Intfloat: E5-Large-v2
intfloat E5-Large-v2 codifica consultas y pasajes en inglés como vectores de 1024 dimensiones. Su modelo de 24 capas utiliza roles de consulta/pasaje, mean pooling y un límite de entrada de 512 tokens para búsqueda, similaridad semántica y características numéricas de texto.
Sobre el modelo
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
E5-Large-v2 es el modelo de embeddings de texto en inglés de intfloat, con veinticuatro capas y una salida de 1024 dimensiones. Está diseñado para representar numéricamente consultas y pasajes para recuperación y otras tareas de embeddings. La convención de preparación de E5 forma parte de su entrenamiento: el texto de entrada lleva un prefijo de rol y las representaciones de tokens codificadas se agregan mediante pooling en un vector para ese texto.
Mantén explícitos los roles de consulta y pasaje
Para recuperación asimétrica, empieza la pregunta con «query:» y el texto del corpus con «passage:». Estos roles distinguen lo que busca el usuario del material que podría responderle. Para una comparación simétrica, búsqueda de paráfrasis, agrupación o características de clasificación, el fabricante recomienda «query:» para los textos de los que se generan embeddings.
Una colección práctica puede indexar explicaciones de soporte en inglés. Prepara una pregunta como «query: What should I check before replacing the connector?» y combínala con pasajes de origen que describan las comprobaciones y excepciones. El texto del pasaje conserva su prefijo correspondiente. Guarda el identificador de origen y la formulación original junto a cada vector, para que el resultado pueda devolver el material que un usuario necesita leer.
Los prefijos no son etiquetas decorativas que se deban quitar de uno de los lados de la tarea. El fabricante afirma que omitirlos degrada el rendimiento de recuperación porque el modelo se entrenó con esa preparación. Aplica el rol elegido de forma coherente al construir el corpus y al generar después el embedding de una consulta.
Mean pooling y vectores normalizados
El ejemplo oficial de codificación calcula la media de las representaciones de tokens mientras excluye las posiciones de relleno con la máscara de atención. Después normaliza el vector resultante. Un producto escalar entre vectores normalizados de consulta y pasaje aporta similaridad del coseno para ordenar candidatos. Esta receta de mean pooling pertenece a E5-Large-v2; una receta de pooling del primer token de otra familia es una elección de preparación distinta.
Los 1024 valores de salida forman el embedding, no una respuesta escrita ni una etiqueta directa de categoría. Una etapa de búsqueda compara esos valores con representaciones compatibles del corpus y una etapa posterior utiliza el texto del pasaje seleccionado. Si los vectores sirven como características de agrupación o de un clasificador, conserva la asociación entre cada vector y el registro de entrada cuyas características representa.
Texto en inglés dentro de la ventana
La ficha del modelo especifica texto exclusivamente en inglés y truncamiento de entradas largas a un máximo de 512 tokens. Mantén coherente cada pasaje documental dentro de esa ventana, incluido el prefijo de rol y el contexto de origen útil. Un manual largo debe prepararse como secciones cuyos títulos, condiciones e instrucciones puedan entenderse al recuperarse por separado.
Por ejemplo, una cláusula que describe un ajuste puede necesitar la definición de ese ajuste y una excepción en la frase siguiente. Conserva esa pequeña unidad junta, en lugar de dividir únicamente según una cantidad de caracteres. Mantén el documento principal y la versión de origen junto al pasaje, para que una actualización sustituya el material correcto.
Lee la ordenación como evidencia de recuperación
El fabricante explica que el orden de las puntuaciones de coseno importa más que sus valores absolutos. Una puntuación no debe interpretarse como una probabilidad calibrada de que un pasaje responda a la pregunta. Comprueba pasajes conocidos que contengan la respuesta y material irrelevante próximo al elegir cuántos resultados conservar o dónde filtrar un conjunto de candidatos.
La salida útil es una representación del corpus o de una consulta, una señal de comparación semántica o características numéricas para otra tarea. Este checkpoint exacto Large v2 en inglés sigue siendo distinto de E5-Base-v2 y Multilingual-E5-Large. La coincidencia de dimensiones por sí sola no convierte sus vectores en un espacio común de embeddings documentado.
Ailoot Ultra · Representaciones vectoriales POST /v1/embeddings intfloat/e5-large-v2
intfloat/e5-large-v2Inicio
intfloat E5-Large-v2 codifica consultas y pasajes en inglés como vectores de 1024 dimensiones. Su modelo de 24 capas utiliza roles de consulta/pasaje, mean pooling y un límite de entrada de 512 tokens para búsqueda, similaridad semántica y características numéricas de texto.
- Entradas aceptadas
- Texto · token_ids
- Resultados
- embedding
Disponible en Ailoot · entradas y métodos
Ailoot Ultra · Representaciones vectoriales POST /v1/embeddings
- Entrada
text,token_ids- Salida
embedding- Formato de salida
- json
| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites intfloat/e5-large-v2 | Predeterminado— |
Campoinput | Tipostring|string[]|integer[]|integer[][] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 Condiciones: Lote homogéneo no vacío. Los ID de tokens son números enteros no negativos. Presupuesto de entrada: Máximo: 512 · Unidad de texto: bytes UTF8 · Unidad de tokens: elementos de un arreglo de tokens | Predeterminado— |
Campoencoding_format | Tipostring | RequisitoOpcional | Valores y límites float | Predeterminadofloat |
Campodimensions | Tipointeger | RequisitoNo compatible | Valores y límites Mínimo: 1 | Predeterminado— |
Campouser | Tipojson_value | RequisitoOpcional | Valores y límites Condiciones: La fuente permite este campo metadata de JSON; la semántica exacta en el sistema de origen depende del modelo. | Predeterminado— |
Camposession_id | Tipojson_value | RequisitoOpcional | Valores y límites Condiciones: La fuente permite este campo metadata de JSON; la semántica exacta en el sistema de origen depende del modelo. | Predeterminado— |
Campotrace | Tipojson_value | RequisitoOpcional | Valores y límites Condiciones: La fuente permite este campo metadata de JSON; la semántica exacta en el sistema de origen depende del modelo. | Predeterminado— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores y límites Condiciones: provider.options rechazado | Predeterminado— |
Combinaciones de materiales de entrada
text_to_embedding
Parámetros del método y ciclo de vida
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, input |
Parámetroinput_shapes | Contratostring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parámetroencoding_format | Contratofloat |
Parámetrodimensions_override | Contratofalse |
Parámetromax_input_budget_units | Contrato512 |
Parámetromultimodal_objects | Contratofalse |
Parámetromaterial_types | Contratotext, token_ids |
Ciclo de vida: synchronous_json
Conserva todos los índices y dimensiones de los vectores.
El nombre de un modelo multimodal no habilita objetos de imagen en esta ruta exacta.
Tarifas
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
- Modo fast
- Sin especificar Cuando se selecciona el modo fast
- Modo flex
- Sin especificar Cuando se selecciona el modo flex
- Esfuerzo máximo de razonamiento
- Sin especificar Cuando el esfuerzo máximo de razonamiento usa el ajuste default
Tarifas de Ailoot
Precios por configuración
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.00002 / 1K tokens Salida · Tokens de salida $0 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
Solicitudes de ejemplo
Ailoot Ultra · Representaciones vectoriales
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "intfloat/e5-large-v2", "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
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='intfloat/e5-large-v2',input=["First document","Second document"])
print(result)
for item in result.data:print(item.index,item.embedding)
Recibir y guardar resultados
Ailoot Ultra · Representaciones vectoriales
json
Conserva todos los resultados completados
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva cada vector con su índice. La cantidad de vectores debe ser igual a la cantidad de entradas; las dimensiones deben ser consistentes.
Si es necesario revisar la respuesta original
No se incorpora ningún endpoint de tareas de embeddings.
Campos de respuesta
| Campo | Tipo |
|---|---|
Campoobject | Tipostring |
Campomodel | Tipostring |
Campodata[].index | Tipointeger |
Campodata[].embedding | Tipofinite float[] |
Campousage | Tipoobject |
Errores y siguientes pasos
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Alias
Alias del modelo
Ailoot Ultra intfloat/e5-large-v2
Alias de rutas de métodos
Usa las rutas de método indicadas arriba.
ID de modelo relacionados
FAQ · Intfloat: E5-Large-v2
- ¿Qué entradas y resultados están disponibles?
POST /v1/embeddings·intfloat/e5-large-v2:text,token_ids→embedding- ¿Qué campos utiliza la solicitud?
POST /v1/embeddings·intfloat/e5-large-v2:model,input,encoding_format,provider- ¿Qué límites se aplican?
POST /v1/embeddings·intfloat/e5-large-v2:input.budget.maximum:512(bytes UTF8);input.min_items:1