Το E5-Large-v2 είναι το μοντέλο αγγλικών embeddings κειμένου της intfloat με είκοσι τέσσερις στρώσεις και έξοδο 1024 διαστάσεων. Έχει σχεδιαστεί για να αναπαριστά αριθμητικά ερωτήματα και αποσπάσματα για ανάκτηση και άλλες εργασίες embeddings. Η σύμβαση προετοιμασίας E5 αποτελεί μέρος της εκπαίδευσής του: το κείμενο εισόδου φέρει πρόθεμα ρόλου και οι κωδικοποιημένες αναπαραστάσεις tokens συνδυάζονται με pooling σε ένα διάνυσμα για αυτό το κείμενο.
Για ασύμμετρη ανάκτηση, ξεκινήστε το ερώτημα με «query:» και το κείμενο του corpus με «passage:». Αυτοί οι ρόλοι διαχωρίζουν αυτό που αναζητά ο χρήστης από το υλικό που ενδέχεται να του απαντήσει. Για συμμετρική σύγκριση, αναζήτηση παραφράσεων, ομαδοποίηση ή χαρακτηριστικά ταξινόμησης, ο κατασκευαστής συνιστά «query:» για τα κείμενα των οποίων παράγονται embeddings.
Μια πρακτική συλλογή μπορεί να ευρετηριάζει αγγλικές επεξηγήσεις υποστήριξης. Προετοιμάστε ένα ερώτημα όπως «query: What should I check before replacing the connector?» και συνδυάστε το με αποσπάσματα πηγής που περιγράφουν τους ελέγχους και τις εξαιρέσεις. Το κείμενο του αποσπάσματος διατηρεί το αντίστοιχο πρόθεμά του. Αποθηκεύστε το αναγνωριστικό πηγής και την αρχική διατύπωση δίπλα σε κάθε διάνυσμα, ώστε το αποτέλεσμα να επιστρέφει το υλικό που χρειάζεται να διαβάσει ο χρήστης.
Τα προθέματα δεν είναι διακοσμητικές ετικέτες που αφαιρούνται από τη μία πλευρά της εργασίας. Ο κατασκευαστής δηλώνει ότι η παράλειψή τους υποβαθμίζει την απόδοση ανάκτησης, επειδή το μοντέλο εκπαιδεύτηκε με αυτή την προετοιμασία. Εφαρμόστε τον επιλεγμένο ρόλο με συνέπεια κατά την κατασκευή του corpus και κατά τη μεταγενέστερη παραγωγή embedding ενός ερωτήματος.
Το επίσημο παράδειγμα κωδικοποίησης υπολογίζει τον μέσο όρο των αναπαραστάσεων tokens, αποκλείοντας τις θέσεις συμπλήρωσης, δηλαδή padding, με τη μάσκα προσοχής. Στη συνέχεια κανονικοποιεί το διάνυσμα που προκύπτει. Ένα εσωτερικό γινόμενο μεταξύ κανονικοποιημένων διανυσμάτων ερωτήματος και αποσπάσματος παρέχει ομοιότητα συνημιτόνου για την κατάταξη υποψηφίων. Αυτή η συνταγή mean pooling ανήκει στο E5-Large-v2· μια συνταγή pooling του πρώτου token από διαφορετική οικογένεια είναι χωριστή επιλογή προετοιμασίας.
Οι 1024 τιμές εξόδου σχηματίζουν το embedding, όχι γραπτή απάντηση ή άμεση ετικέτα κατηγορίας. Ένα στάδιο αναζήτησης συγκρίνει αυτές τις τιμές με συμβατές αναπαραστάσεις του corpus και ένα μεταγενέστερο στάδιο χρησιμοποιεί το επιλεγμένο κείμενο αποσπάσματος. Αν τα διανύσματα λειτουργούν ως χαρακτηριστικά ομαδοποίησης ή ταξινομητή, διατηρήστε τη σύνδεση κάθε διανύσματος με την εγγραφή εισόδου της οποίας αναπαριστά τα χαρακτηριστικά.
Η κάρτα του μοντέλου προσδιορίζει κείμενο μόνο στα αγγλικά και περικοπή μεγάλων εισόδων το πολύ στα 512 tokens. Κρατήστε κάθε απόσπασμα εγγράφου συνεκτικό μέσα σε αυτό το παράθυρο, συμπεριλαμβανομένου του προθέματος ρόλου και χρήσιμου πλαισίου πηγής. Ένα μακρύ εγχειρίδιο πρέπει να προετοιμάζεται ως ενότητες των οποίων οι τίτλοι, οι συνθήκες και οι οδηγίες μπορούν να γίνουν κατανοητές όταν ανακτώνται χωριστά.
Για παράδειγμα, μια πρόταση που περιγράφει μια ρύθμιση μπορεί να χρειάζεται τον ορισμό αυτής της ρύθμισης και μια εξαίρεση στην επόμενη πρόταση. Διατηρήστε αυτή τη μικρή μονάδα μαζί αντί να τη διαιρείτε αποκλειστικά με βάση πλήθος χαρακτήρων. Κρατήστε το γονικό έγγραφο και την έκδοση πηγής μαζί με το απόσπασμα, ώστε μια ενημέρωση να αντικαθιστά το σωστό υλικό.
Ο κατασκευαστής εξηγεί ότι η σειρά των βαθμολογιών συνημιτόνου έχει μεγαλύτερη σημασία από τις απόλυτες τιμές τους. Μια βαθμολογία δεν πρέπει να ερμηνεύεται ως βαθμονομημένη πιθανότητα ότι ένα απόσπασμα απαντά στο ερώτημα. Ελέγξτε γνωστά αποσπάσματα που περιέχουν απάντηση και κοντινό άσχετο υλικό όταν επιλέγετε πόσα αποτελέσματα θα κρατήσετε ή πού θα φιλτράρετε ένα σύνολο υποψηφίων.
Η χρήσιμη έξοδος είναι αναπαράσταση corpus ή ερωτήματος, σήμα σημασιολογικής σύγκρισης ή αριθμητικά χαρακτηριστικά για άλλη εργασία. Αυτό το ακριβές αγγλικό checkpoint Large v2 παραμένει χωριστό από τα E5-Base-v2 και Multilingual-E5-Large. Η αντιστοιχία διαστάσεων από μόνη της δεν καθιστά τα διανύσματά τους τεκμηριωμένο κοινό χώρο embeddings.
", "aboutText": "Το E5-Large-v2 είναι το μοντέλο αγγλικών embeddings κειμένου της intfloat με είκοσι τέσσερις στρώσεις και έξοδο 1024 διαστάσεων. Έχει σχεδιαστεί για να αναπαριστά αριθμητικά ερωτήματα και αποσπάσματα για ανάκτηση και άλλες εργασίες embeddings. Η σύμβαση προετοιμασίας E5 αποτελεί μέρος της εκπαίδευσής του: το κείμενο εισόδου φέρει πρόθεμα ρόλου και οι κωδικοποιημένες αναπαραστάσεις tokens συνδυάζονται με pooling σε ένα διάνυσμα για αυτό το κείμενο.\n\n### Κρατήστε ρητούς τους ρόλους ερωτήματος και αποσπάσματος\n\nΓια ασύμμετρη ανάκτηση, ξεκινήστε το ερώτημα με «query:» και το κείμενο του corpus με «passage:». Αυτοί οι ρόλοι διαχωρίζουν αυτό που αναζητά ο χρήστης από το υλικό που ενδέχεται να του απαντήσει. Για συμμετρική σύγκριση, αναζήτηση παραφράσεων, ομαδοποίηση ή χαρακτηριστικά ταξινόμησης, ο κατασκευαστής συνιστά «query:» για τα κείμενα των οποίων παράγονται embeddings.\n\nΜια πρακτική συλλογή μπορεί να ευρετηριάζει αγγλικές επεξηγήσεις υποστήριξης. Προετοιμάστε ένα ερώτημα όπως «query: What should I check before replacing the connector?» και συνδυάστε το με αποσπάσματα πηγής που περιγράφουν τους ελέγχους και τις εξαιρέσεις. Το κείμενο του αποσπάσματος διατηρεί το αντίστοιχο πρόθεμά του. Αποθηκεύστε το αναγνωριστικό πηγής και την αρχική διατύπωση δίπλα σε κάθε διάνυσμα, ώστε το αποτέλεσμα να επιστρέφει το υλικό που χρειάζεται να διαβάσει ο χρήστης.\n\nΤα προθέματα δεν είναι διακοσμητικές ετικέτες που αφαιρούνται από τη μία πλευρά της εργασίας. Ο κατασκευαστής δηλώνει ότι η παράλειψή τους υποβαθμίζει την απόδοση ανάκτησης, επειδή το μοντέλο εκπαιδεύτηκε με αυτή την προετοιμασία. Εφαρμόστε τον επιλεγμένο ρόλο με συνέπεια κατά την κατασκευή του corpus και κατά τη μεταγενέστερη παραγωγή embedding ενός ερωτήματος.\n\n### Mean pooling και κανονικοποιημένα διανύσματα\n\nΤο επίσημο παράδειγμα κωδικοποίησης υπολογίζει τον μέσο όρο των αναπαραστάσεων tokens, αποκλείοντας τις θέσεις συμπλήρωσης, δηλαδή padding, με τη μάσκα προσοχής. Στη συνέχεια κανονικοποιεί το διάνυσμα που προκύπτει. Ένα εσωτερικό γινόμενο μεταξύ κανονικοποιημένων διανυσμάτων ερωτήματος και αποσπάσματος παρέχει ομοιότητα συνημιτόνου για την κατάταξη υποψηφίων. Αυτή η συνταγή mean pooling ανήκει στο E5-Large-v2· μια συνταγή pooling του πρώτου token από διαφορετική οικογένεια είναι χωριστή επιλογή προετοιμασίας.\n\nΟι 1024 τιμές εξόδου σχηματίζουν το embedding, όχι γραπτή απάντηση ή άμεση ετικέτα κατηγορίας. Ένα στάδιο αναζήτησης συγκρίνει αυτές τις τιμές με συμβατές αναπαραστάσεις του corpus και ένα μεταγενέστερο στάδιο χρησιμοποιεί το επιλεγμένο κείμενο αποσπάσματος. Αν τα διανύσματα λειτουργούν ως χαρακτηριστικά ομαδοποίησης ή ταξινομητή, διατηρήστε τη σύνδεση κάθε διανύσματος με την εγγραφή εισόδου της οποίας αναπαριστά τα χαρακτηριστικά.\n\n### Αγγλικό κείμενο μέσα στο παράθυρο\n\nΗ κάρτα του μοντέλου προσδιορίζει κείμενο μόνο στα αγγλικά και περικοπή μεγάλων εισόδων το πολύ στα 512 tokens. Κρατήστε κάθε απόσπασμα εγγράφου συνεκτικό μέσα σε αυτό το παράθυρο, συμπεριλαμβανομένου του προθέματος ρόλου και χρήσιμου πλαισίου πηγής. Ένα μακρύ εγχειρίδιο πρέπει να προετοιμάζεται ως ενότητες των οποίων οι τίτλοι, οι συνθήκες και οι οδηγίες μπορούν να γίνουν κατανοητές όταν ανακτώνται χωριστά.\n\nΓια παράδειγμα, μια πρόταση που περιγράφει μια ρύθμιση μπορεί να χρειάζεται τον ορισμό αυτής της ρύθμισης και μια εξαίρεση στην επόμενη πρόταση. Διατηρήστε αυτή τη μικρή μονάδα μαζί αντί να τη διαιρείτε αποκλειστικά με βάση πλήθος χαρακτήρων. Κρατήστε το γονικό έγγραφο και την έκδοση πηγής μαζί με το απόσπασμα, ώστε μια ενημέρωση να αντικαθιστά το σωστό υλικό.\n\n### Διαβάστε την κατάταξη ως στοιχεία ανάκτησης\n\nΟ κατασκευαστής εξηγεί ότι η σειρά των βαθμολογιών συνημιτόνου έχει μεγαλύτερη σημασία από τις απόλυτες τιμές τους. Μια βαθμολογία δεν πρέπει να ερμηνεύεται ως βαθμονομημένη πιθανότητα ότι ένα απόσπασμα απαντά στο ερώτημα. Ελέγξτε γνωστά αποσπάσματα που περιέχουν απάντηση και κοντινό άσχετο υλικό όταν επιλέγετε πόσα αποτελέσματα θα κρατήσετε ή πού θα φιλτράρετε ένα σύνολο υποψηφίων.\n\nΗ χρήσιμη έξοδος είναι αναπαράσταση corpus ή ερωτήματος, σήμα σημασιολογικής σύγκρισης ή αριθμητικά χαρακτηριστικά για άλλη εργασία. Αυτό το ακριβές αγγλικό checkpoint Large v2 παραμένει χωριστό από τα E5-Base-v2 και Multilingual-E5-Large. Η αντιστοιχία διαστάσεων από μόνη της δεν καθιστά τα διανύσματά τους τεκμηριωμένο κοινό χώρο embeddings.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "6949b07f5f24125ae927abd8a9dc09069281fd4c5c8d6c2a4f45fbca3ea92e68", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "el", "methods": [ { "html": "intfloat/e5-large-v2Το intfloat E5-Large-v2 κωδικοποιεί αγγλικά ερωτήματα και αποσπάσματα ως διανύσματα 1024 διαστάσεων. Το μοντέλο 24 στρώσεών του χρησιμοποιεί ρόλους query/passage, mean pooling και όριο εισόδου 512 tokens για αναζήτηση, σημασιολογική ομοιότητα και αριθμητικά χαρακτηριστικά κειμένου.
Αυτή η περιγραφή καλύπτει τις δυνατότητες του μοντέλου. Οι είσοδοι, έξοδοι και επιλογές που διατίθενται στο Ailoot παρατίθενται παρακάτω για την επιλεγμένη μέθοδο.
Το E5-Large-v2 είναι το μοντέλο αγγλικών embeddings κειμένου της intfloat με είκοσι τέσσερις στρώσεις και έξοδο 1024 διαστάσεων. Έχει σχεδιαστεί για να αναπαριστά αριθμητικά ερωτήματα και αποσπάσματα για ανάκτηση και άλλες εργασίες embeddings. Η σύμβαση προετοιμασίας E5 αποτελεί μέρος της εκπαίδευσής του: το κείμενο εισόδου φέρει πρόθεμα ρόλου και οι κωδικοποιημένες αναπαραστάσεις tokens συνδυάζονται με pooling σε ένα διάνυσμα για αυτό το κείμενο.
Για ασύμμετρη ανάκτηση, ξεκινήστε το ερώτημα με «query:» και το κείμενο του corpus με «passage:». Αυτοί οι ρόλοι διαχωρίζουν αυτό που αναζητά ο χρήστης από το υλικό που ενδέχεται να του απαντήσει. Για συμμετρική σύγκριση, αναζήτηση παραφράσεων, ομαδοποίηση ή χαρακτηριστικά ταξινόμησης, ο κατασκευαστής συνιστά «query:» για τα κείμενα των οποίων παράγονται embeddings.
Μια πρακτική συλλογή μπορεί να ευρετηριάζει αγγλικές επεξηγήσεις υποστήριξης. Προετοιμάστε ένα ερώτημα όπως «query: What should I check before replacing the connector?» και συνδυάστε το με αποσπάσματα πηγής που περιγράφουν τους ελέγχους και τις εξαιρέσεις. Το κείμενο του αποσπάσματος διατηρεί το αντίστοιχο πρόθεμά του. Αποθηκεύστε το αναγνωριστικό πηγής και την αρχική διατύπωση δίπλα σε κάθε διάνυσμα, ώστε το αποτέλεσμα να επιστρέφει το υλικό που χρειάζεται να διαβάσει ο χρήστης.
Τα προθέματα δεν είναι διακοσμητικές ετικέτες που αφαιρούνται από τη μία πλευρά της εργασίας. Ο κατασκευαστής δηλώνει ότι η παράλειψή τους υποβαθμίζει την απόδοση ανάκτησης, επειδή το μοντέλο εκπαιδεύτηκε με αυτή την προετοιμασία. Εφαρμόστε τον επιλεγμένο ρόλο με συνέπεια κατά την κατασκευή του corpus και κατά τη μεταγενέστερη παραγωγή embedding ενός ερωτήματος.
Το επίσημο παράδειγμα κωδικοποίησης υπολογίζει τον μέσο όρο των αναπαραστάσεων tokens, αποκλείοντας τις θέσεις συμπλήρωσης, δηλαδή padding, με τη μάσκα προσοχής. Στη συνέχεια κανονικοποιεί το διάνυσμα που προκύπτει. Ένα εσωτερικό γινόμενο μεταξύ κανονικοποιημένων διανυσμάτων ερωτήματος και αποσπάσματος παρέχει ομοιότητα συνημιτόνου για την κατάταξη υποψηφίων. Αυτή η συνταγή mean pooling ανήκει στο E5-Large-v2· μια συνταγή pooling του πρώτου token από διαφορετική οικογένεια είναι χωριστή επιλογή προετοιμασίας.
Οι 1024 τιμές εξόδου σχηματίζουν το embedding, όχι γραπτή απάντηση ή άμεση ετικέτα κατηγορίας. Ένα στάδιο αναζήτησης συγκρίνει αυτές τις τιμές με συμβατές αναπαραστάσεις του corpus και ένα μεταγενέστερο στάδιο χρησιμοποιεί το επιλεγμένο κείμενο αποσπάσματος. Αν τα διανύσματα λειτουργούν ως χαρακτηριστικά ομαδοποίησης ή ταξινομητή, διατηρήστε τη σύνδεση κάθε διανύσματος με την εγγραφή εισόδου της οποίας αναπαριστά τα χαρακτηριστικά.
Η κάρτα του μοντέλου προσδιορίζει κείμενο μόνο στα αγγλικά και περικοπή μεγάλων εισόδων το πολύ στα 512 tokens. Κρατήστε κάθε απόσπασμα εγγράφου συνεκτικό μέσα σε αυτό το παράθυρο, συμπεριλαμβανομένου του προθέματος ρόλου και χρήσιμου πλαισίου πηγής. Ένα μακρύ εγχειρίδιο πρέπει να προετοιμάζεται ως ενότητες των οποίων οι τίτλοι, οι συνθήκες και οι οδηγίες μπορούν να γίνουν κατανοητές όταν ανακτώνται χωριστά.
Για παράδειγμα, μια πρόταση που περιγράφει μια ρύθμιση μπορεί να χρειάζεται τον ορισμό αυτής της ρύθμισης και μια εξαίρεση στην επόμενη πρόταση. Διατηρήστε αυτή τη μικρή μονάδα μαζί αντί να τη διαιρείτε αποκλειστικά με βάση πλήθος χαρακτήρων. Κρατήστε το γονικό έγγραφο και την έκδοση πηγής μαζί με το απόσπασμα, ώστε μια ενημέρωση να αντικαθιστά το σωστό υλικό.
Ο κατασκευαστής εξηγεί ότι η σειρά των βαθμολογιών συνημιτόνου έχει μεγαλύτερη σημασία από τις απόλυτες τιμές τους. Μια βαθμολογία δεν πρέπει να ερμηνεύεται ως βαθμονομημένη πιθανότητα ότι ένα απόσπασμα απαντά στο ερώτημα. Ελέγξτε γνωστά αποσπάσματα που περιέχουν απάντηση και κοντινό άσχετο υλικό όταν επιλέγετε πόσα αποτελέσματα θα κρατήσετε ή πού θα φιλτράρετε ένα σύνολο υποψηφίων.
Η χρήσιμη έξοδος είναι αναπαράσταση corpus ή ερωτήματος, σήμα σημασιολογικής σύγκρισης ή αριθμητικά χαρακτηριστικά για άλλη εργασία. Αυτό το ακριβές αγγλικό checkpoint Large v2 παραμένει χωριστό από τα E5-Base-v2 και Multilingual-E5-Large. Η αντιστοιχία διαστάσεων από μόνη της δεν καθιστά τα διανύσματά τους τεκμηριωμένο κοινό χώρο embeddings.
POST /v1/embeddingstext, token_idsembedding| Πεδίο | Τύπος | Απαίτηση | Τιμές και όρια | Προεπιλογή |
|---|---|---|---|---|
Πεδίοmodel | Τύποςstring | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια intfloat/e5-large-v2 | Προεπιλογή— |
Πεδίοinput | Τύποςstring|string[]|integer[]|integer[][] | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια Ελάχιστο πλήθος στοιχείων: 1 Συνθήκες: Μη κενή ομοιογενής παρτίδα. Τα ID των token είναι μη αρνητικοί ακέραιοι. Προϋπολογισμός εισόδου: Μέγιστο: 512 · Μονάδα κειμένου: byte UTF8 · Μονάδα token: στοιχεία πίνακα token | Προεπιλογή— |
Πεδίοencoding_format | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια float | Προεπιλογήfloat |
Πεδίοdimensions | Τύποςinteger | ΑπαίτησηΔεν υποστηρίζεται | Τιμές και όρια Ελάχιστο: 1 | Προεπιλογή— |
Πεδίοuser | Τύποςjson_value | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Συνθήκες: Η πηγή επιτρέπει αυτό το πεδίο μεταδεδομένων JSON· η ακριβής σημασιολογία του ανάντη συστήματος εξαρτάται από το μοντέλο. | Προεπιλογή— |
Πεδίοsession_id | Τύποςjson_value | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Συνθήκες: Η πηγή επιτρέπει αυτό το πεδίο μεταδεδομένων JSON· η ακριβής σημασιολογία του ανάντη συστήματος εξαρτάται από το μοντέλο. | Προεπιλογή— |
Πεδίοtrace | Τύποςjson_value | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Συνθήκες: Η πηγή επιτρέπει αυτό το πεδίο μεταδεδομένων JSON· η ακριβής σημασιολογία του ανάντη συστήματος εξαρτάται από το μοντέλο. | Προεπιλογή— |
Πεδίοprovider | Τύποςobject | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Συνθήκες: Το provider.options απορρίφθηκε | Προεπιλογή— |
text_to_embedding
| Παράμετρος | Σύμβαση |
|---|---|
Παράμετροςcontent_type | Σύμβασηapplication/json |
Παράμετροςrequired | Σύμβασηmodel, input |
Παράμετροςinput_shapes | Σύμβασηstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Παράμετροςencoding_format | Σύμβασηfloat |
Παράμετροςdimensions_override | Σύμβασηfalse |
Παράμετροςmax_input_budget_units | Σύμβαση512 |
Παράμετροςmultimodal_objects | Σύμβασηfalse |
Παράμετροςmaterial_types | Σύμβασηtext, token_ids |
Κύκλος ζωής: synchronous_json
Διατηρήστε τον δείκτη και τη διάσταση κάθε διανύσματος.
Το όνομα πολυτροπικού μοντέλου δεν επιτρέπει αντικείμενα εικόνας σε αυτήν ακριβώς τη διαδρομή.
Οι τιμολογιακές αναφορές δεν προσθέτουν επιλογές αιτήματος. Οι υποστηριζόμενες παράμετροι αναφέρονται στην επιλεγμένη μέθοδο.
| Διαμόρφωση | Πίνακας χρεώσεων | Χρέωση |
|---|---|---|
| ΔιαμόρφωσηΒασικές χρεώσεις ανά token | Πίνακας χρεώσεωνΒασική χρέωση | Χρέωση Είσοδος · Token εισόδου $0.00002 / 1K token Έξοδος · Token εξόδου $0 / 1K token Είσοδος · Ανάγνωση από την κρυφή μνήμη — / 1K token Είσοδος · Εγγραφή στην κρυφή μνήμη — / 1K token Είσοδος · Εγγραφή στην κρυφή μνήμη, 1 ώρα — / 1K token |
Το Ailoot δεσμεύει ένα εκτιμώμενο ποσό πριν από το αίτημα. Μετά το αποτέλεσμα, εκκαθαρίζει την τελική χρέωση βάσει της μετρημένης χρήσης. Η εκκαθάριση ροής χρησιμοποιεί την τελική καταγραφή χρήσης. Πώς λειτουργούν η δέσμευση και η εκκαθάριση →
set -eu\n: "${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
Διατηρήστε κάθε πλήρη απάντηση, αρχείο και τμήμα περιεχομένου που επιστρέφεται.
Διατηρήστε κάθε διάνυσμα με τον δείκτη του. Το πλήθος των διανυσμάτων πρέπει να ισούται με το πλήθος των στοιχείων εισόδου· οι διαστάσεις πρέπει να είναι συνεπείς.
Δεν εισάγεται endpoint εργασιών ενσωμάτωσης.
| Πεδίο | Τύπος |
|---|---|
Πεδίοobject | Τύποςstring |
Πεδίοmodel | Τύποςstring |
Πεδίοdata[].index | Τύποςinteger |
Πεδίοdata[].embedding | Τύποςfinite float[] |
Πεδίοusage | Τύποςobject |
| Απάντηση | Συνθήκη | Επόμενο βήμα |
|---|---|---|
Απάντηση400 · invalid_request_error | ΣυνθήκηΜη έγκυρα υποχρεωτικά πεδία, μη έγκυρη αναπαράσταση υλικού ή μη έγκυρη τιμή παραμέτρου | Επόμενο βήμαΔιορθώστε τα υποδεικνυόμενα πεδία πριν από νέο αίτημα δημιουργίας. |
Ailoot Ultra intfloat/e5-large-v2
Χρησιμοποιήστε τις διαδρομές μεθόδων που εμφανίζονται παραπάνω.