Το multi-qa-mpnet-base-dot-v1 είναι μοντέλο Sentence Transformers σχεδιασμένο για ανάκτηση αποσπασμάτων κειμένου για ένα ερώτημα ή αναζήτηση. Η εκπαίδευσή του χρησιμοποίησε περίπου 215 εκατομμύρια ζεύγη ερωτήματος και απάντησης. Κάθε είσοδος γίνεται πυκνό διάνυσμα 768 διαστάσεων, με το CLS pooling και τη βαθμολόγηση με εσωτερικό γινόμενο να ορίζουν αυτή την ακριβή έκδοση.
Γράψτε το ερώτημα αναζήτησης ως ανάγκη πληροφορίας και προετοιμάστε τις εγγραφές του corpus ως ευανάγνωστα αποσπάσματα κειμένου. Για παράδειγμα, ένα ερώτημα για αλλαγή διεύθυνσης παράδοσης μπορεί να συγκριθεί με χωριστές παραγράφους για αλλαγές διεύθυνσης, ακύρωση παραγγελίας και παρακολούθηση παράδοσης. Κρατήστε τις σχετικές συνθήκες στο απόσπασμα αλλαγής διεύθυνσης, συμπεριλαμβανομένου του αν η παραγγελία έχει ήδη αποσταλεί.
Κωδικοποιήστε το ερώτημα και τα αποσπάσματα με αυτό το ίδιο μοντέλο. Το δημοσιευμένο παράδειγμα το κάνει απευθείας, χωρίς πρόθεμα ερωτήματος/εγγράφου, και ταξινομεί τα αποσπάσματα βάσει των βαθμολογιών εσωτερικού γινομένου τους. Κρατήστε κάθε διάνυσμα συνδεδεμένο με το αρχικό απόσπασμα και το αναγνωριστικό εγγράφου, ώστε το καταταγμένο αποτέλεσμα να δείχνει το υλικό που πράγματι ευρετηριάστηκε.
Η συνταγή αναφοράς του μοντέλου παίρνει την αναπαράσταση του πρώτου token, γνωστή ως CLS pooling. Ο τεχνικός πίνακάς του δηλώνει ρητά ότι τα embeddings δεν είναι κανονικοποιημένα και αναφέρει το εσωτερικό γινόμενο ως κατάλληλη συνάρτηση βαθμολόγησης. Διατηρήστε αυτή τη συνταγή όταν ρυθμίζετε τη συλλογή και την πλευρά του ερωτήματος.
Η κανονικοποίηση L2 αυτών των διανυσμάτων αλλάζει τη γεωμετρία βαθμολόγησής τους. Το κανονικοποιημένο προφίλ all-mpnet-base-v2 χρησιμοποιεί διαφορετική συνταγή και είναι χωριστό checkpoint, παρότι μοιράζεται την οικογένεια MPNet και έξοδο 768 συνιστωσών. Κρατήστε την ακριβή έκδοση και τη συνάρτηση σύγκρισης μαζί με την αποθηκευμένη συλλογή αντί να τις επιλέγετε μόνο από το μήκος διανύσματος.
Το δηλωμένο όριο εισόδου είναι 512 τμήματα λέξεων, ή word pieces· το μεγαλύτερο κείμενο περικόπτεται. Ο κατασκευαστής σημειώνει επίσης ότι οι είσοδοι εκπαίδευσης έφταναν μόνο τα 250 τμήματα λέξεων και ότι μεγαλύτερο κείμενο μπορεί να λειτουργεί λιγότερο καλά. Το αποδεκτό μήκος του tokenizer και η επιφύλαξη για το μήκος εκπαίδευσης περιγράφουν επομένως διαφορετικά πρακτικά όρια.
Για ένα εκτενές άρθρο βοήθειας, προετοιμάστε σύντομες ενότητες που απαντούν σε συγκεκριμένα ερωτήματα. Κρατήστε μια επικεφαλίδα όταν προσδιορίζει το θέμα και διατηρήστε έναν κανόνα μαζί με την εξαίρεση που χρειάζεται για τη σωστή ανάγνωσή του. Μία είσοδος ολόκληρης σελίδας μπορεί να χάσει μεταγενέστερο υλικό λόγω περικοπής, ενώ ένα υπερβολικά μικρό τμήμα μπορεί να χάσει τη συνθήκη που το κάνει χρήσιμο.
Τα πυκνά διανύσματα υποστηρίζουν ένα πρώτο στάδιο ανάκτησης. Επιστρέψτε τα υποψήφια αποσπάσματα με τις υψηλότερες βαθμολογίες μαζί με τις αναφορές πηγής τους και κατόπιν εξετάστε αν απαντούν στο πραγματικό ερώτημα. Σε μια ροή RAG, δώστε αυτά τα αποσπάσματα στο στάδιο σύνταξης απάντησης ως υλικό πηγής· η ανάκτηση από μόνη της δεν συνθέτει την απάντηση.
Χρησιμοποιήστε αντιπροσωπευτικά ερωτήματα με γνωστά σχετικά αποσπάσματα για να επιλέξετε το πλήθος αποτελεσμάτων και να αξιολογήσετε την κατάταξη. Συμπεριλάβετε παραδείγματα με παρόμοιο λεξιλόγιο αλλά διαφορετική πρόθεση, όπως αλλαγή διεύθυνσης έναντι προβολής της τρέχουσας διεύθυνσης. Ερμηνεύστε τις βαθμολογίες σχετικά με τους υποψηφίους υπό το ίδιο μοντέλο και ρύθμιση βαθμολόγησης, όχι ως βαθμονομημένες πιθανότητες ορθότητας.
Η χρήσιμη έξοδος αυτού του checkpoint είναι ένας χώρος embeddings ερωτημάτων και αποσπασμάτων για σημασιολογική αναζήτηση. Τα μη κανονικοποιημένα διανύσματά του, το CLS pooling, η βαθμολογία εσωτερικού γινομένου και η δημοσιευμένη επιφύλαξη για μεγάλες εισόδους είναι οι λεπτομέρειες που πρέπει να διατηρούνται κατά την προετοιμασία και χρήση αποτελεσμάτων.
", "aboutText": "Το multi-qa-mpnet-base-dot-v1 είναι μοντέλο Sentence Transformers σχεδιασμένο για ανάκτηση αποσπασμάτων κειμένου για ένα ερώτημα ή αναζήτηση. Η εκπαίδευσή του χρησιμοποίησε περίπου 215 εκατομμύρια ζεύγη ερωτήματος και απάντησης. Κάθε είσοδος γίνεται πυκνό διάνυσμα 768 διαστάσεων, με το CLS pooling και τη βαθμολόγηση με εσωτερικό γινόμενο να ορίζουν αυτή την ακριβή έκδοση.\n\n### Προετοιμάστε ένα ερώτημα και υποψήφια αποσπάσματα\n\nΓράψτε το ερώτημα αναζήτησης ως ανάγκη πληροφορίας και προετοιμάστε τις εγγραφές του corpus ως ευανάγνωστα αποσπάσματα κειμένου. Για παράδειγμα, ένα ερώτημα για αλλαγή διεύθυνσης παράδοσης μπορεί να συγκριθεί με χωριστές παραγράφους για αλλαγές διεύθυνσης, ακύρωση παραγγελίας και παρακολούθηση παράδοσης. Κρατήστε τις σχετικές συνθήκες στο απόσπασμα αλλαγής διεύθυνσης, συμπεριλαμβανομένου του αν η παραγγελία έχει ήδη αποσταλεί.\n\nΚωδικοποιήστε το ερώτημα και τα αποσπάσματα με αυτό το ίδιο μοντέλο. Το δημοσιευμένο παράδειγμα το κάνει απευθείας, χωρίς πρόθεμα ερωτήματος/εγγράφου, και ταξινομεί τα αποσπάσματα βάσει των βαθμολογιών εσωτερικού γινομένου τους. Κρατήστε κάθε διάνυσμα συνδεδεμένο με το αρχικό απόσπασμα και το αναγνωριστικό εγγράφου, ώστε το καταταγμένο αποτέλεσμα να δείχνει το υλικό που πράγματι ευρετηριάστηκε.\n\n### CLS pooling και η έκδοση εσωτερικού γινομένου\n\nΗ συνταγή αναφοράς του μοντέλου παίρνει την αναπαράσταση του πρώτου token, γνωστή ως CLS pooling. Ο τεχνικός πίνακάς του δηλώνει ρητά ότι τα embeddings δεν είναι κανονικοποιημένα και αναφέρει το εσωτερικό γινόμενο ως κατάλληλη συνάρτηση βαθμολόγησης. Διατηρήστε αυτή τη συνταγή όταν ρυθμίζετε τη συλλογή και την πλευρά του ερωτήματος.\n\nΗ κανονικοποίηση L2 αυτών των διανυσμάτων αλλάζει τη γεωμετρία βαθμολόγησής τους. Το κανονικοποιημένο προφίλ all-mpnet-base-v2 χρησιμοποιεί διαφορετική συνταγή και είναι χωριστό checkpoint, παρότι μοιράζεται την οικογένεια MPNet και έξοδο 768 συνιστωσών. Κρατήστε την ακριβή έκδοση και τη συνάρτηση σύγκρισης μαζί με την αποθηκευμένη συλλογή αντί να τις επιλέγετε μόνο από το μήκος διανύσματος.\n\n### Όριο μήκους και μεγαλύτερα αποσπάσματα\n\nΤο δηλωμένο όριο εισόδου είναι 512 τμήματα λέξεων, ή word pieces· το μεγαλύτερο κείμενο περικόπτεται. Ο κατασκευαστής σημειώνει επίσης ότι οι είσοδοι εκπαίδευσης έφταναν μόνο τα 250 τμήματα λέξεων και ότι μεγαλύτερο κείμενο μπορεί να λειτουργεί λιγότερο καλά. Το αποδεκτό μήκος του tokenizer και η επιφύλαξη για το μήκος εκπαίδευσης περιγράφουν επομένως διαφορετικά πρακτικά όρια.\n\nΓια ένα εκτενές άρθρο βοήθειας, προετοιμάστε σύντομες ενότητες που απαντούν σε συγκεκριμένα ερωτήματα. Κρατήστε μια επικεφαλίδα όταν προσδιορίζει το θέμα και διατηρήστε έναν κανόνα μαζί με την εξαίρεση που χρειάζεται για τη σωστή ανάγνωσή του. Μία είσοδος ολόκληρης σελίδας μπορεί να χάσει μεταγενέστερο υλικό λόγω περικοπής, ενώ ένα υπερβολικά μικρό τμήμα μπορεί να χάσει τη συνθήκη που το κάνει χρήσιμο.\n\n### Χρησιμοποιήστε την κατάταξη στην ανάκτηση και στο RAG\n\nΤα πυκνά διανύσματα υποστηρίζουν ένα πρώτο στάδιο ανάκτησης. Επιστρέψτε τα υποψήφια αποσπάσματα με τις υψηλότερες βαθμολογίες μαζί με τις αναφορές πηγής τους και κατόπιν εξετάστε αν απαντούν στο πραγματικό ερώτημα. Σε μια ροή RAG, δώστε αυτά τα αποσπάσματα στο στάδιο σύνταξης απάντησης ως υλικό πηγής· η ανάκτηση από μόνη της δεν συνθέτει την απάντηση.\n\nΧρησιμοποιήστε αντιπροσωπευτικά ερωτήματα με γνωστά σχετικά αποσπάσματα για να επιλέξετε το πλήθος αποτελεσμάτων και να αξιολογήσετε την κατάταξη. Συμπεριλάβετε παραδείγματα με παρόμοιο λεξιλόγιο αλλά διαφορετική πρόθεση, όπως αλλαγή διεύθυνσης έναντι προβολής της τρέχουσας διεύθυνσης. Ερμηνεύστε τις βαθμολογίες σχετικά με τους υποψηφίους υπό το ίδιο μοντέλο και ρύθμιση βαθμολόγησης, όχι ως βαθμονομημένες πιθανότητες ορθότητας.\n\nΗ χρήσιμη έξοδος αυτού του checkpoint είναι ένας χώρος embeddings ερωτημάτων και αποσπασμάτων για σημασιολογική αναζήτηση. Τα μη κανονικοποιημένα διανύσματά του, το CLS pooling, η βαθμολογία εσωτερικού γινομένου και η δημοσιευμένη επιφύλαξη για μεγάλες εισόδους είναι οι λεπτομέρειες που πρέπει να διατηρούνται κατά την προετοιμασία και χρήση αποτελεσμάτων.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "fb46d532a03fbb5304f9907f5d26f4688a535b98de268aec72b4dbfbfaeb9eda", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "el", "methods": [ { "html": "sentence-transformers/multi-qa-mpnet-base-dot-v1Το Sentence Transformers multi-qa-mpnet-base-dot-v1 κωδικοποιεί ερωτήματα και αποσπάσματα σε διανύσματα 768 διαστάσεων για σημασιολογική αναζήτηση. Χρησιμοποιεί CLS pooling και μη κανονικοποιημένα embeddings σχεδιασμένα για βαθμολόγηση με εσωτερικό γινόμενο, με όριο εισόδου 512 τμημάτων 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 multi-qa-mpnet-base-dot-v1 είναι μοντέλο Sentence Transformers σχεδιασμένο για ανάκτηση αποσπασμάτων κειμένου για ένα ερώτημα ή αναζήτηση. Η εκπαίδευσή του χρησιμοποίησε περίπου 215 εκατομμύρια ζεύγη ερωτήματος και απάντησης. Κάθε είσοδος γίνεται πυκνό διάνυσμα 768 διαστάσεων, με το CLS pooling και τη βαθμολόγηση με εσωτερικό γινόμενο να ορίζουν αυτή την ακριβή έκδοση.
Γράψτε το ερώτημα αναζήτησης ως ανάγκη πληροφορίας και προετοιμάστε τις εγγραφές του corpus ως ευανάγνωστα αποσπάσματα κειμένου. Για παράδειγμα, ένα ερώτημα για αλλαγή διεύθυνσης παράδοσης μπορεί να συγκριθεί με χωριστές παραγράφους για αλλαγές διεύθυνσης, ακύρωση παραγγελίας και παρακολούθηση παράδοσης. Κρατήστε τις σχετικές συνθήκες στο απόσπασμα αλλαγής διεύθυνσης, συμπεριλαμβανομένου του αν η παραγγελία έχει ήδη αποσταλεί.
Κωδικοποιήστε το ερώτημα και τα αποσπάσματα με αυτό το ίδιο μοντέλο. Το δημοσιευμένο παράδειγμα το κάνει απευθείας, χωρίς πρόθεμα ερωτήματος/εγγράφου, και ταξινομεί τα αποσπάσματα βάσει των βαθμολογιών εσωτερικού γινομένου τους. Κρατήστε κάθε διάνυσμα συνδεδεμένο με το αρχικό απόσπασμα και το αναγνωριστικό εγγράφου, ώστε το καταταγμένο αποτέλεσμα να δείχνει το υλικό που πράγματι ευρετηριάστηκε.
Η συνταγή αναφοράς του μοντέλου παίρνει την αναπαράσταση του πρώτου token, γνωστή ως CLS pooling. Ο τεχνικός πίνακάς του δηλώνει ρητά ότι τα embeddings δεν είναι κανονικοποιημένα και αναφέρει το εσωτερικό γινόμενο ως κατάλληλη συνάρτηση βαθμολόγησης. Διατηρήστε αυτή τη συνταγή όταν ρυθμίζετε τη συλλογή και την πλευρά του ερωτήματος.
Η κανονικοποίηση L2 αυτών των διανυσμάτων αλλάζει τη γεωμετρία βαθμολόγησής τους. Το κανονικοποιημένο προφίλ all-mpnet-base-v2 χρησιμοποιεί διαφορετική συνταγή και είναι χωριστό checkpoint, παρότι μοιράζεται την οικογένεια MPNet και έξοδο 768 συνιστωσών. Κρατήστε την ακριβή έκδοση και τη συνάρτηση σύγκρισης μαζί με την αποθηκευμένη συλλογή αντί να τις επιλέγετε μόνο από το μήκος διανύσματος.
Το δηλωμένο όριο εισόδου είναι 512 τμήματα λέξεων, ή word pieces· το μεγαλύτερο κείμενο περικόπτεται. Ο κατασκευαστής σημειώνει επίσης ότι οι είσοδοι εκπαίδευσης έφταναν μόνο τα 250 τμήματα λέξεων και ότι μεγαλύτερο κείμενο μπορεί να λειτουργεί λιγότερο καλά. Το αποδεκτό μήκος του tokenizer και η επιφύλαξη για το μήκος εκπαίδευσης περιγράφουν επομένως διαφορετικά πρακτικά όρια.
Για ένα εκτενές άρθρο βοήθειας, προετοιμάστε σύντομες ενότητες που απαντούν σε συγκεκριμένα ερωτήματα. Κρατήστε μια επικεφαλίδα όταν προσδιορίζει το θέμα και διατηρήστε έναν κανόνα μαζί με την εξαίρεση που χρειάζεται για τη σωστή ανάγνωσή του. Μία είσοδος ολόκληρης σελίδας μπορεί να χάσει μεταγενέστερο υλικό λόγω περικοπής, ενώ ένα υπερβολικά μικρό τμήμα μπορεί να χάσει τη συνθήκη που το κάνει χρήσιμο.
Τα πυκνά διανύσματα υποστηρίζουν ένα πρώτο στάδιο ανάκτησης. Επιστρέψτε τα υποψήφια αποσπάσματα με τις υψηλότερες βαθμολογίες μαζί με τις αναφορές πηγής τους και κατόπιν εξετάστε αν απαντούν στο πραγματικό ερώτημα. Σε μια ροή RAG, δώστε αυτά τα αποσπάσματα στο στάδιο σύνταξης απάντησης ως υλικό πηγής· η ανάκτηση από μόνη της δεν συνθέτει την απάντηση.
Χρησιμοποιήστε αντιπροσωπευτικά ερωτήματα με γνωστά σχετικά αποσπάσματα για να επιλέξετε το πλήθος αποτελεσμάτων και να αξιολογήσετε την κατάταξη. Συμπεριλάβετε παραδείγματα με παρόμοιο λεξιλόγιο αλλά διαφορετική πρόθεση, όπως αλλαγή διεύθυνσης έναντι προβολής της τρέχουσας διεύθυνσης. Ερμηνεύστε τις βαθμολογίες σχετικά με τους υποψηφίους υπό το ίδιο μοντέλο και ρύθμιση βαθμολόγησης, όχι ως βαθμονομημένες πιθανότητες ορθότητας.
Η χρήσιμη έξοδος αυτού του checkpoint είναι ένας χώρος embeddings ερωτημάτων και αποσπασμάτων για σημασιολογική αναζήτηση. Τα μη κανονικοποιημένα διανύσματά του, το CLS pooling, η βαθμολογία εσωτερικού γινομένου και η δημοσιευμένη επιφύλαξη για μεγάλες εισόδους είναι οι λεπτομέρειες που πρέπει να διατηρούνται κατά την προετοιμασία και χρήση αποτελεσμάτων.
POST /v1/embeddingstext, token_idsembedding| Πεδίο | Τύπος | Απαίτηση | Τιμές και όρια | Προεπιλογή |
|---|---|---|---|---|
Πεδίοmodel | Τύποςstring | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια sentence-transformers/multi-qa-mpnet-base-dot-v1 | 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/multi-qa-mpnet-base-dot-v1", "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/multi-qa-mpnet-base-dot-v1',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/multi-qa-mpnet-base-dot-v1
Χρησιμοποιήστε τις διαδρομές μεθόδων που εμφανίζονται παραπάνω.