Το all-mpnet-base-v2 είναι μοντέλο Sentence Transformers για αναπαράσταση προτάσεων και σύντομων παραγράφων ως πυκνών διανυσμάτων 768 διαστάσεων. Προσαρμόστηκε με λεπτομερή ρύθμιση από το βασικό μοντέλο MPNet, με αντιθετική μάθηση σε συλλογή ενός δισεκατομμυρίου ζευγών προτάσεων. Ο κατασκευαστής προσδιορίζει ανάκτηση πληροφοριών, ομαδοποίηση και ομοιότητα προτάσεων ως προβλεπόμενες χρήσεις.
Προετοιμάστε το κείμενο που πρέπει να συγκριθεί, κρατώντας την κύρια ιδέα και τις λεπτομέρειες που το διακρίνουν. Για μια εσωτερική συλλογή εγγράφων, μια σύντομη ενότητα μπορεί να περιγράφει πώς ζητείται αντικατάσταση εξοπλισμού ή ποιες πληροφορίες πρέπει να περιέχει μια αναφορά συντήρησης. Κρατήστε τον τίτλο εγγράφου και τη θέση πηγής διαθέσιμα μαζί με το διάνυσμα.
Ένα ερώτημα με embedding από το ίδιο μοντέλο μπορεί να ανακτά σχετικές ενότητες ακόμη και όταν διαφέρει η διατύπωσή τους. Εξετάστε αυτές τις ενότητες για την πραγματική οδηγία που χρειάζεται ο αναγνώστης. Για μια ροή ομοιότητας, συγκρίνετε τις ίδιες τις υποψήφιες προτάσεις μετά την ανάκτηση, ιδιαίτερα όταν η μία περιλαμβάνει εξαίρεση ή συνθήκη που απουσιάζει από την άλλη.
Το παράδειγμα κωδικοποίησης αναφοράς υπολογίζει μέσο όρο των αναπαραστάσεων tokens βάσει συμφραζομένων με τη μάσκα προσοχής, αποκλείοντας το padding από τον μέσο όρο. Έπειτα εφαρμόζει κανονικοποίηση L2 στα embeddings προτάσεων που προκύπτουν. Διατηρήστε και τα δύο βήματα όταν παράγετε διανύσματα για συλλογή και μεταγενέστερα ερωτήματα.
Κάθε διάνυσμα έχει 768 συνιστώσες. Η ομοιότητα συνημιτόνου μπορεί να συγκρίνει αυτές τις κανονικοποιημένες αναπαραστάσεις, ενώ το κείμενο πηγής παρέχει τα στοιχεία πίσω από ένα αποτέλεσμα. Το κοινό πλήθος συνιστωσών δεν κάνει αυτό το μοντέλο συμβατό με το multi-qa-mpnet-base-dot-v1: εκείνη η χωριστή έκδοση προσδιορίζει CLS pooling και μη κανονικοποιημένα διανύσματα για βαθμολόγηση με εσωτερικό γινόμενο.
Ο κατασκευαστής δηλώνει ότι είσοδος πέρα από 384 τμήματα λέξεων, ή word pieces, περικόπτεται από προεπιλογή. Κρατήστε τη σχετική ενότητα μέσα σε αυτό το όριο του tokenizer. Για μια μεγάλη διαδικασία, διαιρέστε σε ουσιαστικά όρια ενοτήτων και συμπεριλάβετε επαρκές τοπικό πλαίσιο για να εξηγείται πού εφαρμόζεται ένα βήμα. Ένα τμήμα όπως «Υποβολή εντός πέντε ημερών» χρειάζεται το γεγονός ή τη διαδικασία που ξεκινά την προθεσμία.
Η διαδικασία εκπαίδευσης περιόριζε τις ακολουθίες στα 128 tokens, κάτι χωριστό από τη δημοσιευμένη προεπιλογή κωδικοποίησης 384 τμημάτων λέξεων. Χρησιμοποιήστε αντιπροσωπευτικό υλικό όταν αξιολογείτε μεγαλύτερες παραγράφους ή λεξιλόγιο ειδικό για τη συλλογή σας. Το ότι χωρά περισσότερο κείμενο στην είσοδο δεν αποδεικνύει ότι κάθε λεπτομέρεια θα επηρεάζει εξίσου ένα αποτέλεσμα ανάκτησης.
Για αναζήτηση, κρατήστε τη σύνδεση διανύσματος και εγγράφου ώστε οι καταταγμένοι υποψήφιοι να μπορούν να επιστρέφουν τις αρχικές ενότητες. Σε μια ροή RAG, οι επιλεγμένες ενότητες γίνονται πλαίσιο για το στάδιο σύνταξης απάντησης. Το μοντέλο παρέχει αριθμητικές αναπαραστάσεις· δεν παράγει απάντηση με τεκμηριωμένες πηγές ούτε αποφασίζει ποιο έγγραφο πρέπει να θεωρείται έγκυρη πηγή αναφοράς.
Για ομαδοποίηση, συγκρίνετε τις εγγραφές κάθε προτεινόμενης ομάδας πριν αποδώσετε ετικέτες. Ένα σύνολο σημειώσεων συντήρησης μπορεί να περιέχει παρόμοια γλώσσα αλλά να αφορά διαφορετικές συσκευές ή συνθήκες αστοχίας. Συμπεριλάβετε αυτές τις διακριτικές λεπτομέρειες στο κωδικοποιημένο κείμενο και εξετάστε τες στο επιστρεφόμενο υλικό αντί να βασίζεστε μόνο σε βαθμολογία.
Αυτό το ακριβές checkpoint all-mpnet-base-v2 είναι αγγλικό προφίλ embeddings προτάσεων με τις δικές του ρυθμίσεις mean pooling, κανονικοποίησης και προεπιλεγμένης περικοπής. Κρατήστε αυτές τις ρυθμίσεις μαζί με την ευρετηριασμένη συλλογή και χρησιμοποιήστε τα διανύσματα ως βοήθημα εύρεσης και σύγκρισης των αποσπασμάτων πηγής που έχουν σημασία για την εργασία.
", "aboutText": "Το all-mpnet-base-v2 είναι μοντέλο Sentence Transformers για αναπαράσταση προτάσεων και σύντομων παραγράφων ως πυκνών διανυσμάτων 768 διαστάσεων. Προσαρμόστηκε με λεπτομερή ρύθμιση από το βασικό μοντέλο MPNet, με αντιθετική μάθηση σε συλλογή ενός δισεκατομμυρίου ζευγών προτάσεων. Ο κατασκευαστής προσδιορίζει ανάκτηση πληροφοριών, ομαδοποίηση και ομοιότητα προτάσεων ως προβλεπόμενες χρήσεις.\n\n### Κωδικοποιήστε μια πρόταση ή σύντομη παράγραφο\n\nΠροετοιμάστε το κείμενο που πρέπει να συγκριθεί, κρατώντας την κύρια ιδέα και τις λεπτομέρειες που το διακρίνουν. Για μια εσωτερική συλλογή εγγράφων, μια σύντομη ενότητα μπορεί να περιγράφει πώς ζητείται αντικατάσταση εξοπλισμού ή ποιες πληροφορίες πρέπει να περιέχει μια αναφορά συντήρησης. Κρατήστε τον τίτλο εγγράφου και τη θέση πηγής διαθέσιμα μαζί με το διάνυσμα.\n\nΈνα ερώτημα με embedding από το ίδιο μοντέλο μπορεί να ανακτά σχετικές ενότητες ακόμη και όταν διαφέρει η διατύπωσή τους. Εξετάστε αυτές τις ενότητες για την πραγματική οδηγία που χρειάζεται ο αναγνώστης. Για μια ροή ομοιότητας, συγκρίνετε τις ίδιες τις υποψήφιες προτάσεις μετά την ανάκτηση, ιδιαίτερα όταν η μία περιλαμβάνει εξαίρεση ή συνθήκη που απουσιάζει από την άλλη.\n\n### Mean pooling και κανονικοποίηση\n\nΤο παράδειγμα κωδικοποίησης αναφοράς υπολογίζει μέσο όρο των αναπαραστάσεων tokens βάσει συμφραζομένων με τη μάσκα προσοχής, αποκλείοντας το padding από τον μέσο όρο. Έπειτα εφαρμόζει κανονικοποίηση L2 στα embeddings προτάσεων που προκύπτουν. Διατηρήστε και τα δύο βήματα όταν παράγετε διανύσματα για συλλογή και μεταγενέστερα ερωτήματα.\n\nΚάθε διάνυσμα έχει 768 συνιστώσες. Η ομοιότητα συνημιτόνου μπορεί να συγκρίνει αυτές τις κανονικοποιημένες αναπαραστάσεις, ενώ το κείμενο πηγής παρέχει τα στοιχεία πίσω από ένα αποτέλεσμα. Το κοινό πλήθος συνιστωσών δεν κάνει αυτό το μοντέλο συμβατό με το multi-qa-mpnet-base-dot-v1: εκείνη η χωριστή έκδοση προσδιορίζει CLS pooling και μη κανονικοποιημένα διανύσματα για βαθμολόγηση με εσωτερικό γινόμενο.\n\n### Προεπιλεγμένη περικοπή και προετοιμασία αποσπασμάτων\n\nΟ κατασκευαστής δηλώνει ότι είσοδος πέρα από 384 τμήματα λέξεων, ή word pieces, περικόπτεται από προεπιλογή. Κρατήστε τη σχετική ενότητα μέσα σε αυτό το όριο του tokenizer. Για μια μεγάλη διαδικασία, διαιρέστε σε ουσιαστικά όρια ενοτήτων και συμπεριλάβετε επαρκές τοπικό πλαίσιο για να εξηγείται πού εφαρμόζεται ένα βήμα. Ένα τμήμα όπως «Υποβολή εντός πέντε ημερών» χρειάζεται το γεγονός ή τη διαδικασία που ξεκινά την προθεσμία.\n\nΗ διαδικασία εκπαίδευσης περιόριζε τις ακολουθίες στα 128 tokens, κάτι χωριστό από τη δημοσιευμένη προεπιλογή κωδικοποίησης 384 τμημάτων λέξεων. Χρησιμοποιήστε αντιπροσωπευτικό υλικό όταν αξιολογείτε μεγαλύτερες παραγράφους ή λεξιλόγιο ειδικό για τη συλλογή σας. Το ότι χωρά περισσότερο κείμενο στην είσοδο δεν αποδεικνύει ότι κάθε λεπτομέρεια θα επηρεάζει εξίσου ένα αποτέλεσμα ανάκτησης.\n\n### Ανάκτηση, ομαδοποίηση και σύγκριση\n\nΓια αναζήτηση, κρατήστε τη σύνδεση διανύσματος και εγγράφου ώστε οι καταταγμένοι υποψήφιοι να μπορούν να επιστρέφουν τις αρχικές ενότητες. Σε μια ροή RAG, οι επιλεγμένες ενότητες γίνονται πλαίσιο για το στάδιο σύνταξης απάντησης. Το μοντέλο παρέχει αριθμητικές αναπαραστάσεις· δεν παράγει απάντηση με τεκμηριωμένες πηγές ούτε αποφασίζει ποιο έγγραφο πρέπει να θεωρείται έγκυρη πηγή αναφοράς.\n\nΓια ομαδοποίηση, συγκρίνετε τις εγγραφές κάθε προτεινόμενης ομάδας πριν αποδώσετε ετικέτες. Ένα σύνολο σημειώσεων συντήρησης μπορεί να περιέχει παρόμοια γλώσσα αλλά να αφορά διαφορετικές συσκευές ή συνθήκες αστοχίας. Συμπεριλάβετε αυτές τις διακριτικές λεπτομέρειες στο κωδικοποιημένο κείμενο και εξετάστε τες στο επιστρεφόμενο υλικό αντί να βασίζεστε μόνο σε βαθμολογία.\n\nΑυτό το ακριβές checkpoint all-mpnet-base-v2 είναι αγγλικό προφίλ embeddings προτάσεων με τις δικές του ρυθμίσεις mean pooling, κανονικοποίησης και προεπιλεγμένης περικοπής. Κρατήστε αυτές τις ρυθμίσεις μαζί με την ευρετηριασμένη συλλογή και χρησιμοποιήστε τα διανύσματα ως βοήθημα εύρεσης και σύγκρισης των αποσπασμάτων πηγής που έχουν σημασία για την εργασία.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "979e703e391ba8924e005f06689c7edb8a999e538452ddb8c8c375a33e1bc492", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "el", "methods": [ { "html": "sentence-transformers/all-mpnet-base-v2Το Sentence Transformers all-mpnet-base-v2 μετατρέπει προτάσεις και σύντομες παραγράφους σε διανύσματα 768 διαστάσεων για ανάκτηση, ομαδοποίηση και ομοιότητα. Η δημοσιευμένη συνταγή χρησιμοποιεί mean pooling και κανονικοποίηση L2, με προεπιλεγμένη περικοπή στα 384 τμήματα λέξεων.
Αυτή η περιγραφή καλύπτει τις δυνατότητες του μοντέλου. Οι είσοδοι, έξοδοι και επιλογές που διατίθενται στο Ailoot παρατίθενται παρακάτω για την επιλεγμένη μέθοδο.
Το all-mpnet-base-v2 είναι μοντέλο Sentence Transformers για αναπαράσταση προτάσεων και σύντομων παραγράφων ως πυκνών διανυσμάτων 768 διαστάσεων. Προσαρμόστηκε με λεπτομερή ρύθμιση από το βασικό μοντέλο MPNet, με αντιθετική μάθηση σε συλλογή ενός δισεκατομμυρίου ζευγών προτάσεων. Ο κατασκευαστής προσδιορίζει ανάκτηση πληροφοριών, ομαδοποίηση και ομοιότητα προτάσεων ως προβλεπόμενες χρήσεις.
Προετοιμάστε το κείμενο που πρέπει να συγκριθεί, κρατώντας την κύρια ιδέα και τις λεπτομέρειες που το διακρίνουν. Για μια εσωτερική συλλογή εγγράφων, μια σύντομη ενότητα μπορεί να περιγράφει πώς ζητείται αντικατάσταση εξοπλισμού ή ποιες πληροφορίες πρέπει να περιέχει μια αναφορά συντήρησης. Κρατήστε τον τίτλο εγγράφου και τη θέση πηγής διαθέσιμα μαζί με το διάνυσμα.
Ένα ερώτημα με embedding από το ίδιο μοντέλο μπορεί να ανακτά σχετικές ενότητες ακόμη και όταν διαφέρει η διατύπωσή τους. Εξετάστε αυτές τις ενότητες για την πραγματική οδηγία που χρειάζεται ο αναγνώστης. Για μια ροή ομοιότητας, συγκρίνετε τις ίδιες τις υποψήφιες προτάσεις μετά την ανάκτηση, ιδιαίτερα όταν η μία περιλαμβάνει εξαίρεση ή συνθήκη που απουσιάζει από την άλλη.
Το παράδειγμα κωδικοποίησης αναφοράς υπολογίζει μέσο όρο των αναπαραστάσεων tokens βάσει συμφραζομένων με τη μάσκα προσοχής, αποκλείοντας το padding από τον μέσο όρο. Έπειτα εφαρμόζει κανονικοποίηση L2 στα embeddings προτάσεων που προκύπτουν. Διατηρήστε και τα δύο βήματα όταν παράγετε διανύσματα για συλλογή και μεταγενέστερα ερωτήματα.
Κάθε διάνυσμα έχει 768 συνιστώσες. Η ομοιότητα συνημιτόνου μπορεί να συγκρίνει αυτές τις κανονικοποιημένες αναπαραστάσεις, ενώ το κείμενο πηγής παρέχει τα στοιχεία πίσω από ένα αποτέλεσμα. Το κοινό πλήθος συνιστωσών δεν κάνει αυτό το μοντέλο συμβατό με το multi-qa-mpnet-base-dot-v1: εκείνη η χωριστή έκδοση προσδιορίζει CLS pooling και μη κανονικοποιημένα διανύσματα για βαθμολόγηση με εσωτερικό γινόμενο.
Ο κατασκευαστής δηλώνει ότι είσοδος πέρα από 384 τμήματα λέξεων, ή word pieces, περικόπτεται από προεπιλογή. Κρατήστε τη σχετική ενότητα μέσα σε αυτό το όριο του tokenizer. Για μια μεγάλη διαδικασία, διαιρέστε σε ουσιαστικά όρια ενοτήτων και συμπεριλάβετε επαρκές τοπικό πλαίσιο για να εξηγείται πού εφαρμόζεται ένα βήμα. Ένα τμήμα όπως «Υποβολή εντός πέντε ημερών» χρειάζεται το γεγονός ή τη διαδικασία που ξεκινά την προθεσμία.
Η διαδικασία εκπαίδευσης περιόριζε τις ακολουθίες στα 128 tokens, κάτι χωριστό από τη δημοσιευμένη προεπιλογή κωδικοποίησης 384 τμημάτων λέξεων. Χρησιμοποιήστε αντιπροσωπευτικό υλικό όταν αξιολογείτε μεγαλύτερες παραγράφους ή λεξιλόγιο ειδικό για τη συλλογή σας. Το ότι χωρά περισσότερο κείμενο στην είσοδο δεν αποδεικνύει ότι κάθε λεπτομέρεια θα επηρεάζει εξίσου ένα αποτέλεσμα ανάκτησης.
Για αναζήτηση, κρατήστε τη σύνδεση διανύσματος και εγγράφου ώστε οι καταταγμένοι υποψήφιοι να μπορούν να επιστρέφουν τις αρχικές ενότητες. Σε μια ροή RAG, οι επιλεγμένες ενότητες γίνονται πλαίσιο για το στάδιο σύνταξης απάντησης. Το μοντέλο παρέχει αριθμητικές αναπαραστάσεις· δεν παράγει απάντηση με τεκμηριωμένες πηγές ούτε αποφασίζει ποιο έγγραφο πρέπει να θεωρείται έγκυρη πηγή αναφοράς.
Για ομαδοποίηση, συγκρίνετε τις εγγραφές κάθε προτεινόμενης ομάδας πριν αποδώσετε ετικέτες. Ένα σύνολο σημειώσεων συντήρησης μπορεί να περιέχει παρόμοια γλώσσα αλλά να αφορά διαφορετικές συσκευές ή συνθήκες αστοχίας. Συμπεριλάβετε αυτές τις διακριτικές λεπτομέρειες στο κωδικοποιημένο κείμενο και εξετάστε τες στο επιστρεφόμενο υλικό αντί να βασίζεστε μόνο σε βαθμολογία.
Αυτό το ακριβές checkpoint all-mpnet-base-v2 είναι αγγλικό προφίλ embeddings προτάσεων με τις δικές του ρυθμίσεις mean pooling, κανονικοποίησης και προεπιλεγμένης περικοπής. Κρατήστε αυτές τις ρυθμίσεις μαζί με την ευρετηριασμένη συλλογή και χρησιμοποιήστε τα διανύσματα ως βοήθημα εύρεσης και σύγκρισης των αποσπασμάτων πηγής που έχουν σημασία για την εργασία.
POST /v1/embeddingstext, token_idsembedding| Πεδίο | Τύπος | Απαίτηση | Τιμές και όρια | Προεπιλογή |
|---|---|---|---|---|
Πεδίοmodel | Τύποςstring | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια sentence-transformers/all-mpnet-base-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 $0.00001 / 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": "sentence-transformers/all-mpnet-base-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='sentence-transformers/all-mpnet-base-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 sentence-transformers/all-mpnet-base-v2
Χρησιμοποιήστε τις διαδρομές μεθόδων που εμφανίζονται παραπάνω.