E5-Large-v2 ist das englische Text-Embedding-Modell von intfloat mit vierundzwanzig Schichten und einer 1024-dimensionalen Ausgabe. Es stellt Suchanfragen und Passagen für die Informationssuche und andere Embedding-Aufgaben numerisch dar. Die E5-Vorbereitungskonvention ist Bestandteil seines Trainings: Der Eingabetext trägt ein Rollenpräfix, und die kodierten Token-Repräsentationen werden durch Pooling zu einem Vektor für diesen Text zusammengeführt.
Beginnen Sie bei asymmetrischer Informationssuche die Frage mit „query:“ und den Korpustext mit „passage:“. Diese Rollen unterscheiden das Gesuchte von dem Material, das die Frage beantworten könnte. Für symmetrische Vergleiche, Paraphrasensuche, Clustering oder Klassifikationsmerkmale empfiehlt der Hersteller „query:“ für die Texte, deren Embeddings berechnet werden.
Eine praktische Sammlung kann englische Support-Erklärungen indizieren. Bereiten Sie eine Frage wie „query: What should I check before replacing the connector?“ vor und ordnen Sie ihr Quellpassagen zu, die die Prüfungen und Ausnahmen beschreiben. Der Passagentext behält sein entsprechendes Präfix. Speichern Sie die Quellkennung und den Originalwortlaut bei jedem Vektor, damit das Ergebnis das Material zurückgeben kann, das Nutzer lesen müssen.
Die Präfixe sind keine dekorativen Bezeichnungen, die auf einer Seite der Aufgabe entfernt werden können. Der Hersteller erklärt, dass ihr Weglassen die Suchleistung verschlechtert, weil das Modell mit dieser Vorbereitung trainiert wurde. Wenden Sie die gewählte Rolle beim Aufbau des Korpus und bei der späteren Berechnung eines Suchanfrage-Embeddings einheitlich an.
Das offizielle Kodierungsbeispiel mittelt die Token-Repräsentationen und schließt dabei Padding-Positionen mithilfe der Attention-Maske aus. Anschließend normalisiert es den resultierenden Vektor. Ein Skalarprodukt zwischen normalisierten Anfrage- und Passagenvektoren liefert die Kosinusähnlichkeit zur Sortierung von Kandidaten. Dieses Mean-Pooling-Rezept gehört zu E5-Large-v2; ein Pooling-Rezept anhand des ersten Tokens aus einer anderen Modellfamilie ist eine andere Vorbereitungsentscheidung.
Die 1024 Ausgabewerte bilden das Embedding, keine schriftliche Antwort und keine direkte Kategoriebezeichnung. Ein Suchschritt vergleicht diese Werte mit kompatiblen Korpusrepräsentationen, und ein späterer Schritt verwendet den ausgewählten Passagentext. Wenn Vektoren als Merkmale für Clustering oder Klassifikatoren dienen, bewahren Sie die Zuordnung jedes Vektors zu dem Eingabedatensatz auf, dessen Merkmale er repräsentiert.
Die Modellkarte legt ausschließlich englischen Text und die Kürzung langer Eingaben auf höchstens 512 Tokens fest. Halten Sie jede Dokumentpassage innerhalb dieses Fensters zusammenhängend, einschließlich Rollenpräfix und hilfreichem Quellkontext. Ein langes Handbuch sollte als Abschnitte vorbereitet werden, deren Titel, Bedingungen und Anweisungen auch bei separatem Abruf verständlich sind.
Eine Klausel, die eine Einstellung beschreibt, kann beispielsweise die Definition dieser Einstellung und eine Ausnahme im nächsten Satz benötigen. Bewahren Sie diese kleine Einheit zusammen, statt ausschließlich nach einer Zeichenanzahl zu trennen. Speichern Sie das übergeordnete Dokument und die Quellversion bei der Passage, damit eine Aktualisierung das richtige Material ersetzt.
Der Hersteller erklärt, dass die Reihenfolge der Kosinuswerte wichtiger ist als deren absolute Höhe. Ein Wert darf nicht als kalibrierte Wahrscheinlichkeit dafür interpretiert werden, dass eine Passage die Frage beantwortet. Prüfen Sie bekannte antwortrelevante Passagen und benachbartes irrelevantes Material, wenn Sie entscheiden, wie viele Ergebnisse beibehalten oder an welcher Stelle Kandidaten gefiltert werden.
Die nützliche Ausgabe ist eine Korpus- oder Anfragerepräsentation, ein Signal für semantische Vergleiche oder numerische Merkmale für eine andere Aufgabe. Dieser konkrete englische Large-v2-Checkpoint bleibt von E5-Base-v2 und Multilingual-E5-Large getrennt. Übereinstimmende Dimensionen allein machen ihre Vektoren nicht zu einem dokumentierten gemeinsamen Embedding-Raum.
", "aboutText": "E5-Large-v2 ist das englische Text-Embedding-Modell von intfloat mit vierundzwanzig Schichten und einer 1024-dimensionalen Ausgabe. Es stellt Suchanfragen und Passagen für die Informationssuche und andere Embedding-Aufgaben numerisch dar. Die E5-Vorbereitungskonvention ist Bestandteil seines Trainings: Der Eingabetext trägt ein Rollenpräfix, und die kodierten Token-Repräsentationen werden durch Pooling zu einem Vektor für diesen Text zusammengeführt.\n\n### Die Rollen von Suchanfrage und Passage ausdrücklich angeben\n\nBeginnen Sie bei asymmetrischer Informationssuche die Frage mit „query:“ und den Korpustext mit „passage:“. Diese Rollen unterscheiden das Gesuchte von dem Material, das die Frage beantworten könnte. Für symmetrische Vergleiche, Paraphrasensuche, Clustering oder Klassifikationsmerkmale empfiehlt der Hersteller „query:“ für die Texte, deren Embeddings berechnet werden.\n\nEine praktische Sammlung kann englische Support-Erklärungen indizieren. Bereiten Sie eine Frage wie „query: What should I check before replacing the connector?“ vor und ordnen Sie ihr Quellpassagen zu, die die Prüfungen und Ausnahmen beschreiben. Der Passagentext behält sein entsprechendes Präfix. Speichern Sie die Quellkennung und den Originalwortlaut bei jedem Vektor, damit das Ergebnis das Material zurückgeben kann, das Nutzer lesen müssen.\n\nDie Präfixe sind keine dekorativen Bezeichnungen, die auf einer Seite der Aufgabe entfernt werden können. Der Hersteller erklärt, dass ihr Weglassen die Suchleistung verschlechtert, weil das Modell mit dieser Vorbereitung trainiert wurde. Wenden Sie die gewählte Rolle beim Aufbau des Korpus und bei der späteren Berechnung eines Suchanfrage-Embeddings einheitlich an.\n\n### Mean Pooling und normalisierte Vektoren\n\nDas offizielle Kodierungsbeispiel mittelt die Token-Repräsentationen und schließt dabei Padding-Positionen mithilfe der Attention-Maske aus. Anschließend normalisiert es den resultierenden Vektor. Ein Skalarprodukt zwischen normalisierten Anfrage- und Passagenvektoren liefert die Kosinusähnlichkeit zur Sortierung von Kandidaten. Dieses Mean-Pooling-Rezept gehört zu E5-Large-v2; ein Pooling-Rezept anhand des ersten Tokens aus einer anderen Modellfamilie ist eine andere Vorbereitungsentscheidung.\n\nDie 1024 Ausgabewerte bilden das Embedding, keine schriftliche Antwort und keine direkte Kategoriebezeichnung. Ein Suchschritt vergleicht diese Werte mit kompatiblen Korpusrepräsentationen, und ein späterer Schritt verwendet den ausgewählten Passagentext. Wenn Vektoren als Merkmale für Clustering oder Klassifikatoren dienen, bewahren Sie die Zuordnung jedes Vektors zu dem Eingabedatensatz auf, dessen Merkmale er repräsentiert.\n\n### Englischer Text innerhalb des Fensters\n\nDie Modellkarte legt ausschließlich englischen Text und die Kürzung langer Eingaben auf höchstens 512 Tokens fest. Halten Sie jede Dokumentpassage innerhalb dieses Fensters zusammenhängend, einschließlich Rollenpräfix und hilfreichem Quellkontext. Ein langes Handbuch sollte als Abschnitte vorbereitet werden, deren Titel, Bedingungen und Anweisungen auch bei separatem Abruf verständlich sind.\n\nEine Klausel, die eine Einstellung beschreibt, kann beispielsweise die Definition dieser Einstellung und eine Ausnahme im nächsten Satz benötigen. Bewahren Sie diese kleine Einheit zusammen, statt ausschließlich nach einer Zeichenanzahl zu trennen. Speichern Sie das übergeordnete Dokument und die Quellversion bei der Passage, damit eine Aktualisierung das richtige Material ersetzt.\n\n### Die Rangfolge als Hinweis für die Informationssuche lesen\n\nDer Hersteller erklärt, dass die Reihenfolge der Kosinuswerte wichtiger ist als deren absolute Höhe. Ein Wert darf nicht als kalibrierte Wahrscheinlichkeit dafür interpretiert werden, dass eine Passage die Frage beantwortet. Prüfen Sie bekannte antwortrelevante Passagen und benachbartes irrelevantes Material, wenn Sie entscheiden, wie viele Ergebnisse beibehalten oder an welcher Stelle Kandidaten gefiltert werden.\n\nDie nützliche Ausgabe ist eine Korpus- oder Anfragerepräsentation, ein Signal für semantische Vergleiche oder numerische Merkmale für eine andere Aufgabe. Dieser konkrete englische Large-v2-Checkpoint bleibt von E5-Base-v2 und Multilingual-E5-Large getrennt. Übereinstimmende Dimensionen allein machen ihre Vektoren nicht zu einem dokumentierten gemeinsamen Embedding-Raum.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "f6a99193954bab44779d64617412f57bda495db60418d9b90b4d59b6c3f3c37b", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de", "methods": [ { "html": "intfloat/e5-large-v2intfloat E5-Large-v2 kodiert englische Suchanfragen und Passagen als 1024-dimensionale Vektoren. Sein Modell mit 24 Schichten verwendet query/passage-Rollen, Mean Pooling und eine Eingabegrenze von 512 Tokens für Suche, semantische Ähnlichkeit und numerische Textmerkmale.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
E5-Large-v2 ist das englische Text-Embedding-Modell von intfloat mit vierundzwanzig Schichten und einer 1024-dimensionalen Ausgabe. Es stellt Suchanfragen und Passagen für die Informationssuche und andere Embedding-Aufgaben numerisch dar. Die E5-Vorbereitungskonvention ist Bestandteil seines Trainings: Der Eingabetext trägt ein Rollenpräfix, und die kodierten Token-Repräsentationen werden durch Pooling zu einem Vektor für diesen Text zusammengeführt.
Beginnen Sie bei asymmetrischer Informationssuche die Frage mit „query:“ und den Korpustext mit „passage:“. Diese Rollen unterscheiden das Gesuchte von dem Material, das die Frage beantworten könnte. Für symmetrische Vergleiche, Paraphrasensuche, Clustering oder Klassifikationsmerkmale empfiehlt der Hersteller „query:“ für die Texte, deren Embeddings berechnet werden.
Eine praktische Sammlung kann englische Support-Erklärungen indizieren. Bereiten Sie eine Frage wie „query: What should I check before replacing the connector?“ vor und ordnen Sie ihr Quellpassagen zu, die die Prüfungen und Ausnahmen beschreiben. Der Passagentext behält sein entsprechendes Präfix. Speichern Sie die Quellkennung und den Originalwortlaut bei jedem Vektor, damit das Ergebnis das Material zurückgeben kann, das Nutzer lesen müssen.
Die Präfixe sind keine dekorativen Bezeichnungen, die auf einer Seite der Aufgabe entfernt werden können. Der Hersteller erklärt, dass ihr Weglassen die Suchleistung verschlechtert, weil das Modell mit dieser Vorbereitung trainiert wurde. Wenden Sie die gewählte Rolle beim Aufbau des Korpus und bei der späteren Berechnung eines Suchanfrage-Embeddings einheitlich an.
Das offizielle Kodierungsbeispiel mittelt die Token-Repräsentationen und schließt dabei Padding-Positionen mithilfe der Attention-Maske aus. Anschließend normalisiert es den resultierenden Vektor. Ein Skalarprodukt zwischen normalisierten Anfrage- und Passagenvektoren liefert die Kosinusähnlichkeit zur Sortierung von Kandidaten. Dieses Mean-Pooling-Rezept gehört zu E5-Large-v2; ein Pooling-Rezept anhand des ersten Tokens aus einer anderen Modellfamilie ist eine andere Vorbereitungsentscheidung.
Die 1024 Ausgabewerte bilden das Embedding, keine schriftliche Antwort und keine direkte Kategoriebezeichnung. Ein Suchschritt vergleicht diese Werte mit kompatiblen Korpusrepräsentationen, und ein späterer Schritt verwendet den ausgewählten Passagentext. Wenn Vektoren als Merkmale für Clustering oder Klassifikatoren dienen, bewahren Sie die Zuordnung jedes Vektors zu dem Eingabedatensatz auf, dessen Merkmale er repräsentiert.
Die Modellkarte legt ausschließlich englischen Text und die Kürzung langer Eingaben auf höchstens 512 Tokens fest. Halten Sie jede Dokumentpassage innerhalb dieses Fensters zusammenhängend, einschließlich Rollenpräfix und hilfreichem Quellkontext. Ein langes Handbuch sollte als Abschnitte vorbereitet werden, deren Titel, Bedingungen und Anweisungen auch bei separatem Abruf verständlich sind.
Eine Klausel, die eine Einstellung beschreibt, kann beispielsweise die Definition dieser Einstellung und eine Ausnahme im nächsten Satz benötigen. Bewahren Sie diese kleine Einheit zusammen, statt ausschließlich nach einer Zeichenanzahl zu trennen. Speichern Sie das übergeordnete Dokument und die Quellversion bei der Passage, damit eine Aktualisierung das richtige Material ersetzt.
Der Hersteller erklärt, dass die Reihenfolge der Kosinuswerte wichtiger ist als deren absolute Höhe. Ein Wert darf nicht als kalibrierte Wahrscheinlichkeit dafür interpretiert werden, dass eine Passage die Frage beantwortet. Prüfen Sie bekannte antwortrelevante Passagen und benachbartes irrelevantes Material, wenn Sie entscheiden, wie viele Ergebnisse beibehalten oder an welcher Stelle Kandidaten gefiltert werden.
Die nützliche Ausgabe ist eine Korpus- oder Anfragerepräsentation, ein Signal für semantische Vergleiche oder numerische Merkmale für eine andere Aufgabe. Dieser konkrete englische Large-v2-Checkpoint bleibt von E5-Base-v2 und Multilingual-E5-Large getrennt. Übereinstimmende Dimensionen allein machen ihre Vektoren nicht zu einem dokumentierten gemeinsamen Embedding-Raum.
POST /v1/embeddingstext, token_idsembedding| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits intfloat/e5-large-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 $0.00002 / 1K Token Ausgabe · Ausgabetoken $0 / 1K Token Eingabe · Cache-Lesen — / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "intfloat/e5-large-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-large-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-large-v2
Verwenden Sie die oben angezeigten Methodenpfade.