Το LFM2.5-Embedding-350M είναι ο πυκνός bi-encoder της LiquidAI για πολυγλωσσική και διαγλωσσική ανάκτηση. Παράγει ένα διάνυσμα 1024 διαστάσεων για κάθε κείμενο και στοχεύει σε αναζήτηση σύντομων συμφραζομένων σε έντεκα γλώσσες. Η οικογένεια μοντέλων με όνομα 350M χρησιμοποιεί αμφίδρομη προσαρμογή του LFM2.5-350M-Base· ο αναλυτικός πίνακας μοντέλου δίνει περίπου 354 εκατομμύρια παραμέτρους για αυτή την έκδοση embeddings.
Ο κατασκευαστής προσαρμόζει τη βασική αρχιτεκτονική ώστε η προσοχή και οι τοπικές συνελίξεις να χρησιμοποιούν συμφραζόμενα και στις δύο πλευρές ενός token. Το pooling τύπου CLS μετατρέπει το επεξεργασμένο κείμενο σε ένα πυκνό διάνυσμα. Ο πίνακας μοντέλου περιγράφει δεκαεπτά στρώσεις: δέκα μπλοκ συνελίξεων, έξι μπλοκ προσοχής και ένα στάδιο pooling. Αυτός είναι κωδικοποιητής ανάκτησης, με δική του προετοιμασία και έξοδο, αντί για την εργασία παραγωγής κειμένου του βασικού μοντέλου.
Το χωριστά ονομασμένο LFM2.5-ColBERT-350M διατηρεί διανύσματα ανά token για καθυστερημένη αλληλεπίδραση. Αυτή η αναπαράσταση απαιτεί διαφορετικό ευρετήριο και μέθοδο σύγκρισης. Το μοντέλο Embedding εδώ παρέχει ένα διάνυσμα ανά έγγραφο ή ερώτημα, με ομοιότητα συνημιτόνου ως τεκμηριωμένη σύγκριση.
Προετοιμάστε ερωτήματα αναζήτησης με «query:» και αποσπάσματα πηγής με «document:». Ο κατασκευαστής αποθηκεύει αυτά τα prompts στη διαμόρφωσή του και η ροή αναφοράς εφαρμόζει το αντίστοιχο όνομα prompt. Συνιστά συγκεκριμένα τον αντίστοιχο ρόλο σε κάθε πλευρά επειδή το μοντέλο εκπαιδεύτηκε με αυτά τα προθέματα. Αυτό το πρόθεμα εγγράφου διαφέρει από τη σύμβαση «passage:» των μοντέλων E5.
Μια πρακτική συλλογή αναζήτησης προϊόντων μπορεί να περιέχει περιγραφές στις υποστηριζόμενες γλώσσες. Προετοιμάστε τη διατύπωση αναζήτησης του χρήστη ως ερώτημα και κάθε περιγραφή προϊόντος ως έγγραφο. Αποθηκεύστε το αρχικό κείμενο, το αναγνωριστικό προϊόντος και τη γλώσσα μαζί με το διάνυσμα, ώστε ένα αποτέλεσμα αναζήτησης να επιστρέφει την αντίστοιχη εγγραφή. Για συλλογή υποστήριξης, κρατήστε τη σχετική με το ερώτημα πολιτική ή οδηγία αντί να την αντικαθιστάτε με άσχετη σύντομη ετικέτα.
Το τεκμηριωμένο σύνολο γλωσσών είναι αγγλικά, ισπανικά, γερμανικά, γαλλικά, ιταλικά, πορτογαλικά, αραβικά, σουηδικά, νορβηγικά, ιαπωνικά και κορεατικά. Ο κατασκευαστής στοχεύει ρητά τόσο στην ανάκτηση εντός μιας γλώσσας όσο και στην ανάκτηση μεταξύ γλωσσών. Προετοιμάστε πραγματικά ερωτήματα από το προβλεπόμενο κοινό και εξετάστε το κείμενο των επιστρεφόμενων εγγράφων σε αυτές τις γλώσσες.
Η προδιαγραφή μήκους εγγράφου είναι 512 tokens. Διαιρέστε μια μεγάλη πηγή σε συνεκτικά αποσπάσματα που διατηρούν την επικεφαλίδα, ορισμούς και συνθήκες που χρειάζεται ένα ανακτημένο αποτέλεσμα. Το πρόθεμα ρόλου και τα πρόσθετα συμφραζόμενα ανήκουν στην προετοιμασμένη είσοδο. Μια απάντηση συχνής ερώτησης, εξήγηση προϊόντος ή εστιασμένη ενότητα τεχνικού εγγράφου είναι καταλληλότερη μονάδα από ένα ολόκληρο υπερμεγέθες εγχειρίδιο.
Ο κατασκευαστής περιγράφει τρία στάδια εκπαίδευσης: αγγλική αντιθετική προεκπαίδευση, πολυγλωσσική και διαγλωσσική απόσταξη και κατόπιν λεπτομερή ρύθμιση με δύσκολα αρνητικά παραδείγματα που έχουν εντοπιστεί μέσω εξόρυξης. Το μοντέλο που προκύπτει προορίζεται για καταλόγους προϊόντων, συλλογές συχνών ερωτήσεων και υποστήριξης, αναζήτηση αρχείων ή σημειώσεων και ανάκτηση επιχειρηματικής γνώσης. Αυτές είναι εργασίες των αναπαραστάσεων κειμένου, όχι ισχυρισμοί για ανάπτυξη συγκεκριμένης εφαρμογής σε παραγωγή.
Το παράδειγμα του παραγωγού κανονικοποιεί διανύσματα ερωτήματος και εγγράφου και τα κατατάσσει με εσωτερικό γινόμενο, ισοδύναμο με ομοιότητα συνημιτόνου. Υπολογίστε εκ των προτέρων τις αναπαραστάσεις του corpus όταν προετοιμαστεί το υλικό πηγής και έπειτα δημιουργήστε embedding ενός ερωτήματος αναζήτησης και επιστρέψτε υποψήφια έγγραφα με κείμενο και αναγνωριστικά. Κρατήστε το επιλεγμένο μοντέλο και τη σύμβαση ρόλων μαζί με το ευρετήριο, ώστε η αριθμητική σύγκριση να χρησιμοποιεί συμβατές αναπαραστάσεις.
Το χρήσιμο αποτέλεσμα είναι συμπαγές πυκνό ευρετήριο αναζήτησης ή διάνυσμα ερωτήματος που ανακτά υλικό πηγής στο τεκμηριωμένο σύνολο γλωσσών. Αυτή η ακριβής έκδοση LFM2.5 Embedding παραμένει χωριστή από τον συνοδό της ColBERT, παλαιότερους ανακτητές LFM2 και εξωτερικά κβαντισμένες υλοποιήσεις. Το επιλεγμένο κείμενο του αποσπάσματος αποτελεί την τεκμηρίωση που χρησιμοποιεί ένας αναγνώστης ή μεταγενέστερο στάδιο απάντησης RAG.
", "aboutText": "Το LFM2.5-Embedding-350M είναι ο πυκνός bi-encoder της LiquidAI για πολυγλωσσική και διαγλωσσική ανάκτηση. Παράγει ένα διάνυσμα 1024 διαστάσεων για κάθε κείμενο και στοχεύει σε αναζήτηση σύντομων συμφραζομένων σε έντεκα γλώσσες. Η οικογένεια μοντέλων με όνομα 350M χρησιμοποιεί αμφίδρομη προσαρμογή του LFM2.5-350M-Base· ο αναλυτικός πίνακας μοντέλου δίνει περίπου 354 εκατομμύρια παραμέτρους για αυτή την έκδοση embeddings.\n\n### Αμφίδρομη αναπαράσταση ανάκτησης\n\nΟ κατασκευαστής προσαρμόζει τη βασική αρχιτεκτονική ώστε η προσοχή και οι τοπικές συνελίξεις να χρησιμοποιούν συμφραζόμενα και στις δύο πλευρές ενός token. Το pooling τύπου CLS μετατρέπει το επεξεργασμένο κείμενο σε ένα πυκνό διάνυσμα. Ο πίνακας μοντέλου περιγράφει δεκαεπτά στρώσεις: δέκα μπλοκ συνελίξεων, έξι μπλοκ προσοχής και ένα στάδιο pooling. Αυτός είναι κωδικοποιητής ανάκτησης, με δική του προετοιμασία και έξοδο, αντί για την εργασία παραγωγής κειμένου του βασικού μοντέλου.\n\nΤο χωριστά ονομασμένο LFM2.5-ColBERT-350M διατηρεί διανύσματα ανά token για καθυστερημένη αλληλεπίδραση. Αυτή η αναπαράσταση απαιτεί διαφορετικό ευρετήριο και μέθοδο σύγκρισης. Το μοντέλο Embedding εδώ παρέχει ένα διάνυσμα ανά έγγραφο ή ερώτημα, με ομοιότητα συνημιτόνου ως τεκμηριωμένη σύγκριση.\n\n### Χρησιμοποιήστε τα σωστά ασύμμετρα prompts\n\nΠροετοιμάστε ερωτήματα αναζήτησης με «query:» και αποσπάσματα πηγής με «document:». Ο κατασκευαστής αποθηκεύει αυτά τα prompts στη διαμόρφωσή του και η ροή αναφοράς εφαρμόζει το αντίστοιχο όνομα prompt. Συνιστά συγκεκριμένα τον αντίστοιχο ρόλο σε κάθε πλευρά επειδή το μοντέλο εκπαιδεύτηκε με αυτά τα προθέματα. Αυτό το πρόθεμα εγγράφου διαφέρει από τη σύμβαση «passage:» των μοντέλων E5.\n\nΜια πρακτική συλλογή αναζήτησης προϊόντων μπορεί να περιέχει περιγραφές στις υποστηριζόμενες γλώσσες. Προετοιμάστε τη διατύπωση αναζήτησης του χρήστη ως ερώτημα και κάθε περιγραφή προϊόντος ως έγγραφο. Αποθηκεύστε το αρχικό κείμενο, το αναγνωριστικό προϊόντος και τη γλώσσα μαζί με το διάνυσμα, ώστε ένα αποτέλεσμα αναζήτησης να επιστρέφει την αντίστοιχη εγγραφή. Για συλλογή υποστήριξης, κρατήστε τη σχετική με το ερώτημα πολιτική ή οδηγία αντί να την αντικαθιστάτε με άσχετη σύντομη ετικέτα.\n\n### Γλώσσες και μέγεθος αποσπασμάτων\n\nΤο τεκμηριωμένο σύνολο γλωσσών είναι αγγλικά, ισπανικά, γερμανικά, γαλλικά, ιταλικά, πορτογαλικά, αραβικά, σουηδικά, νορβηγικά, ιαπωνικά και κορεατικά. Ο κατασκευαστής στοχεύει ρητά τόσο στην ανάκτηση εντός μιας γλώσσας όσο και στην ανάκτηση μεταξύ γλωσσών. Προετοιμάστε πραγματικά ερωτήματα από το προβλεπόμενο κοινό και εξετάστε το κείμενο των επιστρεφόμενων εγγράφων σε αυτές τις γλώσσες.\n\nΗ προδιαγραφή μήκους εγγράφου είναι 512 tokens. Διαιρέστε μια μεγάλη πηγή σε συνεκτικά αποσπάσματα που διατηρούν την επικεφαλίδα, ορισμούς και συνθήκες που χρειάζεται ένα ανακτημένο αποτέλεσμα. Το πρόθεμα ρόλου και τα πρόσθετα συμφραζόμενα ανήκουν στην προετοιμασμένη είσοδο. Μια απάντηση συχνής ερώτησης, εξήγηση προϊόντος ή εστιασμένη ενότητα τεχνικού εγγράφου είναι καταλληλότερη μονάδα από ένα ολόκληρο υπερμεγέθες εγχειρίδιο.\n\n### Εκπαίδευση και αντιστοίχιση\n\nΟ κατασκευαστής περιγράφει τρία στάδια εκπαίδευσης: αγγλική αντιθετική προεκπαίδευση, πολυγλωσσική και διαγλωσσική απόσταξη και κατόπιν λεπτομερή ρύθμιση με δύσκολα αρνητικά παραδείγματα που έχουν εντοπιστεί μέσω εξόρυξης. Το μοντέλο που προκύπτει προορίζεται για καταλόγους προϊόντων, συλλογές συχνών ερωτήσεων και υποστήριξης, αναζήτηση αρχείων ή σημειώσεων και ανάκτηση επιχειρηματικής γνώσης. Αυτές είναι εργασίες των αναπαραστάσεων κειμένου, όχι ισχυρισμοί για ανάπτυξη συγκεκριμένης εφαρμογής σε παραγωγή.\n\nΤο παράδειγμα του παραγωγού κανονικοποιεί διανύσματα ερωτήματος και εγγράφου και τα κατατάσσει με εσωτερικό γινόμενο, ισοδύναμο με ομοιότητα συνημιτόνου. Υπολογίστε εκ των προτέρων τις αναπαραστάσεις του corpus όταν προετοιμαστεί το υλικό πηγής και έπειτα δημιουργήστε embedding ενός ερωτήματος αναζήτησης και επιστρέψτε υποψήφια έγγραφα με κείμενο και αναγνωριστικά. Κρατήστε το επιλεγμένο μοντέλο και τη σύμβαση ρόλων μαζί με το ευρετήριο, ώστε η αριθμητική σύγκριση να χρησιμοποιεί συμβατές αναπαραστάσεις.\n\nΤο χρήσιμο αποτέλεσμα είναι συμπαγές πυκνό ευρετήριο αναζήτησης ή διάνυσμα ερωτήματος που ανακτά υλικό πηγής στο τεκμηριωμένο σύνολο γλωσσών. Αυτή η ακριβής έκδοση LFM2.5 Embedding παραμένει χωριστή από τον συνοδό της ColBERT, παλαιότερους ανακτητές LFM2 και εξωτερικά κβαντισμένες υλοποιήσεις. Το επιλεγμένο κείμενο του αποσπάσματος αποτελεί την τεκμηρίωση που χρησιμοποιεί ένας αναγνώστης ή μεταγενέστερο στάδιο απάντησης RAG.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "14b34a88f9f0192a739ce3025b6cc9acdedf01ea4ebba293ba9687d54e68a838", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "el", "methods": [ { "html": "liquid/lfm-2.5-embedding-350m:freeΤο LiquidAI LFM2.5-Embedding-350M παράγει ένα διάνυσμα 1024 διαστάσεων ανά κείμενο για πολυγλωσσική και διαγλωσσική ανάκτηση. Στοχεύει σε 11 γλώσσες και σύντομες εισόδους 512 token, με διακριτά προθέματα ερωτήματος/εγγράφου.
Αυτή η περιγραφή καλύπτει τις δυνατότητες του μοντέλου. Οι είσοδοι, έξοδοι και επιλογές που διατίθενται στο Ailoot παρατίθενται παρακάτω για την επιλεγμένη μέθοδο.
Το LFM2.5-Embedding-350M είναι ο πυκνός bi-encoder της LiquidAI για πολυγλωσσική και διαγλωσσική ανάκτηση. Παράγει ένα διάνυσμα 1024 διαστάσεων για κάθε κείμενο και στοχεύει σε αναζήτηση σύντομων συμφραζομένων σε έντεκα γλώσσες. Η οικογένεια μοντέλων με όνομα 350M χρησιμοποιεί αμφίδρομη προσαρμογή του LFM2.5-350M-Base· ο αναλυτικός πίνακας μοντέλου δίνει περίπου 354 εκατομμύρια παραμέτρους για αυτή την έκδοση embeddings.
Ο κατασκευαστής προσαρμόζει τη βασική αρχιτεκτονική ώστε η προσοχή και οι τοπικές συνελίξεις να χρησιμοποιούν συμφραζόμενα και στις δύο πλευρές ενός token. Το pooling τύπου CLS μετατρέπει το επεξεργασμένο κείμενο σε ένα πυκνό διάνυσμα. Ο πίνακας μοντέλου περιγράφει δεκαεπτά στρώσεις: δέκα μπλοκ συνελίξεων, έξι μπλοκ προσοχής και ένα στάδιο pooling. Αυτός είναι κωδικοποιητής ανάκτησης, με δική του προετοιμασία και έξοδο, αντί για την εργασία παραγωγής κειμένου του βασικού μοντέλου.
Το χωριστά ονομασμένο LFM2.5-ColBERT-350M διατηρεί διανύσματα ανά token για καθυστερημένη αλληλεπίδραση. Αυτή η αναπαράσταση απαιτεί διαφορετικό ευρετήριο και μέθοδο σύγκρισης. Το μοντέλο Embedding εδώ παρέχει ένα διάνυσμα ανά έγγραφο ή ερώτημα, με ομοιότητα συνημιτόνου ως τεκμηριωμένη σύγκριση.
Προετοιμάστε ερωτήματα αναζήτησης με «query:» και αποσπάσματα πηγής με «document:». Ο κατασκευαστής αποθηκεύει αυτά τα prompts στη διαμόρφωσή του και η ροή αναφοράς εφαρμόζει το αντίστοιχο όνομα prompt. Συνιστά συγκεκριμένα τον αντίστοιχο ρόλο σε κάθε πλευρά επειδή το μοντέλο εκπαιδεύτηκε με αυτά τα προθέματα. Αυτό το πρόθεμα εγγράφου διαφέρει από τη σύμβαση «passage:» των μοντέλων E5.
Μια πρακτική συλλογή αναζήτησης προϊόντων μπορεί να περιέχει περιγραφές στις υποστηριζόμενες γλώσσες. Προετοιμάστε τη διατύπωση αναζήτησης του χρήστη ως ερώτημα και κάθε περιγραφή προϊόντος ως έγγραφο. Αποθηκεύστε το αρχικό κείμενο, το αναγνωριστικό προϊόντος και τη γλώσσα μαζί με το διάνυσμα, ώστε ένα αποτέλεσμα αναζήτησης να επιστρέφει την αντίστοιχη εγγραφή. Για συλλογή υποστήριξης, κρατήστε τη σχετική με το ερώτημα πολιτική ή οδηγία αντί να την αντικαθιστάτε με άσχετη σύντομη ετικέτα.
Το τεκμηριωμένο σύνολο γλωσσών είναι αγγλικά, ισπανικά, γερμανικά, γαλλικά, ιταλικά, πορτογαλικά, αραβικά, σουηδικά, νορβηγικά, ιαπωνικά και κορεατικά. Ο κατασκευαστής στοχεύει ρητά τόσο στην ανάκτηση εντός μιας γλώσσας όσο και στην ανάκτηση μεταξύ γλωσσών. Προετοιμάστε πραγματικά ερωτήματα από το προβλεπόμενο κοινό και εξετάστε το κείμενο των επιστρεφόμενων εγγράφων σε αυτές τις γλώσσες.
Η προδιαγραφή μήκους εγγράφου είναι 512 tokens. Διαιρέστε μια μεγάλη πηγή σε συνεκτικά αποσπάσματα που διατηρούν την επικεφαλίδα, ορισμούς και συνθήκες που χρειάζεται ένα ανακτημένο αποτέλεσμα. Το πρόθεμα ρόλου και τα πρόσθετα συμφραζόμενα ανήκουν στην προετοιμασμένη είσοδο. Μια απάντηση συχνής ερώτησης, εξήγηση προϊόντος ή εστιασμένη ενότητα τεχνικού εγγράφου είναι καταλληλότερη μονάδα από ένα ολόκληρο υπερμεγέθες εγχειρίδιο.
Ο κατασκευαστής περιγράφει τρία στάδια εκπαίδευσης: αγγλική αντιθετική προεκπαίδευση, πολυγλωσσική και διαγλωσσική απόσταξη και κατόπιν λεπτομερή ρύθμιση με δύσκολα αρνητικά παραδείγματα που έχουν εντοπιστεί μέσω εξόρυξης. Το μοντέλο που προκύπτει προορίζεται για καταλόγους προϊόντων, συλλογές συχνών ερωτήσεων και υποστήριξης, αναζήτηση αρχείων ή σημειώσεων και ανάκτηση επιχειρηματικής γνώσης. Αυτές είναι εργασίες των αναπαραστάσεων κειμένου, όχι ισχυρισμοί για ανάπτυξη συγκεκριμένης εφαρμογής σε παραγωγή.
Το παράδειγμα του παραγωγού κανονικοποιεί διανύσματα ερωτήματος και εγγράφου και τα κατατάσσει με εσωτερικό γινόμενο, ισοδύναμο με ομοιότητα συνημιτόνου. Υπολογίστε εκ των προτέρων τις αναπαραστάσεις του corpus όταν προετοιμαστεί το υλικό πηγής και έπειτα δημιουργήστε embedding ενός ερωτήματος αναζήτησης και επιστρέψτε υποψήφια έγγραφα με κείμενο και αναγνωριστικά. Κρατήστε το επιλεγμένο μοντέλο και τη σύμβαση ρόλων μαζί με το ευρετήριο, ώστε η αριθμητική σύγκριση να χρησιμοποιεί συμβατές αναπαραστάσεις.
Το χρήσιμο αποτέλεσμα είναι συμπαγές πυκνό ευρετήριο αναζήτησης ή διάνυσμα ερωτήματος που ανακτά υλικό πηγής στο τεκμηριωμένο σύνολο γλωσσών. Αυτή η ακριβής έκδοση LFM2.5 Embedding παραμένει χωριστή από τον συνοδό της ColBERT, παλαιότερους ανακτητές LFM2 και εξωτερικά κβαντισμένες υλοποιήσεις. Το επιλεγμένο κείμενο του αποσπάσματος αποτελεί την τεκμηρίωση που χρησιμοποιεί ένας αναγνώστης ή μεταγενέστερο στάδιο απάντησης RAG.
POST /v1/embeddingstext, token_idsembedding| Πεδίο | Τύπος | Απαίτηση | Τιμές και όρια | Προεπιλογή |
|---|---|---|---|---|
Πεδίοmodel | Τύποςstring | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια liquid/lfm-2.5-embedding-350m:free | 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 / 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": "liquid/lfm-2.5-embedding-350m:free", "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='liquid/lfm-2.5-embedding-350m:free',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 liquid/lfm-2.5-embedding-350m:free
Χρησιμοποιήστε τις διαδρομές μεθόδων που εμφανίζονται παραπάνω.