GTE-large ist das grosse, von Alibaba DAMO Academy trainierte General-Text-Embeddings-Modell. Es ist ein hauptsächlich auf dem BERT-Framework basierender englischer Textencoder mit einer 1024-dimensionalen dichten Repräsentation für jede Eingabe. Der Hersteller trainiert die GTE-Familie anhand relevanzbezogener Textpaare aus verschiedenen Domänen und nennt Informationssuche, semantische Textähnlichkeit und Text-Reranking als nachgelagerte Anwendungen.
Bereiten Sie die englische Passage vor, die mit einer Suchanfrage verglichen werden soll. Bewahren Sie bei einer Sammlung technischer Berichte Gegenstand, Beobachtung und relevante Bedingung eines kurzen Abschnitts. Ein Bericht, der Vibrationen nur unter einer bestimmten Last beschreibt, sollte diese Bedingung erhalten, statt eine allgemeine Aussage über Vibrationen übrig zu lassen.
Speichern Sie Quellkennungen, Dokumenttitel und Abschnittspositionen bei den Vektoren. Eine Anfrage kann mögliche Abschnitte abrufen, während der Originalbericht zur Prüfung von Gerät, Bedingung und Schlussfolgerung verfügbar bleibt. Das Embedding liefert eine numerische Repräsentation des Passageninhalts.
Das veröffentlichte Rezept verwendet Average Pooling über Token-Repräsentationen mit der Attention-Maske und schliesst Padding aus dem Mittelwert aus. Es zeigt ausserdem optionale L2-Normalisierung, gefolgt von einem Skalarproduktvergleich normalisierter Vektoren. Das Sentence-Transformers-Beispiel verwendet Kosinusähnlichkeit.
Bewahren Sie dieselben Vorbereitungs-, Pooling- und Vergleichseinstellungen in der Sammlung und auf der Anfrageseite. Jede Repräsentation enthält 1024 Komponenten. Die grössere Komponentenanzahl ist ein Detail der Modellvariante; sie belegt nicht, dass GTE-large-Vektoren mit der 768-dimensionalen GTE-base-Repräsentation oder einem anderen 1024-dimensionalen Encoder gemischt werden können.
Ein Reranking-Workflow kann ein Anfrage-Embedding mit einer bereits abgerufenen Menge von Kandidaten-Embeddings vergleichen und diese Datensätze neu sortieren. Bewahren Sie die Unterscheidung zwischen diesem Vektorvergleich und einem separaten Modell, das ein Anfrage-Passagen-Paar gemeinsam bewertet.
Die Karte beschränkt dieses konkrete Modell ausdrücklich auf englischen Text und kürzt lange Eingaben auf höchstens 512 Tokens. Teilen Sie einen langen technischen Bericht in zusammenhängende Abschnitte auf und bewahren Sie genügend lokalen Kontext, damit jeder Abschnitt für sich verständlich ist. Hängt ein Satz von einer vorangehenden Einschränkung ab, erhalten Sie diese in derselben indizierten Einheit, wenn sie hineinpasst.
Eine Tokengrenze ist etwas anderes als eine sichtbare Wortanzahl. Prüfen Sie die Länge des vorbereiteten Abschnitts und stellen Sie sicher, dass das für die beabsichtigte Suche nötige Detail nicht ausserhalb des nach der Kürzung erhaltenen Teils liegt.
Präsentieren Sie in einer Anwendung zur Berichtssuche mögliche Abschnitte mit ihren Quellpositionen und prüfen Sie ihren tatsächlichen Inhalt. Ähnliche Beobachtungen können unterschiedliche Ursachen oder Empfehlungen haben. Ein Vektorwert hilft, Kandidaten unter dem gewählten Vergleichsaufbau zu ordnen; er belegt nicht, dass die Schlussfolgerung eines Berichts für eine neue Situation gilt.
Verwenden Sie für RAG die ausgewählten Abschnitte als Quellkontext für den Antwortschreibschritt und bewahren Sie ihre Dokumentzuordnungen. Dieses konkrete GTE-large-Profil liefert dichte englische Embeddings mit 1024 Dimensionen und einer Eingabegrenze von 512 Tokens. Spätere mehrsprachige GTE-Ausgaben und Ausgaben mit erweitertem Kontext haben eigene Identitäten; ihre Sprachabdeckung oder Eingabeeinstellungen folgen daher nicht aus dem Familiennamen dieses Checkpoints.
", "aboutText": "GTE-large ist das grosse, von Alibaba DAMO Academy trainierte General-Text-Embeddings-Modell. Es ist ein hauptsächlich auf dem BERT-Framework basierender englischer Textencoder mit einer 1024-dimensionalen dichten Repräsentation für jede Eingabe. Der Hersteller trainiert die GTE-Familie anhand relevanzbezogener Textpaare aus verschiedenen Domänen und nennt Informationssuche, semantische Textähnlichkeit und Text-Reranking als nachgelagerte Anwendungen.\n\n### Den Inhalt eines Abschnitts repräsentieren\n\nBereiten Sie die englische Passage vor, die mit einer Suchanfrage verglichen werden soll. Bewahren Sie bei einer Sammlung technischer Berichte Gegenstand, Beobachtung und relevante Bedingung eines kurzen Abschnitts. Ein Bericht, der Vibrationen nur unter einer bestimmten Last beschreibt, sollte diese Bedingung erhalten, statt eine allgemeine Aussage über Vibrationen übrig zu lassen.\n\nSpeichern Sie Quellkennungen, Dokumenttitel und Abschnittspositionen bei den Vektoren. Eine Anfrage kann mögliche Abschnitte abrufen, während der Originalbericht zur Prüfung von Gerät, Bedingung und Schlussfolgerung verfügbar bleibt. Das Embedding liefert eine numerische Repräsentation des Passageninhalts.\n\n### Pooling, Normalisierung und Vektornutzung\n\nDas veröffentlichte Rezept verwendet Average Pooling über Token-Repräsentationen mit der Attention-Maske und schliesst Padding aus dem Mittelwert aus. Es zeigt ausserdem optionale L2-Normalisierung, gefolgt von einem Skalarproduktvergleich normalisierter Vektoren. Das Sentence-Transformers-Beispiel verwendet Kosinusähnlichkeit.\n\nBewahren Sie dieselben Vorbereitungs-, Pooling- und Vergleichseinstellungen in der Sammlung und auf der Anfrageseite. Jede Repräsentation enthält 1024 Komponenten. Die grössere Komponentenanzahl ist ein Detail der Modellvariante; sie belegt nicht, dass GTE-large-Vektoren mit der 768-dimensionalen GTE-base-Repräsentation oder einem anderen 1024-dimensionalen Encoder gemischt werden können.\n\nEin Reranking-Workflow kann ein Anfrage-Embedding mit einer bereits abgerufenen Menge von Kandidaten-Embeddings vergleichen und diese Datensätze neu sortieren. Bewahren Sie die Unterscheidung zwischen diesem Vektorvergleich und einem separaten Modell, das ein Anfrage-Passagen-Paar gemeinsam bewertet.\n\n### Eingabelänge und Beschränkung auf Englisch\n\nDie Karte beschränkt dieses konkrete Modell ausdrücklich auf englischen Text und kürzt lange Eingaben auf höchstens 512 Tokens. Teilen Sie einen langen technischen Bericht in zusammenhängende Abschnitte auf und bewahren Sie genügend lokalen Kontext, damit jeder Abschnitt für sich verständlich ist. Hängt ein Satz von einer vorangehenden Einschränkung ab, erhalten Sie diese in derselben indizierten Einheit, wenn sie hineinpasst.\n\nEine Tokengrenze ist etwas anderes als eine sichtbare Wortanzahl. Prüfen Sie die Länge des vorbereiteten Abschnitts und stellen Sie sicher, dass das für die beabsichtigte Suche nötige Detail nicht ausserhalb des nach der Kürzung erhaltenen Teils liegt.\n\n### Die abgerufenen Belege prüfen\n\nPräsentieren Sie in einer Anwendung zur Berichtssuche mögliche Abschnitte mit ihren Quellpositionen und prüfen Sie ihren tatsächlichen Inhalt. Ähnliche Beobachtungen können unterschiedliche Ursachen oder Empfehlungen haben. Ein Vektorwert hilft, Kandidaten unter dem gewählten Vergleichsaufbau zu ordnen; er belegt nicht, dass die Schlussfolgerung eines Berichts für eine neue Situation gilt.\n\nVerwenden Sie für RAG die ausgewählten Abschnitte als Quellkontext für den Antwortschreibschritt und bewahren Sie ihre Dokumentzuordnungen. Dieses konkrete GTE-large-Profil liefert dichte englische Embeddings mit 1024 Dimensionen und einer Eingabegrenze von 512 Tokens. Spätere mehrsprachige GTE-Ausgaben und Ausgaben mit erweitertem Kontext haben eigene Identitäten; ihre Sprachabdeckung oder Eingabeeinstellungen folgen daher nicht aus dem Familiennamen dieses Checkpoints.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "dc4377148d2130dd8ef81dc8766e2e8eaccf37129bcf03a422770d375a0c0094", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de-ch", "methods": [ { "html": "thenlper/gte-largeAlibaba DAMO Academy GTE-large wandelt englischen Text in 1024-dimensionale Vektoren für Informationssuche, semantische Ähnlichkeit und Embedding-basiertes Reranking um. Sein Referenzrezept verwendet Average Pooling, optionale Normalisierung und eine maximale Sequenzlänge von 512 Tokens.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
GTE-large ist das grosse, von Alibaba DAMO Academy trainierte General-Text-Embeddings-Modell. Es ist ein hauptsächlich auf dem BERT-Framework basierender englischer Textencoder mit einer 1024-dimensionalen dichten Repräsentation für jede Eingabe. Der Hersteller trainiert die GTE-Familie anhand relevanzbezogener Textpaare aus verschiedenen Domänen und nennt Informationssuche, semantische Textähnlichkeit und Text-Reranking als nachgelagerte Anwendungen.
Bereiten Sie die englische Passage vor, die mit einer Suchanfrage verglichen werden soll. Bewahren Sie bei einer Sammlung technischer Berichte Gegenstand, Beobachtung und relevante Bedingung eines kurzen Abschnitts. Ein Bericht, der Vibrationen nur unter einer bestimmten Last beschreibt, sollte diese Bedingung erhalten, statt eine allgemeine Aussage über Vibrationen übrig zu lassen.
Speichern Sie Quellkennungen, Dokumenttitel und Abschnittspositionen bei den Vektoren. Eine Anfrage kann mögliche Abschnitte abrufen, während der Originalbericht zur Prüfung von Gerät, Bedingung und Schlussfolgerung verfügbar bleibt. Das Embedding liefert eine numerische Repräsentation des Passageninhalts.
Das veröffentlichte Rezept verwendet Average Pooling über Token-Repräsentationen mit der Attention-Maske und schliesst Padding aus dem Mittelwert aus. Es zeigt ausserdem optionale L2-Normalisierung, gefolgt von einem Skalarproduktvergleich normalisierter Vektoren. Das Sentence-Transformers-Beispiel verwendet Kosinusähnlichkeit.
Bewahren Sie dieselben Vorbereitungs-, Pooling- und Vergleichseinstellungen in der Sammlung und auf der Anfrageseite. Jede Repräsentation enthält 1024 Komponenten. Die grössere Komponentenanzahl ist ein Detail der Modellvariante; sie belegt nicht, dass GTE-large-Vektoren mit der 768-dimensionalen GTE-base-Repräsentation oder einem anderen 1024-dimensionalen Encoder gemischt werden können.
Ein Reranking-Workflow kann ein Anfrage-Embedding mit einer bereits abgerufenen Menge von Kandidaten-Embeddings vergleichen und diese Datensätze neu sortieren. Bewahren Sie die Unterscheidung zwischen diesem Vektorvergleich und einem separaten Modell, das ein Anfrage-Passagen-Paar gemeinsam bewertet.
Die Karte beschränkt dieses konkrete Modell ausdrücklich auf englischen Text und kürzt lange Eingaben auf höchstens 512 Tokens. Teilen Sie einen langen technischen Bericht in zusammenhängende Abschnitte auf und bewahren Sie genügend lokalen Kontext, damit jeder Abschnitt für sich verständlich ist. Hängt ein Satz von einer vorangehenden Einschränkung ab, erhalten Sie diese in derselben indizierten Einheit, wenn sie hineinpasst.
Eine Tokengrenze ist etwas anderes als eine sichtbare Wortanzahl. Prüfen Sie die Länge des vorbereiteten Abschnitts und stellen Sie sicher, dass das für die beabsichtigte Suche nötige Detail nicht ausserhalb des nach der Kürzung erhaltenen Teils liegt.
Präsentieren Sie in einer Anwendung zur Berichtssuche mögliche Abschnitte mit ihren Quellpositionen und prüfen Sie ihren tatsächlichen Inhalt. Ähnliche Beobachtungen können unterschiedliche Ursachen oder Empfehlungen haben. Ein Vektorwert hilft, Kandidaten unter dem gewählten Vergleichsaufbau zu ordnen; er belegt nicht, dass die Schlussfolgerung eines Berichts für eine neue Situation gilt.
Verwenden Sie für RAG die ausgewählten Abschnitte als Quellkontext für den Antwortschreibschritt und bewahren Sie ihre Dokumentzuordnungen. Dieses konkrete GTE-large-Profil liefert dichte englische Embeddings mit 1024 Dimensionen und einer Eingabegrenze von 512 Tokens. Spätere mehrsprachige GTE-Ausgaben und Ausgaben mit erweitertem Kontext haben eigene Identitäten; ihre Sprachabdeckung oder Eingabeeinstellungen folgen daher nicht aus dem Familiennamen dieses Checkpoints.
POST /v1/embeddingstext, token_idsembedding| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits thenlper/gte-large | 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 $0.00002 / 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": "thenlper/gte-large", "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-large',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 thenlper/gte-large
Verwenden Sie die oben angezeigten Methodenpfade.