjorte eksempel koder spørgsmål og kandidattekst direkte uden en tilføjet opgaveinstruktion. Hold denne forberedelse ens på tværs af samlingen og senere forespørgsler. Gem den oprindelige passage og dens identifikator sammen med vektoren, så et rangeret resultat kan vise den information, der blev repræsenteret.\n\n### Gennemsnitspooling og sammenligning\n\nReferenceopskriften beregner gennemsnittet af modellens tokenrepræsentationer med attention-masken, så paddingpositioner ikke bidrager til resultatet. Derefter viser den valgfri L2-normalisering og sammenligner de normaliserede vektorer gennem deres prikprodukt. Et separat eksempel bruger cosinuslighed.\n\nVælg og bevar en ensartet opsætning for normalisering og sammenligning til indeksering og genfinding. Outputtet indeholder 768 numeriske komponenter; det indeholder ikke et genereret svar. Ved et trin til kandidatreranking skal kandidatpassagerne kodes med samme model og ordnes efter deres lighed med forespørgslen. Det er fortsat embeddingbaseret sammenligning frem for en påstand om, at modellen læser hvert forespørgsels–passage-par samlet som en cross-encoder.\n\n### Engelsk omfang og input på 512 tokens\n\nDet præcise modelkort begrænser modellen til engelsk tekst og oplyser, at lange input afkortes til højst 512 tokens. En lang manual bør derfor opdeles i meningsfulde afsnit før indeksering. Hold en advarsel, undtagelse eller et forbehold sammen med den regel, det ændrer, når disse detaljer kræves for at fortolke passagen.\n\nVed en forespørgsel om vedligeholdelsesintervaller er et afsnit med intervallet og driftsbetingelsen mere nyttigt end et fragment med kun et tal. Bevar overskriften eller udstyrsidentiteten, når den gør instruktionen entydig. Kontrollér tokenizerlængden frem for at stole på det synlige antal ord.\n\n### Brug kildepassagerne bag scoren\n\nGenfinding returnerer kandidater fra den indekserede samling. Undersøg de øverst rangerede passager i forhold til den præcise opgave, og bevar kildeplaceringerne, når de sendes videre til et RAG-svarskrivningstrin. En relateret passage kan beskrive inspektion uden at tillade udskiftning; den forskel skal forblive synlig i kildematerialet.\n\nGTE-base adskiller sig fra GTE-large, som producerer 1024-dimensionale vektorer, og fra senere flersprogede GTE-udgaver eller udgaver med udvidet kontekst. Dens offentliggjorte modelidentitet definerer det engelske omfang, repræsentationen på 768 komponenter og grænsen på 512 tokens. Brug denne præcise profil med repræsentative forespørgsler og kildeposter, når en genfindingssamling vurderes.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "1f930cd17374de68c2a87b077c27c7129ba977904603dc2ce4a3137885cc6a3d", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "thenlper/gte-baseAlibaba DAMO Academy GTE-base koder engelsk tekst til 768-dimensionale vektorer til genfinding og semantisk lighed. Den præcise model bruger gennemsnitspooling, understøtter sekvenser på op til 512 tokens og dokumenterer cosinusbaseret sammenligning med valgfri normalisering.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GTE-base er General Text Embeddings-modellen i basisstørrelse trænet af Alibaba DAMO Academy. Denne engelske tekstencoder er hovedsageligt baseret på BERT-rammeværket og producerer tætte vektorer med 768 dimensioner. Træningen bruger et stort korpus af relevanspar på tværs af domæner med informationsgenfinding, semantisk tekstlighed og embeddingbaseret tekstreranking blandt de angivne anvendelser.
Brug læsbar engelsk tekst til både informationsbehovet og det materiale, der skal søges i. En forespørgsel om udskiftning af en slidt komponent kan eksempelvis sammenlignes med korte vedligeholdelsesafsnit, der beskriver udskiftningskriterier, inspektionstrin og bestillingsinstruktioner. Bevar komponentnavnet og de betingelser, der adskiller afsnittene.
Det offentliggjorte eksempel koder spørgsmål og kandidattekst direkte uden en tilføjet opgaveinstruktion. Hold denne forberedelse ens på tværs af samlingen og senere forespørgsler. Gem den oprindelige passage og dens identifikator sammen med vektoren, så et rangeret resultat kan vise den information, der blev repræsenteret.
Referenceopskriften beregner gennemsnittet af modellens tokenrepræsentationer med attention-masken, så paddingpositioner ikke bidrager til resultatet. Derefter viser den valgfri L2-normalisering og sammenligner de normaliserede vektorer gennem deres prikprodukt. Et separat eksempel bruger cosinuslighed.
Vælg og bevar en ensartet opsætning for normalisering og sammenligning til indeksering og genfinding. Outputtet indeholder 768 numeriske komponenter; det indeholder ikke et genereret svar. Ved et trin til kandidatreranking skal kandidatpassagerne kodes med samme model og ordnes efter deres lighed med forespørgslen. Det er fortsat embeddingbaseret sammenligning frem for en påstand om, at modellen læser hvert forespørgsels–passage-par samlet som en cross-encoder.
Det præcise modelkort begrænser modellen til engelsk tekst og oplyser, at lange input afkortes til højst 512 tokens. En lang manual bør derfor opdeles i meningsfulde afsnit før indeksering. Hold en advarsel, undtagelse eller et forbehold sammen med den regel, det ændrer, når disse detaljer kræves for at fortolke passagen.
Ved en forespørgsel om vedligeholdelsesintervaller er et afsnit med intervallet og driftsbetingelsen mere nyttigt end et fragment med kun et tal. Bevar overskriften eller udstyrsidentiteten, når den gør instruktionen entydig. Kontrollér tokenizerlængden frem for at stole på det synlige antal ord.
Genfinding returnerer kandidater fra den indekserede samling. Undersøg de øverst rangerede passager i forhold til den præcise opgave, og bevar kildeplaceringerne, når de sendes videre til et RAG-svarskrivningstrin. En relateret passage kan beskrive inspektion uden at tillade udskiftning; den forskel skal forblive synlig i kildematerialet.
GTE-base adskiller sig fra GTE-large, som producerer 1024-dimensionale vektorer, og fra senere flersprogede GTE-udgaver eller udgaver med udvidet kontekst. Dens offentliggjorte modelidentitet definerer det engelske omfang, repræsentationen på 768 komponenter og grænsen på 512 tokens. Brug denne præcise profil med repræsentative forespørgsler og kildeposter, når en genfindingssamling vurderes.
POST /v1/embeddingstext, token_idsembedding| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser thenlper/gte-base | 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": "thenlper/gte-base", "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='thenlper/gte-base',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 thenlper/gte-base
Brug metodestierne vist ovenfor.