Source: https://ailoot.ai/models/de/intfloat-e5-large-v2/ Canonical: https://ailoot.ai/models/de/intfloat-e5-large-v2/ Language: de # Intfloat: E5-Large-v2 [Markdown](https://ailoot.ai/models/de/intfloat-e5-large-v2/index.md) · [JSON](https://ailoot.ai/models/de/intfloat-e5-large-v2/facts.json) ## [Intfloat: E5-Large-v2](https://ailoot.ai/models/de/intfloat-e5-large-v2/) intfloat 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. - [**Ailoot Ultra · Embeddings** `POST /v1/embeddings` `intfloat/e5-large-v2`](https://ailoot.ai/models/de/intfloat-e5-large-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-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. #### Die Rollen von Suchanfrage und Passage ausdrücklich angeben 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. #### Mean Pooling und normalisierte Vektoren 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. #### Englischer Text innerhalb des Fensters 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. #### Die Rangfolge als Hinweis für die Informationssuche lesen 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. **Ailoot Ultra · Embeddings** `POST /v1/embeddings` `intfloat/e5-large-v2` [`intfloat/e5-large-v2`](https://ailoot.ai/models/de/#m=intfloat%2Fe5-large-v2&route=Ultra&caller=intfloat%2Fe5-large-v2&fmt=embeddings) Intfloat /`intfloat/e5-large-v2` ### Start intfloat 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. Zulässige Eingaben Text · token\_ids Ergebnisse embedding ### In Ailoot verfügbar · Eingaben und Methoden **Ailoot Ultra · Embeddings** `POST /v1/embeddings` Eingabetypen `text`, `token_ids` Ausgabetypen `embedding` Ausgabeformat json | Feld | Typ | Anforderung | Werte und Limits | Standard | | --- | --- | --- | --- | --- | | Feld`model` | Typ`string` | AnforderungErforderlich | Werte und Limits intfloat/e5-large-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 **$0.00002** / 1K Token Ausgabe · Ausgabetoken **$0** / 1K Token Eingabe · Cache-Lesen **—** / 1K Token Eingabe · Cache-Schreiben **—** / 1K Token Eingabe · Cache-Schreiben, 1 Stunde **—** / 1K Token | Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. [So funktionieren Reservierung und Abrechnung →](https://ailoot.ai/docs/de/billing/reserve/) ### Beispielanfragen #### Ailoot Ultra · Embeddings curlPython SDK ```bash set -eu : "${AILOOT_API_KEY:?Set your Ailoot API key}" python3 - <<'PY_REQUEST' import json,os from pathlib import Path p=json.loads('{"model": "intfloat/e5-large-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-large-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-large-v2`](https://ailoot.ai/models/de/#m=intfloat%2Fe5-large-v2&route=Ultra&caller=intfloat%2Fe5-large-v2&fmt=embeddings) #### Aliasnamen für Methodenpfade Verwenden Sie die oben angezeigten Methodenpfade. #### Zugehörige Aufrufer-IDs [`intfloat/e5-large-v2`](https://ailoot.ai/models/de/#m=intfloat%2Fe5-large-v2&route=Ultra&caller=intfloat%2Fe5-large-v2&fmt=embeddings) FAQ · Intfloat: E5-Large-v2 Welche Eingaben und Ergebnisse sind verfügbar? `POST /v1/embeddings` · `intfloat/e5-large-v2`: `text`, `token_ids` → `embedding` Welche Felder verwendet die Anfrage? `POST /v1/embeddings` · `intfloat/e5-large-v2`: `model`, `input`, `encoding_format`, `provider` Welche Grenzen gelten? `POST /v1/embeddings` · `intfloat/e5-large-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/billing/subscriptions/) · [Modellpreise ansehen](https://ailoot.ai/models/de/) ## 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) ## 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.