Source: https://ailoot.ai/models/de-ch/intfloat-e5-base-v2/ Canonical: https://ailoot.ai/models/de-ch/intfloat-e5-base-v2/ Language: de-ch # Intfloat: E5-Base-v2 [Markdown](https://ailoot.ai/models/de-ch/intfloat-e5-base-v2/index.md) · [JSON](https://ailoot.ai/models/de-ch/intfloat-e5-base-v2/facts.json) ## [Intfloat: E5-Base-v2](https://ailoot.ai/models/de-ch/intfloat-e5-base-v2/) intfloat 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. - [**Ailoot Ultra · Embeddings** `POST /v1/embeddings` `intfloat/e5-base-v2`](https://ailoot.ai/models/de-ch/intfloat-e5-base-v2/#method-0) 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. 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. #### Die trainierten Rollenpräfixe verwenden 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. #### Die Repräsentation durch Pooling bilden und vergleichen 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. #### Mit englischem Text und 512 Tokens arbeiten 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. #### Ähnlichkeit aufgabenbezogen interpretieren 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. **Ailoot Ultra · Embeddings** `POST /v1/embeddings` `intfloat/e5-base-v2` [`intfloat/e5-base-v2`](https://ailoot.ai/models/de-ch/#m=intfloat%2Fe5-base-v2&route=Ultra&caller=intfloat%2Fe5-base-v2&fmt=embeddings) Intfloat /`intfloat/e5-base-v2` ### Einstieg intfloat 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. 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` Ausgabeformat json | Feld | Typ | Anforderung | Werte und Limits | Standard | | --- | --- | --- | --- | --- | | Feld`model` | Typ`string` | AnforderungErforderlich | Werte und Limits intfloat/e5-base-v2 | Standard— | | Feld`input` | Typ`string\|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— | | Feld`encoding_format` | Typ`string` | AnforderungOptional | Werte und Limits float | Standardfloat | | Feld`dimensions` | Typ`integer` | AnforderungNicht unterstützt | Werte und Limits Minimum: 1 | Standard— | | Feld`user` | Typ`json_value` | AnforderungOptional | Werte und Limits Bedingungen: Der Quellcode erlaubt dieses JSON-Metadatenfeld; die genaue Semantik beim vorgelagerten Anbieter ist modellspezifisch. | Standard— | | Feld`session_id` | Typ`json_value` | AnforderungOptional | Werte und Limits Bedingungen: Der Quellcode erlaubt dieses JSON-Metadatenfeld; die genaue Semantik beim vorgelagerten Anbieter ist modellspezifisch. | Standard— | | Feld`trace` | Typ`json_value` | AnforderungOptional | Werte und Limits Bedingungen: Der Quellcode erlaubt dieses JSON-Metadatenfeld; die genaue Semantik beim vorgelagerten Anbieter ist modellspezifisch. | Standard— | | Feld`provider` | Typ`object` | AnforderungOptional | Werte und Limits Bedingungen: provider.options abgelehnt | Standard— | Kombinationen von Eingabematerialien **text\_to\_embedding** Methodenparameter und Lebenszyklus | Parameter | Vertrag | | --- | --- | | Parameter`content_type` | Vertragapplication/json | | Parameter`required` | Vertragmodel, input | | Parameter`input_shapes` | Vertragstring, string\[\], nonnegative\_integer\_token\_array, nonnegative\_integer\_token\_array\[\] | | Parameter`encoding_format` | Vertragfloat | | Parameter`dimensions_override` | Vertragfalse | | Parameter`max_input_budget_units` | Vertrag512 | | Parameter`multimodal_objects` | Vertragfalse | | Parameter`material_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 Nicht angegeben Wenn der Schnellmodus ausgewählt ist Flex-Modus Nicht angegeben Wenn der Modus flex ausgewählt ist Maximaler Denkaufwand Nicht angegeben Wenn beim maximalen Denkaufwand die Standardanpassung (default) verwendet wird #### Ailoot-Tarife #### Preise nach Konfiguration | Konfiguration | Tarifstaffel | Gebühr | | --- | --- | --- | | KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken **$0.00001** / 1K Tokens Ausgabe · Ausgabetoken **$0** / 1K Tokens Eingabe · Cache lesen **—** / 1K Tokens Eingabe · Cache schreiben **—** / 1K Tokens Eingabe · Cache schreiben, 1 Stunde **—** / 1K Tokens | Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. [So funktionieren Reservierung und Abrechnung →](https://ailoot.ai/docs/de-ch/billing/reserve/) ### Beispielanfragen #### Ailoot Ultra · Embeddings curlPython SDK ```bash set -eu : "${AILOOT_API_KEY:?Set your Ailoot API key}" python3 - <<'PY_REQUEST' import json,os from pathlib import Path p=json.loads('{"model": "intfloat/e5-base-v2", "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 ``` ```python 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='intfloat/e5-base-v2',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 | | --- | --- | | Feld`object` | Typstring | | Feld`model` | Typstring | | Feld`data[].index` | Typinteger | | Feld`data[].embedding` | Typfinite float\[\] | | Feld`usage` | 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** [`intfloat/e5-base-v2`](https://ailoot.ai/models/de-ch/#m=intfloat%2Fe5-base-v2&route=Ultra&caller=intfloat%2Fe5-base-v2&fmt=embeddings) #### Aliasnamen für Methodenpfade Verwenden Sie die oben angezeigten Methodenpfade. #### Zugehörige Aufrufer-IDs [`intfloat/e5-base-v2`](https://ailoot.ai/models/de-ch/#m=intfloat%2Fe5-base-v2&route=Ultra&caller=intfloat%2Fe5-base-v2&fmt=embeddings) FAQ · Intfloat: E5-Base-v2 Welche Eingaben und Ergebnisse sind verfügbar? `POST /v1/embeddings` · `intfloat/e5-base-v2`: `text`, `token_ids` → `embedding` Welche Felder verwendet die Anfrage? `POST /v1/embeddings` · `intfloat/e5-base-v2`: `model`, `input`, `encoding_format`, `provider` Welche Grenzen gelten? `POST /v1/embeddings` · `intfloat/e5-base-v2`: `input.budget.maximum`: `512` (UTF8-Bytes); `input.min_items`: `1` Verbinden Sie Ailoot mit Claude Code, OpenCode, Hermes oder Ihrer eigenen Anwendung. ## Das Unternehmen und sein Projektportfolio Das Unternehmen und sein Projektportfolio: Millionen von Kunden; monatliche Umsätze in Milliardenhöhe. ## Tokens mit Rabatt kaufen. Aborabatt für regelmäßige Arbeit. Aktionscodes bieten bis 50% beim Tokenkauf. Abo Wählen Sie einen Tarif mit Rabatt für Ihre regelmäßigen Anfragen. Aktionscode bis 50% Geben Sie den Code beim Kauf ein. Der Preis wird nach den gültigen Aktionsbedingungen berechnet. Ausgaben in der Historie Modell, Tokens und Betrag werden für jede Anfrage gespeichert. [Abo wählen](https://ailoot.ai/docs/de-ch/billing/subscriptions/) · [Modellpreise ansehen](https://ailoot.ai/models/de-ch/) ## Verbinden Sie die API mit dem Produkt, das Sie verkaufen. SaaS, Anwendungen und Bots nach dem offiziellen Angebot und Lizenzvertrag von Ailoot. Fordern Sie für den Weiterverkauf eine Reseller-Lizenz an. Kommerzielle Anwendung Integrieren Sie Text-, Bild-, Video- und Audioerzeugung in kostenpflichtige Funktionen Ihres Dienstes. Reseller-Lizenz Senden Sie Projektbeschreibung und Zugangsmodell. Fordern Sie schriftliche Nutzungs- und Weiterverkaufsbedingungen an. Dokumente auf der Website Offizielles Angebot, Lizenzvertrag und Datenschutzerklärung sind vor der Verbindung zugänglich. [Reseller-Lizenz anfordern](mailto:support@ailoot.ai) · [Offizielles Angebot und Lizenzvertrag](https://ailoot.ai/legal/offer?lang=de-ch) ## Ailoot · Das Unternehmen und sein Projektportfolio Ailoot baut auf bewährte Betriebserfahrung, einen großen Kundenstamm, stabilen Service und kontinuierliche KPI-Kontrolle. Das Unternehmen und sein Projektportfolio: Millionen von Kunden; monatliche Umsätze in Milliardenhöhe. Ailoot nutzt diese Betriebserfahrung für den API-Zugang zu KI-Funktionen in Kundenprodukten, Agenten, Anwendungen und Automatisierungen.