Το GTE-large είναι το μεγάλου μεγέθους μοντέλο General Text Embeddings που εκπαιδεύτηκε από την Alibaba DAMO Academy. Είναι κωδικοποιητής αγγλικού κειμένου βασισμένος κυρίως στο πλαίσιο BERT, με πυκνή αναπαράσταση 1024 διαστάσεων για κάθε είσοδο. Ο κατασκευαστής εκπαιδεύει την οικογένεια GTE σε ζεύγη κειμένων συνάφειας από διαφορετικά πεδία και προσδιορίζει ανάκτηση, σημασιολογική ομοιότητα κειμένου και επανακατάταξη κειμένου ως μεταγενέστερες εφαρμογές.
Προετοιμάστε το αγγλικό απόσπασμα που πρέπει να συγκριθεί με ερώτημα αναζήτησης. Για μια συλλογή τεχνικών αναφορών, κρατήστε το θέμα, την παρατήρηση και τη σχετική συνθήκη μιας σύντομης ενότητας. Μια αναφορά που περιγράφει κραδασμούς μόνο υπό συγκεκριμένο φορτίο πρέπει να διατηρεί αυτή τη συνθήκη αντί να αφήνει γενική δήλωση για κραδασμούς.
Κρατήστε τα αναγνωριστικά πηγής, τους τίτλους εγγράφων και τις θέσεις ενοτήτων μαζί με τα αποθηκευμένα διανύσματα. Ένα ερώτημα μπορεί να ανακτά υποψήφιες ενότητες, ενώ η αρχική αναφορά παραμένει διαθέσιμη για επαλήθευση του εξοπλισμού, της συνθήκης και του συμπεράσματος. Το embedding παρέχει αριθμητική αναπαράσταση του περιεχομένου αποσπάσματος.
Η δημοσιευμένη συνταγή χρησιμοποιεί pooling με μέσο όρο των αναπαραστάσεων tokens με τη μάσκα προσοχής, αποκλείοντας το padding από τον μέσο όρο. Δείχνει επίσης προαιρετική κανονικοποίηση L2 και κατόπιν σύγκριση κανονικοποιημένων διανυσμάτων με εσωτερικό γινόμενο. Το παράδειγμα Sentence Transformers χρησιμοποιεί ομοιότητα συνημιτόνου.
Διατηρήστε τις ίδιες ρυθμίσεις προετοιμασίας, pooling και σύγκρισης στη συλλογή και στην πλευρά ερωτήματος. Κάθε αναπαράσταση περιέχει 1024 συνιστώσες. Το μεγαλύτερο πλήθος συνιστωσών είναι λεπτομέρεια έκδοσης· δεν αποδεικνύει ότι διανύσματα GTE-large μπορούν να αναμειγνύονται με την αναπαράσταση GTE-base των 768 διαστάσεων ή με άλλον κωδικοποιητή 1024 διαστάσεων.
Μια ροή επανακατάταξης μπορεί να συγκρίνει embedding ερωτήματος με ήδη ανακτημένο σύνολο υποψήφιων embeddings και να αναδιατάσσει αυτές τις εγγραφές. Κρατήστε τη διάκριση μεταξύ αυτής της διανυσματικής σύγκρισης και χωριστού μοντέλου που αξιολογεί από κοινού ζεύγος ερωτήματος και αποσπάσματος.
Η κάρτα περιορίζει ρητά αυτό το ακριβές μοντέλο σε αγγλικό κείμενο και περικόπτει μεγάλες εισόδους σε μέγιστο 512 tokens. Διαιρέστε μια μεγάλη τεχνική αναφορά σε συνεκτικές ενότητες και κρατήστε αρκετό τοπικό πλαίσιο ώστε κάθε ενότητα να στέκεται μόνη της. Αν μια πρόταση εξαρτάται από προηγούμενη επιφύλαξη, διατηρήστε αυτή την επιφύλαξη στην ίδια ευρετηριασμένη μονάδα όταν χωρά.
Ένα όριο tokens διαφέρει από ορατό πλήθος λέξεων. Επαληθεύστε το μήκος της προετοιμασμένης ενότητας και βεβαιωθείτε ότι η λεπτομέρεια που χρειάζεται η προβλεπόμενη αναζήτηση δεν τοποθετείται πέρα από το τμήμα που διατηρείται μετά την περικοπή.
Για μια εφαρμογή αναζήτησης αναφορών, παρουσιάστε υποψήφιες ενότητες με τις θέσεις πηγής τους και εξετάστε το πραγματικό περιεχόμενό τους. Παρόμοιες παρατηρήσεις μπορεί να έχουν διαφορετικές αιτίες ή συστάσεις. Μια διανυσματική βαθμολογία βοηθά στην κατάταξη υποψηφίων υπό την επιλεγμένη ρύθμιση σύγκρισης· δεν αποδεικνύει ότι το συμπέρασμα αναφοράς εφαρμόζεται σε νέα κατάσταση.
Για RAG, χρησιμοποιήστε τις επιλεγμένες ενότητες ως πλαίσιο πηγής για το στάδιο σύνταξης απάντησης και διατηρήστε τις συσχετίσεις εγγράφων τους. Αυτό το ακριβές προφίλ GTE-large παρέχει αγγλικά πυκνά embeddings με 1024 διαστάσεις και όριο εισόδου 512 tokens. Μεταγενέστερες πολυγλωσσικές εκδόσεις GTE και εκδόσεις εκτεταμένων συμφραζομένων έχουν χωριστές ταυτότητες, επομένως η γλωσσική κάλυψη ή οι ρυθμίσεις εισόδου τους δεν προκύπτουν από το όνομα οικογένειας αυτού του checkpoint.
", "aboutText": "Το GTE-large είναι το μεγάλου μεγέθους μοντέλο General Text Embeddings που εκπαιδεύτηκε από την Alibaba DAMO Academy. Είναι κωδικοποιητής αγγλικού κειμένου βασισμένος κυρίως στο πλαίσιο BERT, με πυκνή αναπαράσταση 1024 διαστάσεων για κάθε είσοδο. Ο κατασκευαστής εκπαιδεύει την οικογένεια GTE σε ζεύγη κειμένων συνάφειας από διαφορετικά πεδία και προσδιορίζει ανάκτηση, σημασιολογική ομοιότητα κειμένου και επανακατάταξη κειμένου ως μεταγενέστερες εφαρμογές.\n\n### Αναπαραστήστε το περιεχόμενο ενότητας\n\nΠροετοιμάστε το αγγλικό απόσπασμα που πρέπει να συγκριθεί με ερώτημα αναζήτησης. Για μια συλλογή τεχνικών αναφορών, κρατήστε το θέμα, την παρατήρηση και τη σχετική συνθήκη μιας σύντομης ενότητας. Μια αναφορά που περιγράφει κραδασμούς μόνο υπό συγκεκριμένο φορτίο πρέπει να διατηρεί αυτή τη συνθήκη αντί να αφήνει γενική δήλωση για κραδασμούς.\n\nΚρατήστε τα αναγνωριστικά πηγής, τους τίτλους εγγράφων και τις θέσεις ενοτήτων μαζί με τα αποθηκευμένα διανύσματα. Ένα ερώτημα μπορεί να ανακτά υποψήφιες ενότητες, ενώ η αρχική αναφορά παραμένει διαθέσιμη για επαλήθευση του εξοπλισμού, της συνθήκης και του συμπεράσματος. Το embedding παρέχει αριθμητική αναπαράσταση του περιεχομένου αποσπάσματος.\n\n### Pooling, κανονικοποίηση και χρήση διανυσμάτων\n\nΗ δημοσιευμένη συνταγή χρησιμοποιεί pooling με μέσο όρο των αναπαραστάσεων tokens με τη μάσκα προσοχής, αποκλείοντας το padding από τον μέσο όρο. Δείχνει επίσης προαιρετική κανονικοποίηση L2 και κατόπιν σύγκριση κανονικοποιημένων διανυσμάτων με εσωτερικό γινόμενο. Το παράδειγμα Sentence Transformers χρησιμοποιεί ομοιότητα συνημιτόνου.\n\nΔιατηρήστε τις ίδιες ρυθμίσεις προετοιμασίας, pooling και σύγκρισης στη συλλογή και στην πλευρά ερωτήματος. Κάθε αναπαράσταση περιέχει 1024 συνιστώσες. Το μεγαλύτερο πλήθος συνιστωσών είναι λεπτομέρεια έκδοσης· δεν αποδεικνύει ότι διανύσματα GTE-large μπορούν να αναμειγνύονται με την αναπαράσταση GTE-base των 768 διαστάσεων ή με άλλον κωδικοποιητή 1024 διαστάσεων.\n\nΜια ροή επανακατάταξης μπορεί να συγκρίνει embedding ερωτήματος με ήδη ανακτημένο σύνολο υποψήφιων embeddings και να αναδιατάσσει αυτές τις εγγραφές. Κρατήστε τη διάκριση μεταξύ αυτής της διανυσματικής σύγκρισης και χωριστού μοντέλου που αξιολογεί από κοινού ζεύγος ερωτήματος και αποσπάσματος.\n\n### Μήκος εισόδου και περιορισμός στα αγγλικά\n\nΗ κάρτα περιορίζει ρητά αυτό το ακριβές μοντέλο σε αγγλικό κείμενο και περικόπτει μεγάλες εισόδους σε μέγιστο 512 tokens. Διαιρέστε μια μεγάλη τεχνική αναφορά σε συνεκτικές ενότητες και κρατήστε αρκετό τοπικό πλαίσιο ώστε κάθε ενότητα να στέκεται μόνη της. Αν μια πρόταση εξαρτάται από προηγούμενη επιφύλαξη, διατηρήστε αυτή την επιφύλαξη στην ίδια ευρετηριασμένη μονάδα όταν χωρά.\n\nΈνα όριο tokens διαφέρει από ορατό πλήθος λέξεων. Επαληθεύστε το μήκος της προετοιμασμένης ενότητας και βεβαιωθείτε ότι η λεπτομέρεια που χρειάζεται η προβλεπόμενη αναζήτηση δεν τοποθετείται πέρα από το τμήμα που διατηρείται μετά την περικοπή.\n\n### Εξετάστε τα ανακτημένα στοιχεία\n\nΓια μια εφαρμογή αναζήτησης αναφορών, παρουσιάστε υποψήφιες ενότητες με τις θέσεις πηγής τους και εξετάστε το πραγματικό περιεχόμενό τους. Παρόμοιες παρατηρήσεις μπορεί να έχουν διαφορετικές αιτίες ή συστάσεις. Μια διανυσματική βαθμολογία βοηθά στην κατάταξη υποψηφίων υπό την επιλεγμένη ρύθμιση σύγκρισης· δεν αποδεικνύει ότι το συμπέρασμα αναφοράς εφαρμόζεται σε νέα κατάσταση.\n\nΓια RAG, χρησιμοποιήστε τις επιλεγμένες ενότητες ως πλαίσιο πηγής για το στάδιο σύνταξης απάντησης και διατηρήστε τις συσχετίσεις εγγράφων τους. Αυτό το ακριβές προφίλ GTE-large παρέχει αγγλικά πυκνά embeddings με 1024 διαστάσεις και όριο εισόδου 512 tokens. Μεταγενέστερες πολυγλωσσικές εκδόσεις GTE και εκδόσεις εκτεταμένων συμφραζομένων έχουν χωριστές ταυτότητες, επομένως η γλωσσική κάλυψη ή οι ρυθμίσεις εισόδου τους δεν προκύπτουν από το όνομα οικογένειας αυτού του checkpoint.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "ab393529af52c5f62ff1216bc61581ee82e0ea37d6ec035a92a2af3e4b252181", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "el", "methods": [ { "html": "thenlper/gte-largeΤο Alibaba DAMO Academy GTE-large μετατρέπει αγγλικό κείμενο σε διανύσματα 1024 διαστάσεων για ανάκτηση, σημασιολογική ομοιότητα και επανακατάταξη βάσει embeddings. Η συνταγή αναφοράς του χρησιμοποιεί pooling με μέσο όρο, προαιρετική κανονικοποίηση και μέγιστο μήκος ακολουθίας 512 tokens.
Αυτή η περιγραφή καλύπτει τις δυνατότητες του μοντέλου. Οι είσοδοι, έξοδοι και επιλογές που διατίθενται στο Ailoot παρατίθενται παρακάτω για την επιλεγμένη μέθοδο.
Το GTE-large είναι το μεγάλου μεγέθους μοντέλο General Text Embeddings που εκπαιδεύτηκε από την Alibaba DAMO Academy. Είναι κωδικοποιητής αγγλικού κειμένου βασισμένος κυρίως στο πλαίσιο BERT, με πυκνή αναπαράσταση 1024 διαστάσεων για κάθε είσοδο. Ο κατασκευαστής εκπαιδεύει την οικογένεια GTE σε ζεύγη κειμένων συνάφειας από διαφορετικά πεδία και προσδιορίζει ανάκτηση, σημασιολογική ομοιότητα κειμένου και επανακατάταξη κειμένου ως μεταγενέστερες εφαρμογές.
Προετοιμάστε το αγγλικό απόσπασμα που πρέπει να συγκριθεί με ερώτημα αναζήτησης. Για μια συλλογή τεχνικών αναφορών, κρατήστε το θέμα, την παρατήρηση και τη σχετική συνθήκη μιας σύντομης ενότητας. Μια αναφορά που περιγράφει κραδασμούς μόνο υπό συγκεκριμένο φορτίο πρέπει να διατηρεί αυτή τη συνθήκη αντί να αφήνει γενική δήλωση για κραδασμούς.
Κρατήστε τα αναγνωριστικά πηγής, τους τίτλους εγγράφων και τις θέσεις ενοτήτων μαζί με τα αποθηκευμένα διανύσματα. Ένα ερώτημα μπορεί να ανακτά υποψήφιες ενότητες, ενώ η αρχική αναφορά παραμένει διαθέσιμη για επαλήθευση του εξοπλισμού, της συνθήκης και του συμπεράσματος. Το embedding παρέχει αριθμητική αναπαράσταση του περιεχομένου αποσπάσματος.
Η δημοσιευμένη συνταγή χρησιμοποιεί pooling με μέσο όρο των αναπαραστάσεων tokens με τη μάσκα προσοχής, αποκλείοντας το padding από τον μέσο όρο. Δείχνει επίσης προαιρετική κανονικοποίηση L2 και κατόπιν σύγκριση κανονικοποιημένων διανυσμάτων με εσωτερικό γινόμενο. Το παράδειγμα Sentence Transformers χρησιμοποιεί ομοιότητα συνημιτόνου.
Διατηρήστε τις ίδιες ρυθμίσεις προετοιμασίας, pooling και σύγκρισης στη συλλογή και στην πλευρά ερωτήματος. Κάθε αναπαράσταση περιέχει 1024 συνιστώσες. Το μεγαλύτερο πλήθος συνιστωσών είναι λεπτομέρεια έκδοσης· δεν αποδεικνύει ότι διανύσματα GTE-large μπορούν να αναμειγνύονται με την αναπαράσταση GTE-base των 768 διαστάσεων ή με άλλον κωδικοποιητή 1024 διαστάσεων.
Μια ροή επανακατάταξης μπορεί να συγκρίνει embedding ερωτήματος με ήδη ανακτημένο σύνολο υποψήφιων embeddings και να αναδιατάσσει αυτές τις εγγραφές. Κρατήστε τη διάκριση μεταξύ αυτής της διανυσματικής σύγκρισης και χωριστού μοντέλου που αξιολογεί από κοινού ζεύγος ερωτήματος και αποσπάσματος.
Η κάρτα περιορίζει ρητά αυτό το ακριβές μοντέλο σε αγγλικό κείμενο και περικόπτει μεγάλες εισόδους σε μέγιστο 512 tokens. Διαιρέστε μια μεγάλη τεχνική αναφορά σε συνεκτικές ενότητες και κρατήστε αρκετό τοπικό πλαίσιο ώστε κάθε ενότητα να στέκεται μόνη της. Αν μια πρόταση εξαρτάται από προηγούμενη επιφύλαξη, διατηρήστε αυτή την επιφύλαξη στην ίδια ευρετηριασμένη μονάδα όταν χωρά.
Ένα όριο tokens διαφέρει από ορατό πλήθος λέξεων. Επαληθεύστε το μήκος της προετοιμασμένης ενότητας και βεβαιωθείτε ότι η λεπτομέρεια που χρειάζεται η προβλεπόμενη αναζήτηση δεν τοποθετείται πέρα από το τμήμα που διατηρείται μετά την περικοπή.
Για μια εφαρμογή αναζήτησης αναφορών, παρουσιάστε υποψήφιες ενότητες με τις θέσεις πηγής τους και εξετάστε το πραγματικό περιεχόμενό τους. Παρόμοιες παρατηρήσεις μπορεί να έχουν διαφορετικές αιτίες ή συστάσεις. Μια διανυσματική βαθμολογία βοηθά στην κατάταξη υποψηφίων υπό την επιλεγμένη ρύθμιση σύγκρισης· δεν αποδεικνύει ότι το συμπέρασμα αναφοράς εφαρμόζεται σε νέα κατάσταση.
Για RAG, χρησιμοποιήστε τις επιλεγμένες ενότητες ως πλαίσιο πηγής για το στάδιο σύνταξης απάντησης και διατηρήστε τις συσχετίσεις εγγράφων τους. Αυτό το ακριβές προφίλ GTE-large παρέχει αγγλικά πυκνά embeddings με 1024 διαστάσεις και όριο εισόδου 512 tokens. Μεταγενέστερες πολυγλωσσικές εκδόσεις GTE και εκδόσεις εκτεταμένων συμφραζομένων έχουν χωριστές ταυτότητες, επομένως η γλωσσική κάλυψη ή οι ρυθμίσεις εισόδου τους δεν προκύπτουν από το όνομα οικογένειας αυτού του checkpoint.
POST /v1/embeddingstext, token_idsembedding| Πεδίο | Τύπος | Απαίτηση | Τιμές και όρια | Προεπιλογή |
|---|---|---|---|---|
Πεδίοmodel | Τύποςstring | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια thenlper/gte-large | 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": "thenlper/gte-large", "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='thenlper/gte-large',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 thenlper/gte-large
Χρησιμοποιήστε τις διαδρομές μεθόδων που εμφανίζονται παραπάνω.