E5-Base-v2 ist das englische Embedding-Modell von intfloat mit zwölf Schichten und einer 768-dimensionalen Repräsentation. Es wandelt vorbereiteten Text in einen numerischen Vektor für Informationssuche, semantische Vergleiche oder die Verwendung als Merkmale in einer anderen Aufgabe um. Der Base-v2-Checkpoint unterscheidet sich von der Large-v2-Ausgabe mit vierundzwanzig Schichten und 1024 Dimensionen sowie von den separat trainierten mehrsprachigen E5-Modellen.
E5 erwartet eine Rollenangabe am Anfang der Eingabe. Für die Passagensuche beginnt eine Frage mit «query:» und ihre potenziell antwortrelevante Quelle mit «passage:». Der Hersteller empfiehlt «query:» auf beiden Seiten für symmetrische Aufgaben wie semantische Ähnlichkeit und Paraphrasensuche. Er empfiehlt dieses Präfix auch, wenn die Vektoren als Merkmale für Clustering oder Klassifikation verwendet werden.
Eine Feedback-Sammlung kann beispielsweise mehrere unterschiedlich formulierte Wünsche nach derselben Verbesserung enthalten. Kodieren Sie diese Datensätze mit der empfohlenen symmetrischen Vorbereitung und vergleichen oder clustern Sie anschliessend die resultierenden Vektoren. Speichern Sie den Originalwortlaut und die Datensatzkennung bei jeder Repräsentation, damit ein Cluster anhand tatsächlicher Kundennachrichten und nicht als unerklärte Zahlengruppe untersucht werden kann.
Bereiten Sie für eine Suchsammlung Fragen und Quellpassagen mit ihren jeweiligen Rollen vor. Eine nützliche Anfrage lautet «query: Which setting changes the notification frequency?». Die Korpuspassage behält die Erklärung und ihre relevanten Bedingungen. Das Präfix gehört zur trainierten Vorbereitung des Modells; der Hersteller weist darauf hin, dass sein Weglassen die Leistung mindert.
Das offizielle Beispiel berechnet einen Mittelwert der Token-Repräsentationen unter Berücksichtigung der Attention-Maske, schliesst Padding aus und normalisiert dann den resultierenden Vektor. Ein Skalarprodukt zwischen normalisierten Embeddings liefert die Kosinusähnlichkeit. Die 768 Ausgabewerte beschreiben einen Text; sie sind keine Antwort, keine Klassenbezeichnung und kein paarweiser Reranker-Wert.
In einem Clustering-Workflow bildet eine andere Stufe Gruppen aus diesen Vektoren. In einem Klassifikations-Workflow nutzt eine andere Stufe sie als Eingabemerkmale. Diese Unterscheidung macht das Ergebnis leichter verständlich: Das Embedding repräsentiert den Datensatz, während die nachgelagerte Aufgabe eine Gruppe oder Bezeichnung bestimmt. Verwenden Sie für die verglichenen Repräsentationen durchgehend dasselbe Modell und dieselbe Vorbereitungskonvention.
Laut Modellkarte funktioniert diese Ausgabe nur für Englisch und kürzt lange Texte auf höchstens 512 Tokens. Bereiten Sie zusammenhängende Passagen innerhalb dieses Umfangs vor, einschliesslich des erforderlichen Rollenpräfixes. Eine lange Rezension, ein Bericht oder ein Handbuch sollte nach sinnvollen Abschnitten aufgeteilt werden, statt als übergrosse Eingabe eingebettet zu werden, deren Ende verloren geht.
Lassen Sie eine Überschrift bei den Sätzen, die sie einleitet, und erhalten Sie die Bedingung oder Ausnahme, die die Bedeutung einer Regel verändert. Behalten Sie bei kurzen Datensätzen wie Feedback die vollständige Nachricht bei, wenn sie hineinpasst. Eine beim Vektor gespeicherte Quellkennung und Version ermöglichen es, bei einer späteren Aktualisierung der Sammlung den richtigen Datensatz zu ersetzen.
Der Hersteller erklärt, dass die relative Reihenfolge der Kosinuswerte wichtiger ist als ein absoluter Wert. Ein Filterschwellenwert sollte anhand eigener Beispiele der Sammlung bewertet werden, und Vektorähnlichkeit ist keine kalibrierte Wahrscheinlichkeit für eine passende Bezeichnung oder eine richtige Antwort. Untersuchen Sie benachbarte Datensätze und bekannte Nichtübereinstimmungen, wenn Sie über die Verwendung der Vektoren entscheiden.
Das nützliche Ergebnis ist ein englischer Suchindex, eine Menge semantischer Vergleichsdaten oder numerische Textmerkmale, die mit ihren Quelldatensätzen verknüpft sind. Dieses Base-v2-Profil hat eigene Dimensionen, eigenes Pooling und eine eigene Rollenvorbereitung; die Vektorform oder Sprachabdeckung einer anderen E5-Ausgabe belegt keine Austauschbarkeit der Repräsentationen.
", "aboutText": "E5-Base-v2 ist das englische Embedding-Modell von intfloat mit zwölf Schichten und einer 768-dimensionalen Repräsentation. Es wandelt vorbereiteten Text in einen numerischen Vektor für Informationssuche, semantische Vergleiche oder die Verwendung als Merkmale in einer anderen Aufgabe um. Der Base-v2-Checkpoint unterscheidet sich von der Large-v2-Ausgabe mit vierundzwanzig Schichten und 1024 Dimensionen sowie von den separat trainierten mehrsprachigen E5-Modellen.\n\n### Die trainierten Rollenpräfixe verwenden\n\nE5 erwartet eine Rollenangabe am Anfang der Eingabe. Für die Passagensuche beginnt eine Frage mit «query:» und ihre potenziell antwortrelevante Quelle mit «passage:». Der Hersteller empfiehlt «query:» auf beiden Seiten für symmetrische Aufgaben wie semantische Ähnlichkeit und Paraphrasensuche. Er empfiehlt dieses Präfix auch, wenn die Vektoren als Merkmale für Clustering oder Klassifikation verwendet werden.\n\nEine Feedback-Sammlung kann beispielsweise mehrere unterschiedlich formulierte Wünsche nach derselben Verbesserung enthalten. Kodieren Sie diese Datensätze mit der empfohlenen symmetrischen Vorbereitung und vergleichen oder clustern Sie anschliessend die resultierenden Vektoren. Speichern Sie den Originalwortlaut und die Datensatzkennung bei jeder Repräsentation, damit ein Cluster anhand tatsächlicher Kundennachrichten und nicht als unerklärte Zahlengruppe untersucht werden kann.\n\nBereiten Sie für eine Suchsammlung Fragen und Quellpassagen mit ihren jeweiligen Rollen vor. Eine nützliche Anfrage lautet «query: Which setting changes the notification frequency?». Die Korpuspassage behält die Erklärung und ihre relevanten Bedingungen. Das Präfix gehört zur trainierten Vorbereitung des Modells; der Hersteller weist darauf hin, dass sein Weglassen die Leistung mindert.\n\n### Die Repräsentation durch Pooling bilden und vergleichen\n\nDas offizielle Beispiel berechnet einen Mittelwert der Token-Repräsentationen unter Berücksichtigung der Attention-Maske, schliesst Padding aus und normalisiert dann den resultierenden Vektor. Ein Skalarprodukt zwischen normalisierten Embeddings liefert die Kosinusähnlichkeit. Die 768 Ausgabewerte beschreiben einen Text; sie sind keine Antwort, keine Klassenbezeichnung und kein paarweiser Reranker-Wert.\n\nIn einem Clustering-Workflow bildet eine andere Stufe Gruppen aus diesen Vektoren. In einem Klassifikations-Workflow nutzt eine andere Stufe sie als Eingabemerkmale. Diese Unterscheidung macht das Ergebnis leichter verständlich: Das Embedding repräsentiert den Datensatz, während die nachgelagerte Aufgabe eine Gruppe oder Bezeichnung bestimmt. Verwenden Sie für die verglichenen Repräsentationen durchgehend dasselbe Modell und dieselbe Vorbereitungskonvention.\n\n### Mit englischem Text und 512 Tokens arbeiten\n\nLaut Modellkarte funktioniert diese Ausgabe nur für Englisch und kürzt lange Texte auf höchstens 512 Tokens. Bereiten Sie zusammenhängende Passagen innerhalb dieses Umfangs vor, einschliesslich des erforderlichen Rollenpräfixes. Eine lange Rezension, ein Bericht oder ein Handbuch sollte nach sinnvollen Abschnitten aufgeteilt werden, statt als übergrosse Eingabe eingebettet zu werden, deren Ende verloren geht.\n\nLassen Sie eine Überschrift bei den Sätzen, die sie einleitet, und erhalten Sie die Bedingung oder Ausnahme, die die Bedeutung einer Regel verändert. Behalten Sie bei kurzen Datensätzen wie Feedback die vollständige Nachricht bei, wenn sie hineinpasst. Eine beim Vektor gespeicherte Quellkennung und Version ermöglichen es, bei einer späteren Aktualisierung der Sammlung den richtigen Datensatz zu ersetzen.\n\n### Ähnlichkeit aufgabenbezogen interpretieren\n\nDer Hersteller erklärt, dass die relative Reihenfolge der Kosinuswerte wichtiger ist als ein absoluter Wert. Ein Filterschwellenwert sollte anhand eigener Beispiele der Sammlung bewertet werden, und Vektorähnlichkeit ist keine kalibrierte Wahrscheinlichkeit für eine passende Bezeichnung oder eine richtige Antwort. Untersuchen Sie benachbarte Datensätze und bekannte Nichtübereinstimmungen, wenn Sie über die Verwendung der Vektoren entscheiden.\n\nDas nützliche Ergebnis ist ein englischer Suchindex, eine Menge semantischer Vergleichsdaten oder numerische Textmerkmale, die mit ihren Quelldatensätzen verknüpft sind. Dieses Base-v2-Profil hat eigene Dimensionen, eigenes Pooling und eine eigene Rollenvorbereitung; die Vektorform oder Sprachabdeckung einer anderen E5-Ausgabe belegt keine Austauschbarkeit der Repräsentationen.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "643bf5eb2eb9aa917a8c679311300c2ce4589d65e467eb7a99e578b7d0e7bb4d", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de-ch", "methods": [ { "html": "intfloat/e5-base-v2intfloat E5-Base-v2 wandelt englischsprachigen Text mit einem Encoder aus 12 Schichten in 768-dimensionale Embeddings um. Abfrage- und Passagenpräfixe sowie ein Fenster von 512 Token bestimmen die Vorbereitung für Suche, Paraphrasenvergleich, Clustering und Textmerkmale.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
E5-Base-v2 ist das englische Embedding-Modell von intfloat mit zwölf Schichten und einer 768-dimensionalen Repräsentation. Es wandelt vorbereiteten Text in einen numerischen Vektor für Informationssuche, semantische Vergleiche oder die Verwendung als Merkmale in einer anderen Aufgabe um. Der Base-v2-Checkpoint unterscheidet sich von der Large-v2-Ausgabe mit vierundzwanzig Schichten und 1024 Dimensionen sowie von den separat trainierten mehrsprachigen E5-Modellen.
E5 erwartet eine Rollenangabe am Anfang der Eingabe. Für die Passagensuche beginnt eine Frage mit «query:» und ihre potenziell antwortrelevante Quelle mit «passage:». Der Hersteller empfiehlt «query:» auf beiden Seiten für symmetrische Aufgaben wie semantische Ähnlichkeit und Paraphrasensuche. Er empfiehlt dieses Präfix auch, wenn die Vektoren als Merkmale für Clustering oder Klassifikation verwendet werden.
Eine Feedback-Sammlung kann beispielsweise mehrere unterschiedlich formulierte Wünsche nach derselben Verbesserung enthalten. Kodieren Sie diese Datensätze mit der empfohlenen symmetrischen Vorbereitung und vergleichen oder clustern Sie anschliessend die resultierenden Vektoren. Speichern Sie den Originalwortlaut und die Datensatzkennung bei jeder Repräsentation, damit ein Cluster anhand tatsächlicher Kundennachrichten und nicht als unerklärte Zahlengruppe untersucht werden kann.
Bereiten Sie für eine Suchsammlung Fragen und Quellpassagen mit ihren jeweiligen Rollen vor. Eine nützliche Anfrage lautet «query: Which setting changes the notification frequency?». Die Korpuspassage behält die Erklärung und ihre relevanten Bedingungen. Das Präfix gehört zur trainierten Vorbereitung des Modells; der Hersteller weist darauf hin, dass sein Weglassen die Leistung mindert.
Das offizielle Beispiel berechnet einen Mittelwert der Token-Repräsentationen unter Berücksichtigung der Attention-Maske, schliesst Padding aus und normalisiert dann den resultierenden Vektor. Ein Skalarprodukt zwischen normalisierten Embeddings liefert die Kosinusähnlichkeit. Die 768 Ausgabewerte beschreiben einen Text; sie sind keine Antwort, keine Klassenbezeichnung und kein paarweiser Reranker-Wert.
In einem Clustering-Workflow bildet eine andere Stufe Gruppen aus diesen Vektoren. In einem Klassifikations-Workflow nutzt eine andere Stufe sie als Eingabemerkmale. Diese Unterscheidung macht das Ergebnis leichter verständlich: Das Embedding repräsentiert den Datensatz, während die nachgelagerte Aufgabe eine Gruppe oder Bezeichnung bestimmt. Verwenden Sie für die verglichenen Repräsentationen durchgehend dasselbe Modell und dieselbe Vorbereitungskonvention.
Laut Modellkarte funktioniert diese Ausgabe nur für Englisch und kürzt lange Texte auf höchstens 512 Tokens. Bereiten Sie zusammenhängende Passagen innerhalb dieses Umfangs vor, einschliesslich des erforderlichen Rollenpräfixes. Eine lange Rezension, ein Bericht oder ein Handbuch sollte nach sinnvollen Abschnitten aufgeteilt werden, statt als übergrosse Eingabe eingebettet zu werden, deren Ende verloren geht.
Lassen Sie eine Überschrift bei den Sätzen, die sie einleitet, und erhalten Sie die Bedingung oder Ausnahme, die die Bedeutung einer Regel verändert. Behalten Sie bei kurzen Datensätzen wie Feedback die vollständige Nachricht bei, wenn sie hineinpasst. Eine beim Vektor gespeicherte Quellkennung und Version ermöglichen es, bei einer späteren Aktualisierung der Sammlung den richtigen Datensatz zu ersetzen.
Der Hersteller erklärt, dass die relative Reihenfolge der Kosinuswerte wichtiger ist als ein absoluter Wert. Ein Filterschwellenwert sollte anhand eigener Beispiele der Sammlung bewertet werden, und Vektorähnlichkeit ist keine kalibrierte Wahrscheinlichkeit für eine passende Bezeichnung oder eine richtige Antwort. Untersuchen Sie benachbarte Datensätze und bekannte Nichtübereinstimmungen, wenn Sie über die Verwendung der Vektoren entscheiden.
Das nützliche Ergebnis ist ein englischer Suchindex, eine Menge semantischer Vergleichsdaten oder numerische Textmerkmale, die mit ihren Quelldatensätzen verknüpft sind. Dieses Base-v2-Profil hat eigene Dimensionen, eigenes Pooling und eine eigene Rollenvorbereitung; die Vektorform oder Sprachabdeckung einer anderen E5-Ausgabe belegt keine Austauschbarkeit der Repräsentationen.
POST /v1/embeddingstext, token_idsembedding| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits intfloat/e5-base-v2 | 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: Der Quellcode erlaubt dieses JSON-Metadatenfeld; die genaue Semantik beim vorgelagerten Anbieter ist modellspezifisch. | Standard— |
Feldsession_id | Typjson_value | AnforderungOptional | Werte und Limits Bedingungen: Der Quellcode erlaubt dieses JSON-Metadatenfeld; die genaue Semantik beim vorgelagerten Anbieter ist modellspezifisch. | Standard— |
Feldtrace | Typjson_value | AnforderungOptional | Werte und Limits Bedingungen: Der Quellcode erlaubt dieses JSON-Metadatenfeld; die genaue Semantik beim vorgelagerten Anbieter ist modellspezifisch. | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options abgelehnt | Standard— |
text_to_embedding
| 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.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.00001 / 1K Tokens Ausgabe · Ausgabetoken $0 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${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
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.
Es wird kein Endpunkt für Embedding-Aufträge eingeführt.
| Feld | Typ |
|---|---|
Feldobject | Typstring |
Feldmodel | Typstring |
Felddata[].index | Typinteger |
Felddata[].embedding | Typfinite float[] |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra intfloat/e5-base-v2
Verwenden Sie die oben angezeigten Methodenpfade.