Source: https://ailoot.ai/models/de/thenlper-gte-large/ Canonical: https://ailoot.ai/models/de/thenlper-gte-large/ Language: de # Thenlper: GTE-Large [Markdown](https://ailoot.ai/models/de/thenlper-gte-large/index.md) · [JSON](https://ailoot.ai/models/de/thenlper-gte-large/facts.json) ## [Thenlper: GTE-Large](https://ailoot.ai/models/de/thenlper-gte-large/) Alibaba 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. - [**Ailoot Ultra · Embeddings** `POST /v1/embeddings` `thenlper/gte-large`](https://ailoot.ai/models/de/thenlper-gte-large/#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. 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. #### Den Inhalt eines Abschnitts repräsentieren 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. #### Pooling, Normalisierung und Vektornutzung 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 Ausgabedetail; 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. #### Eingabelänge und Beschränkung auf Englisch 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. #### Die abgerufenen Belege prüfen 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. **Ailoot Ultra · Embeddings** `POST /v1/embeddings` `thenlper/gte-large` [`thenlper/gte-large`](https://ailoot.ai/models/de/#m=thenlper%2Fgte-large&route=Ultra&caller=thenlper%2Fgte-large&fmt=embeddings) Thenlper /`thenlper/gte-large` ### Start Alibaba 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. 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 thenlper/gte-large | 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": "thenlper/gte-large", "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='thenlper/gte-large',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** [`thenlper/gte-large`](https://ailoot.ai/models/de/#m=thenlper%2Fgte-large&route=Ultra&caller=thenlper%2Fgte-large&fmt=embeddings) #### Aliasnamen für Methodenpfade Verwenden Sie die oben angezeigten Methodenpfade. #### Zugehörige Aufrufer-IDs [`thenlper/gte-large`](https://ailoot.ai/models/de/#m=thenlper%2Fgte-large&route=Ultra&caller=thenlper%2Fgte-large&fmt=embeddings) FAQ · Thenlper: GTE-Large Welche Eingaben und Ergebnisse sind verfügbar? `POST /v1/embeddings` · `thenlper/gte-large`: `text`, `token_ids` → `embedding` Welche Felder verwendet die Anfrage? `POST /v1/embeddings` · `thenlper/gte-large`: `model`, `input`, `encoding_format`, `provider` Welche Grenzen gelten? `POST /v1/embeddings` · `thenlper/gte-large`: `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.