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.
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.
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.
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.
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.
", "aboutText": "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.\n\n### Mantén explícitos los roles de consulta y pasaje\n\nPara 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.\n\nUna 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.\n\nLos 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.\n\n### Mean pooling y vectores normalizados\n\nEl 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.\n\nLos 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.\n\n### Texto en inglés dentro de la ventana\n\nLa 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.\n\nPor 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.\n\n### Lee la ordenación como evidencia de recuperación\n\nEl 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.\n\nLa 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "2b8e35a646a73635a3f4058f72add6bc3700df75e564f61a385ac20f0b1578fe", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es", "methods": [ { "html": "intfloat/e5-large-v2intfloat 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.
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.
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.
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.
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.
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.
POST /v1/embeddingstext, token_idsembedding| 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 array 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: Source permite este campo de metadatos JSON; su semántica exacta en el proveedor depende de cada modelo. | Predeterminado— |
Camposession_id | Tipojson_value | RequisitoOpcional | Valores y límites Condiciones: Source permite este campo de metadatos JSON; su semántica exacta en el proveedor depende de cada modelo. | Predeterminado— |
Campotrace | Tipojson_value | RequisitoOpcional | Valores y límites Condiciones: Source permite este campo de metadatos JSON; su semántica exacta en el proveedor depende de cada modelo. | Predeterminado— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores y límites Condiciones: provider.options se rechaza | Predeterminado— |
text_to_embedding
| 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.
Que el modelo tenga un nombre multimodal no permite enviar objetos de imagen por esta ruta concreta.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
| 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 $0 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "intfloat/e5-large-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='intfloat/e5-large-v2',input=["First document","Second document"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\njson
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva cada vector con su índice. El número de vectores debe coincidir con el número de entradas; las dimensiones deben ser coherentes.
No se introduce ningún endpoint de trabajos de embeddings.
| Campo | Tipo |
|---|---|
Campoobject | Tipostring |
Campomodel | Tipostring |
Campodata[].index | Tipointeger |
Campodata[].embedding | Tipofinite float[] |
Campousage | Tipoobject |
| 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. |
Ailoot Ultra intfloat/e5-large-v2
Usa las rutas de método indicadas arriba.