LiquidAI: LFM2.5-Embedding-350M (free)
LiquidAI LFM2.5-Embedding-350M erzeugt für jeden Text einen 1024-dimensionalen Vektor für mehrsprachige und sprachübergreifende Suche. Das Modell ist auf 11 Sprachen und kurze Eingaben mit 512 Token ausgerichtet; Abfragen und Dokumente verwenden unterschiedliche Präfixe.
Über das Modell
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
LFM2.5-Embedding-350M ist LiquidAIs dichter Bi-Encoder für mehrsprachige und sprachübergreifende Suche. Er erzeugt für jeden Text einen 1024-dimensionalen Vektor und zielt auf Suche mit kurzem Kontext in elf Sprachen. Die benannte Modellfamilie 350M verwendet eine bidirektionale Anpassung von LFM2.5-350M-Base; die detaillierte Modelltabelle nennt ungefähr 354 Millionen Parameter für diese Embedding-Edition.
Eine bidirektionale Suchdarstellung
Der Hersteller passt das Grundmodell so an, dass Attention und lokale Faltungen Kontext auf beiden Seiten eines Tokens verwenden können. Pooling nach CLS-Art wandelt den verarbeiteten Text in einen dichten Vektor um. Die Modelltabelle beschreibt siebzehn Schichten: zehn Faltungsblöcke, sechs Attention-Blöcke und eine Pooling-Stufe. Dies ist ein Suchencoder mit eigener Vorbereitung und Ausgabe, getrennt von der Textgenerierungsaufgabe des Basismodells.
Das separat benannte LFM2.5-ColBERT-350M behält Vektoren pro Token für späte Interaktion bei. Diese Darstellung erfordert einen anderen Index und eine andere Vergleichsmethode. Das hier beschriebene Embedding-Modell liefert einen Vektor pro Dokument oder Abfrage; die Kosinusähnlichkeit ist der dokumentierte Vergleich.
Verwenden Sie die richtigen asymmetrischen Prompts
Bereiten Sie Suchabfragen mit „query:“ und Quellpassagen mit „document:“ vor. Der Hersteller speichert diese Prompts in seiner Konfiguration; der Referenzablauf wendet den passenden Promptnamen an. Er empfiehlt ausdrücklich die entsprechende Rolle auf jeder Seite, weil das Modell mit diesen Präfixen trainiert wurde. Dieses Dokumentpräfix unterscheidet sich von der Konvention „passage:“ der E5-Modelle.
Eine praktische Produktsuchsammlung kann Beschreibungen in den unterstützten Sprachen enthalten. Bereiten Sie die Suchformulierung des Nutzers als Abfrage und jede Produktbeschreibung als Dokument vor. Speichern Sie Originaltext, Produktkennung und Sprache zusammen mit dem Vektor, damit ein Suchergebnis den zugehörigen Datensatz zurückgeben kann. Bewahren Sie für eine Supportsammlung die relevante Richtlinie oder Anweisung zur Frage, statt sie durch eine sachfremde kurze Bezeichnung zu ersetzen.
Sprachen und Passagengröße
Der dokumentierte Sprachumfang umfasst Englisch, Spanisch, Deutsch, Französisch, Italienisch, Portugiesisch, Arabisch, Schwedisch, Norwegisch, Japanisch und Koreanisch. Der Hersteller zielt ausdrücklich sowohl auf Suche innerhalb einer Sprache als auch über Sprachgrenzen hinweg. Bereiten Sie echte Fragen der vorgesehenen Zielgruppe vor und prüfen Sie die zurückgegebenen Dokumenttexte in diesen Sprachen.
Die Spezifikation der Dokumentlänge beträgt 512 Token. Teilen Sie eine lange Quelle in zusammenhängende Passagen, die Überschrift, Definitionen und die für ein Suchergebnis nötigen Bedingungen bewahren. Rollenpräfix und zusätzlicher Kontext gehören zur vorbereiteten Eingabe. Eine FAQ-Antwort, eine Produkterklärung oder ein gezielter Abschnitt eines technischen Dokuments ist eine passendere Einheit als ein ganzes übergroßes Handbuch.
Training und Abgleich
Der Hersteller beschreibt drei Trainingsphasen: englischsprachiges kontrastives Vortraining, mehrsprachige und sprachübergreifende Destillation und anschließend Feinabstimmung mit gezielt ermittelten schwierigen Negativbeispielen. Das entstandene Modell ist für Produktkataloge, FAQ- und Supportsammlungen, Datei- oder Notizsuche und Wissenssuche in Unternehmen vorgesehen. Dies sind Aufgaben für die Textdarstellungen und keine Aussagen über die Bereitstellung einer bestimmten Anwendung.
Das Herstellerbeispiel normalisiert Abfrage- und Dokumentvektoren und ordnet sie nach dem Skalarprodukt, das der Kosinusähnlichkeit entspricht. Berechnen Sie die Korpusdarstellungen vorab bei der Vorbereitung des Quellmaterials, betten Sie anschließend eine Suchabfrage ein und geben Sie mögliche Dokumenttreffer mit Text und Kennungen zurück. Bewahren Sie gewähltes Modell und Rollenkonvention zusammen mit dem Index, damit der numerische Vergleich kompatible Darstellungen verwendet.
Das hilfreiche Ergebnis ist ein kompakter dichter Suchindex oder ein Abfragevektor, der Quellmaterial über den dokumentierten Sprachumfang hinweg findet. Diese genaue LFM2.5-Embedding-Edition bleibt von ihrem ColBERT-Begleitmodell, älteren LFM2-Suchmodellen und extern quantisierten Implementierungen getrennt. Der ausgewählte Passagentext ist der Beleg, den ein Leser oder eine spätere RAG-Antwortstufe verwendet.
Ailoot Ultra · Embeddings POST /v1/embeddings liquid/lfm-2.5-embedding-350m:free
liquid/lfm-2.5-embedding-350m:free
liquid/lfm-2.5-embedding-350m:freeEinstieg
LiquidAI LFM2.5-Embedding-350M erzeugt für jeden Text einen 1024-dimensionalen Vektor für mehrsprachige und sprachübergreifende Suche. Das Modell ist auf 11 Sprachen und kurze Eingaben mit 512 Token ausgerichtet; Abfragen und Dokumente verwenden unterschiedliche Präfixe.
- Zulässige Eingaben
- Text · token_ids
- Ergebnisse
- embedding
In Ailoot verfügbar · Eingaben und Methoden
Ailoot Ultra · Embeddings POST /v1/embeddings
- Eingabe
text,token_ids- Ausgabe
embedding- Kontext
- 512 tokens
- Ausgabeformat
- json
| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits liquid/lfm-2.5-embedding-350m:free | Standard— |
Feldinput | Typstring|string[]|integer[]|integer[][] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 Bedingungen: Nicht leerer, homogener Batch. Token-IDs sind nichtnegative Ganzzahlen. Eingabebudget: Maximum: 512 · Texteinheit: UTF8-Bytes · Tokeneinheit: Elemente des Token-Arrays | Standard— |
Feldencoding_format | Typstring | AnforderungOptional | Werte und Limits float | Standardfloat |
Felddimensions | Typinteger | AnforderungNicht unterstützt | Werte und Limits Minimum: 1 | Standard— |
Felduser | Typjson_value | AnforderungOptional | Werte und Limits Bedingungen: Die Quelle lässt dieses JSON-Metadatenfeld zu; die genaue Semantik des vorgelagerten Systems ist modellspezifisch. | Standard— |
Feldsession_id | Typjson_value | AnforderungOptional | Werte und Limits Bedingungen: Die Quelle lässt dieses JSON-Metadatenfeld zu; die genaue Semantik des vorgelagerten Systems ist modellspezifisch. | Standard— |
Feldtrace | Typjson_value | AnforderungOptional | Werte und Limits Bedingungen: Die Quelle lässt dieses JSON-Metadatenfeld zu; die genaue Semantik des vorgelagerten Systems ist modellspezifisch. | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options abgelehnt | Standard— |
Kombinationen von Eingabematerialien
text_to_embedding
Methodenparameter und Lebenszyklus
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, input |
Parameterinput_shapes | Vertragstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parameterencoding_format | Vertragfloat |
Parameterdimensions_override | Vertragfalse |
Parametermax_input_budget_units | Vertrag512 |
Parametermultimodal_objects | Vertragfalse |
Parametermaterial_types | Vertragtext, token_ids |
Lebenszyklus: synchronous_json
Jeden Vektorindex und jede Dimension beibehalten.
Ein multimodaler Modellname erlaubt auf genau diesem Pfad keine Bildobjekte.
Tarife
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
- Schnellmodus
- Standardtarif Wenn der Schnellmodus ausgewählt ist
- Flex-Modus
- Standardtarif Wenn der Modus flex ausgewählt ist
- Maximaler Denkaufwand
- Standardtarif Wenn beim maximalen Denkaufwand die Standardanpassung (default) verwendet wird
Ailoot-Tarife
Preise nach Konfiguration
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0 / 1K Tokens Ausgabe · Ausgabetoken $0 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
Beispielanfragen
Ailoot Ultra · Embeddings
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "liquid/lfm-2.5-embedding-350m:free", "input": ["First document", "Second document"]}')
Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \
-H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
r=json.loads(Path("result.json").read_text())
for x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))
PY_RESULT
from openai import OpenAI
import os
client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)
result=client.embeddings.create(model='liquid/lfm-2.5-embedding-350m:free',input=["First document","Second document"])
print(result)
for item in result.data:print(item.index,item.embedding)
Ergebnisse abrufen und speichern
Ailoot Ultra · Embeddings
json
Alle fertiggestellten Ergebnisse aufbewahren
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Jeden Vektor mit seinem Index beibehalten. Die Anzahl der Vektoren muss der Anzahl der Eingaben entsprechen; die Dimensionen müssen konsistent sein.
Wenn die ursprüngliche Antwort geprüft werden muss
Es wird kein Endpunkt für Embedding-Aufträge eingeführt.
Antwortfelder
| Feld | Typ |
|---|---|
Feldobject | Typstring |
Feldmodel | Typstring |
Felddata[].index | Typinteger |
Felddata[].embedding | Typfinite float[] |
Feldusage | Typobject |
Fehler und nächste Schritte
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Aliasnamen
Modellaliasnamen
Ailoot Ultra liquid/lfm-2.5-embedding-350m:free
Aliasnamen für Methodenpfade
Verwenden Sie die oben angezeigten Methodenpfade.
Zugehörige Aufrufer-IDs
FAQ · LiquidAI: LFM2.5-Embedding-350M (free)
- Welche Eingaben und Ergebnisse sind verfügbar?
POST /v1/embeddings·liquid/lfm-2.5-embedding-350m:free:text,token_ids→embedding- Welche Felder verwendet die Anfrage?
POST /v1/embeddings·liquid/lfm-2.5-embedding-350m:free:model,input,encoding_format,provider- Welche Grenzen gelten?
POST /v1/embeddings·liquid/lfm-2.5-embedding-350m:free:ctx:512;input.budget.maximum:512(UTF8-Bytes);input.min_items:1