Source: https://ailoot.ai/models/el/liquid-lfm-2-5-embedding-350m-u003a-free/
Canonical: https://ailoot.ai/models/el/liquid-lfm-2-5-embedding-350m-u003a-free/
Language: el

# LiquidAI: LFM2.5-Embedding-350M (free)

[Markdown](https://ailoot.ai/models/el/liquid-lfm-2-5-embedding-350m-u003a-free/index.md) · [JSON](https://ailoot.ai/models/el/liquid-lfm-2-5-embedding-350m-u003a-free/facts.json)

## [LiquidAI: LFM2.5-Embedding-350M (free)](https://ailoot.ai/models/el/liquid-lfm-2-5-embedding-350m-u003a-free/)

Το 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.

- [**Ailoot Ultra · Διανυσματικές αναπαραστάσεις** `POST /v1/embeddings` `liquid/lfm-2.5-embedding-350m:free`](https://ailoot.ai/models/el/liquid-lfm-2-5-embedding-350m-u003a-free/#method-0)

Σχετικά με το μοντέλο

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.

#### Αμφίδρομη αναπαράσταση ανάκτησης

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.

#### Χρησιμοποιήστε τα σωστά ασύμμετρα prompts

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.

#### Γλώσσες και μέγεθος αποσπασμάτων

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.

#### Εκπαίδευση και αντιστοίχιση

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.

**Ailoot Ultra · Διανυσματικές αναπαραστάσεις** `POST /v1/embeddings` `liquid/lfm-2.5-embedding-350m:free`

[`liquid/lfm-2.5-embedding-350m:free`](https://ailoot.ai/models/el/#m=liquid%2Flfm-2.5-embedding-350m%3Afree&route=Ultra&caller=liquid%2Flfm-2.5-embedding-350m%3Afree&fmt=embeddings)

LiquidAI /`liquid/lfm-2.5-embedding-350m:free`

### Εισαγωγή

Το 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.

Αποδεκτές είσοδοι

Κείμενο · token\_ids

Αποτελέσματα

embedding

### Διαθέσιμα στο Ailoot · είσοδοι και μέθοδοι

**Ailoot Ultra · Διανυσματικές αναπαραστάσεις** `POST /v1/embeddings`

Είσοδος

`text`, `token_ids`

Έξοδος

`embedding`

Παράθυρο συμφραζομένων

512 tokens

Μορφή εξόδου

json

| Πεδίο | Τύπος | Απαίτηση | Τιμές και όρια | Προεπιλογή |
| --- | --- | --- | --- | --- |
| Πεδίο`model` | Τύπος`string` | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια liquid/lfm-2.5-embedding-350m:free | Προεπιλογή— |
| Πεδίο`input` | Τύπος`string\|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— |
| Πεδίο`encoding_format` | Τύπος`string` | ΑπαίτησηΠροαιρετικό | Τιμές και όρια float | Προεπιλογήfloat |
| Πεδίο`dimensions` | Τύπος`integer` | ΑπαίτησηΔεν υποστηρίζεται | Τιμές και όρια Ελάχιστο: 1 | Προεπιλογή— |
| Πεδίο`user` | Τύπος`json_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— |
| Πεδίο`session_id` | Τύπος`json_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— |
| Πεδίο`trace` | Τύπος`json_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— |
| Πεδίο`provider` | Τύπος`object` | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Συνθήκες: Το provider.options απορρίφθηκε | Προεπιλογή— |

Συνδυασμοί υλικών εισόδου

**text\_to\_embedding**

Παράμετροι και κύκλος ζωής μεθόδου

| Παράμετρος | Σύμβαση |
| --- | --- |
| Παράμετρος`content_type` | Σύμβασηapplication/json |
| Παράμετρος`required` | Σύμβασηmodel, input |
| Παράμετρος`input_shapes` | Σύμβασηstring, string\[\], nonnegative\_integer\_token\_array, nonnegative\_integer\_token\_array\[\] |
| Παράμετρος`encoding_format` | Σύμβασηfloat |
| Παράμετρος`dimensions_override` | Σύμβασηfalse |
| Παράμετρος`max_input_budget_units` | Σύμβαση512 |
| Παράμετρος`multimodal_objects` | Σύμβασηfalse |
| Παράμετρος`material_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.

### Τιμολόγηση

Οι τιμολογιακές αναφορές δεν προσθέτουν επιλογές αιτήματος. Οι υποστηριζόμενες παράμετροι αναφέρονται στην επιλεγμένη μέθοδο.

Γρήγορη λειτουργία

Τυπική χρέωση Όταν επιλέγεται η γρήγορη λειτουργία

Λειτουργία flex

Τυπική χρέωση Όταν επιλέγεται η λειτουργία flex

Μέγιστη προσπάθεια συλλογισμού

Τυπική χρέωση Όταν η μέγιστη προσπάθεια συλλογισμού χρησιμοποιεί την προσαρμογή default

#### Χρεώσεις Ailoot

#### Τιμές ανά διαμόρφωση

| 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 →](https://ailoot.ai/docs/el/billing/reserve/)

### Παραδείγματα αιτημάτων

#### Ailoot Ultra · Διανυσματικές αναπαραστάσεις

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": "liquid/lfm-2.5-embedding-350m:free", "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='liquid/lfm-2.5-embedding-350m:free',input=["First document","Second document"])
print(result)
for item in result.data:print(item.index,item.embedding)
```

### Λήψη και αποθήκευση αποτελεσμάτων

#### Ailoot Ultra · Διανυσματικές αναπαραστάσεις

json

##### Διατηρήστε όλα τα ολοκληρωμένα αποτελέσματα

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.

##### Αν χρειάζεται έλεγχος της αρχικής απάντησης

Δεν εισάγεται endpoint εργασιών ενσωμάτωσης.

Πεδία απάντησης

| Πεδίο | Τύπος |
| --- | --- |
| Πεδίο`object` | Τύποςstring |
| Πεδίο`model` | Τύποςstring |
| Πεδίο`data[].index` | Τύποςinteger |
| Πεδίο`data[].embedding` | Τύποςfinite float\[\] |
| Πεδίο`usage` | Τύποςobject |

Σφάλματα και επόμενα βήματα

| 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. |

### Εναλλακτικά ονόματα

#### Εναλλακτικά ονόματα μοντέλου

**Ailoot Ultra** [`liquid/lfm-2.5-embedding-350m:free`](https://ailoot.ai/models/el/#m=liquid%2Flfm-2.5-embedding-350m%3Afree&route=Ultra&caller=liquid%2Flfm-2.5-embedding-350m%3Afree&fmt=embeddings)

#### Εναλλακτικές διαδρομές μεθόδων

Χρησιμοποιήστε τις διαδρομές μεθόδων που εμφανίζονται παραπάνω.

#### Σχετικά ID μοντέλων

[`liquid/lfm-2.5-embedding-350m:free`](https://ailoot.ai/models/el/#m=liquid%2Flfm-2.5-embedding-350m%3Afree&route=Ultra&caller=liquid%2Flfm-2.5-embedding-350m%3Afree&fmt=embeddings)

FAQ · LiquidAI: LFM2.5-Embedding-350M (free)

Ποιες είσοδοι και αποτελέσματα διατίθενται;

`POST /v1/embeddings` · `liquid/lfm-2.5-embedding-350m:free`: `text`, `token_ids` → `embedding`

Ποια πεδία χρησιμοποιεί το αίτημα;

`POST /v1/embeddings` · `liquid/lfm-2.5-embedding-350m:free`: `model`, `input`, `encoding_format`, `provider`

Ποια όρια ισχύουν;

`POST /v1/embeddings` · `liquid/lfm-2.5-embedding-350m:free`: `ctx`: `512`; `input.budget.maximum`: `512` (byte UTF8); `input.min_items`: `1`

Συνδέστε το Ailoot με Claude Code, OpenCode, Hermes ή τη δική σας εφαρμογή.

## Η εταιρεία και το χαρτοφυλάκιο έργων της

Η εταιρεία και το χαρτοφυλάκιο έργων της: εκατομμύρια πελάτες· μηνιαίες πωλήσεις δισεκατομμυρίων.

## Αγοράστε token με έκπτωση.

Έκπτωση συνδρομής για τακτική χρήση. Προωθητικοί κωδικοί — έως 50% στην αγορά token.

Συνδρομή

Επιλέξτε πρόγραμμα με έκπτωση για τα τακτικά αιτήματά σας.

Προωθητικός κωδικός έως 50%

Εισαγάγετε τον κωδικό στην αγορά. Η τιμή επανυπολογίζεται σύμφωνα με την ενεργή προσφορά.

Δαπάνες στο ιστορικό

Μοντέλο, token και ποσό αποθηκεύονται για κάθε αίτημα.

[Επιλέξτε συνδρομή](https://ailoot.ai/docs/el/billing/subscriptions/) · [Δείτε τιμές μοντέλων](https://ailoot.ai/models/el/)

## Συνδέστε το API με το προϊόν που πουλάτε.

SaaS, εφαρμογές και bot — σύμφωνα με τη δημόσια προσφορά και τη σύμβαση άδειας χρήσης Ailoot. Για μεταπώληση ζητήστε σχετική άδεια.

Εμπορική εφαρμογή

Ενσωματώστε δημιουργία κειμένου, εικόνων, βίντεο και ήχου στις πληρωμένες λειτουργίες της υπηρεσίας σας.

Άδεια για μεταπωλητή

Στείλτε περιγραφή έργου και τρόπο πρόσβασης. Ζητήστε γραπτούς όρους χρήσης και μεταπώλησης.

Έγγραφα στον ιστότοπο

Δημόσια προσφορά, σύμβαση άδειας χρήσης και πολιτική επεξεργασίας δεδομένων είναι διαθέσιμες πριν τη σύνδεση.

[Ζητήστε άδεια μεταπώλησης](mailto:support@ailoot.ai) · [Δημόσια προσφορά και σύμβαση άδειας χρήσης](https://ailoot.ai/legal/offer?lang=el)

## Ailoot · Η εταιρεία και το χαρτοφυλάκιο έργων της





Η Ailoot στηρίζεται στη συσσωρευμένη λειτουργική εμπειρία, τη μεγάλη πελατειακή βάση, τη σταθερή εξυπηρέτηση και τον συνεχή έλεγχο KPI.





Η εταιρεία και το χαρτοφυλάκιο έργων της: εκατομμύρια πελάτες· μηνιαίες πωλήσεις δισεκατομμυρίων.





Η Ailoot αξιοποιεί αυτή τη λειτουργική εμπειρία για πρόσβαση μέσω API σε λειτουργίες AI στα προϊόντα, τους πράκτορες, τις εφαρμογές και τους αυτοματισμούς των πελατών.