Multilingual-E5-Large es el modelo multilingüe de embeddings densos de texto de intfloat, con veinticuatro capas y una salida de 1024 dimensiones. Se inicializa a partir de XLM-RoBERTa Large y continúa su entrenamiento con datos multilingües. La ficha del modelo describe la compatibilidad con el alcance de cien idiomas de XLM-R y señala un rendimiento inferior en idiomas con pocos recursos. Sus vectores representan texto para recuperación, comparación semántica y tareas con características numéricas.
Los prefijos utilizados en el entrenamiento son «query:» y «passage:», también para texto que no está en inglés. Una consulta de recuperación y los pasajes de su corpus utilizan sus roles correspondientes. Los prefijos siguen siendo esas cadenas en inglés, mientras que la formulación de origen conserva su propio idioma. Para similaridad semántica simétrica, recuperación de paráfrasis, minería de textos bilingües o uso como características, el fabricante recomienda «query:».
Una colección práctica puede contener documentación en varios idiomas compatibles. Conserva el idioma, el texto original y la ubicación de origen de cada pasaje junto con su vector. Prepara preguntas de búsqueda reales del público, en lugar de suponer que una prueba en inglés representa toda la colección. La salida debe devolver el pasaje real y su contexto para que el lector pueda evaluar lo que dice.
Para una tarea de correspondencia multilingüe, mantén claro el propósito de la comparación. Un par candidato de traducciones y una consulta que busca un pasaje de respaldo son preparaciones distintas. Las indicaciones del modelo sobre prefijos de rol aportan una convención concreta para esas tareas; omitir el prefijo no es el equivalente documentado porque cambia el patrón de entrada utilizado durante el entrenamiento.
El ejemplo del fabricante calcula la media de las representaciones de tokens utilizando una máscara de atención para excluir el relleno y después normaliza el vector. Los productos escalares normalizados proporcionan similaridad del coseno. El array de 1024 dimensiones representa un texto preparado. Mantén el modelo exacto y la preparación asociados a los vectores almacenados, para que las consultas posteriores utilicen la representación correspondiente.
Estos vectores pueden aportar clasificaciones ordenadas de candidatos o características para una etapa posterior de agrupación o clasificación. No traducen la fuente ni redactan una respuesta. Devuelve el texto del pasaje subyacente cuando un resultado de recuperación deba servir de apoyo a un lector o a una etapa posterior de generación RAG.
La ficha del modelo documenta un preentrenamiento contrastivo con supervisión débil seguido de un ajuste supervisado. La preparación multilingüe incluye material como pares de título y pasaje, pares conversacionales y pares de traducción, mientras que los datos etiquetados de recuperación y comprensión del lenguaje aportan la etapa posterior. Esto explica las tareas previstas de representación textual sin establecer un rendimiento igual en todos los idiomas.
El fabricante identifica expresamente como limitación la degradación en idiomas con pocos recursos. Comprueba los idiomas y la formulación reales de la colección, incluidas abreviaturas, nombres y vocabulario especializado. La etiqueta multilingüe es una descripción útil del alcance; la relevancia del texto devuelto sigue necesitando una evaluación para el público y la tarea.
Las entradas largas se truncan a un máximo de 512 tokens. Prepara un documento extenso como pasajes coherentes, incluyendo el prefijo de rol y los encabezados pertinentes. Conserva las definiciones y los matices junto a la afirmación a la que afectan, y mantén fuera del vector un identificador del documento principal y la versión de origen.
El fabricante recomienda centrarse en el orden relativo de las puntuaciones de coseno, en lugar de tratar un valor absoluto como una medida universal de confianza. Un resultado útil es un conjunto de pasajes candidatos, representaciones textuales comparables o características vinculadas a sus registros originales. Este modelo exacto sigue siendo distinto de los checkpoints E5 v2 exclusivamente en inglés y de las variantes E5 ajustadas con instrucciones, incluso cuando otro modelo también devuelve 1024 valores.
", "aboutText": "Multilingual-E5-Large es el modelo multilingüe de embeddings densos de texto de intfloat, con veinticuatro capas y una salida de 1024 dimensiones. Se inicializa a partir de XLM-RoBERTa Large y continúa su entrenamiento con datos multilingües. La ficha del modelo describe la compatibilidad con el alcance de cien idiomas de XLM-R y señala un rendimiento inferior en idiomas con pocos recursos. Sus vectores representan texto para recuperación, comparación semántica y tareas con características numéricas.\n\n### Conserva el rol de entrada en todos los idiomas\n\nLos prefijos utilizados en el entrenamiento son «query:» y «passage:», también para texto que no está en inglés. Una consulta de recuperación y los pasajes de su corpus utilizan sus roles correspondientes. Los prefijos siguen siendo esas cadenas en inglés, mientras que la formulación de origen conserva su propio idioma. Para similaridad semántica simétrica, recuperación de paráfrasis, minería de textos bilingües o uso como características, el fabricante recomienda «query:».\n\nUna colección práctica puede contener documentación en varios idiomas compatibles. Conserva el idioma, el texto original y la ubicación de origen de cada pasaje junto con su vector. Prepara preguntas de búsqueda reales del público, en lugar de suponer que una prueba en inglés representa toda la colección. La salida debe devolver el pasaje real y su contexto para que el lector pueda evaluar lo que dice.\n\nPara una tarea de correspondencia multilingüe, mantén claro el propósito de la comparación. Un par candidato de traducciones y una consulta que busca un pasaje de respaldo son preparaciones distintas. Las indicaciones del modelo sobre prefijos de rol aportan una convención concreta para esas tareas; omitir el prefijo no es el equivalente documentado porque cambia el patrón de entrada utilizado durante el entrenamiento.\n\n### Pooling y comparación de vectores\n\nEl ejemplo del fabricante calcula la media de las representaciones de tokens utilizando una máscara de atención para excluir el relleno y después normaliza el vector. Los productos escalares normalizados proporcionan similaridad del coseno. El array de 1024 dimensiones representa un texto preparado. Mantén el modelo exacto y la preparación asociados a los vectores almacenados, para que las consultas posteriores utilicen la representación correspondiente.\n\nEstos vectores pueden aportar clasificaciones ordenadas de candidatos o características para una etapa posterior de agrupación o clasificación. No traducen la fuente ni redactan una respuesta. Devuelve el texto del pasaje subyacente cuando un resultado de recuperación deba servir de apoyo a un lector o a una etapa posterior de generación RAG.\n\n### Entrenamiento y cobertura lingüística\n\nLa ficha del modelo documenta un preentrenamiento contrastivo con supervisión débil seguido de un ajuste supervisado. La preparación multilingüe incluye material como pares de título y pasaje, pares conversacionales y pares de traducción, mientras que los datos etiquetados de recuperación y comprensión del lenguaje aportan la etapa posterior. Esto explica las tareas previstas de representación textual sin establecer un rendimiento igual en todos los idiomas.\n\nEl fabricante identifica expresamente como limitación la degradación en idiomas con pocos recursos. Comprueba los idiomas y la formulación reales de la colección, incluidas abreviaturas, nombres y vocabulario especializado. La etiqueta multilingüe es una descripción útil del alcance; la relevancia del texto devuelto sigue necesitando una evaluación para el público y la tarea.\n\n### Longitud y resultados útiles\n\nLas entradas largas se truncan a un máximo de 512 tokens. Prepara un documento extenso como pasajes coherentes, incluyendo el prefijo de rol y los encabezados pertinentes. Conserva las definiciones y los matices junto a la afirmación a la que afectan, y mantén fuera del vector un identificador del documento principal y la versión de origen.\n\nEl fabricante recomienda centrarse en el orden relativo de las puntuaciones de coseno, en lugar de tratar un valor absoluto como una medida universal de confianza. Un resultado útil es un conjunto de pasajes candidatos, representaciones textuales comparables o características vinculadas a sus registros originales. Este modelo exacto sigue siendo distinto de los checkpoints E5 v2 exclusivamente en inglés y de las variantes E5 ajustadas con instrucciones, incluso cuando otro modelo también devuelve 1024 valores.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "b6f58e0dbf61a7feb68508ebbf66c0ed0ad52bb2ae85535665b8a801ec6e8e97", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es", "methods": [ { "html": "intfloat/multilingual-e5-largeintfloat Multilingual-E5-Large codifica texto multilingüe en vectores de 1024 dimensiones con un modelo de 24 capas. Admite el alcance de cien idiomas de XLM-R, utiliza prefijos en inglés de consulta/pasaje para todos los idiomas y trunca las entradas a 512 tokens.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Multilingual-E5-Large es el modelo multilingüe de embeddings densos de texto de intfloat, con veinticuatro capas y una salida de 1024 dimensiones. Se inicializa a partir de XLM-RoBERTa Large y continúa su entrenamiento con datos multilingües. La ficha del modelo describe la compatibilidad con el alcance de cien idiomas de XLM-R y señala un rendimiento inferior en idiomas con pocos recursos. Sus vectores representan texto para recuperación, comparación semántica y tareas con características numéricas.
Los prefijos utilizados en el entrenamiento son «query:» y «passage:», también para texto que no está en inglés. Una consulta de recuperación y los pasajes de su corpus utilizan sus roles correspondientes. Los prefijos siguen siendo esas cadenas en inglés, mientras que la formulación de origen conserva su propio idioma. Para similaridad semántica simétrica, recuperación de paráfrasis, minería de textos bilingües o uso como características, el fabricante recomienda «query:».
Una colección práctica puede contener documentación en varios idiomas compatibles. Conserva el idioma, el texto original y la ubicación de origen de cada pasaje junto con su vector. Prepara preguntas de búsqueda reales del público, en lugar de suponer que una prueba en inglés representa toda la colección. La salida debe devolver el pasaje real y su contexto para que el lector pueda evaluar lo que dice.
Para una tarea de correspondencia multilingüe, mantén claro el propósito de la comparación. Un par candidato de traducciones y una consulta que busca un pasaje de respaldo son preparaciones distintas. Las indicaciones del modelo sobre prefijos de rol aportan una convención concreta para esas tareas; omitir el prefijo no es el equivalente documentado porque cambia el patrón de entrada utilizado durante el entrenamiento.
El ejemplo del fabricante calcula la media de las representaciones de tokens utilizando una máscara de atención para excluir el relleno y después normaliza el vector. Los productos escalares normalizados proporcionan similaridad del coseno. El array de 1024 dimensiones representa un texto preparado. Mantén el modelo exacto y la preparación asociados a los vectores almacenados, para que las consultas posteriores utilicen la representación correspondiente.
Estos vectores pueden aportar clasificaciones ordenadas de candidatos o características para una etapa posterior de agrupación o clasificación. No traducen la fuente ni redactan una respuesta. Devuelve el texto del pasaje subyacente cuando un resultado de recuperación deba servir de apoyo a un lector o a una etapa posterior de generación RAG.
La ficha del modelo documenta un preentrenamiento contrastivo con supervisión débil seguido de un ajuste supervisado. La preparación multilingüe incluye material como pares de título y pasaje, pares conversacionales y pares de traducción, mientras que los datos etiquetados de recuperación y comprensión del lenguaje aportan la etapa posterior. Esto explica las tareas previstas de representación textual sin establecer un rendimiento igual en todos los idiomas.
El fabricante identifica expresamente como limitación la degradación en idiomas con pocos recursos. Comprueba los idiomas y la formulación reales de la colección, incluidas abreviaturas, nombres y vocabulario especializado. La etiqueta multilingüe es una descripción útil del alcance; la relevancia del texto devuelto sigue necesitando una evaluación para el público y la tarea.
Las entradas largas se truncan a un máximo de 512 tokens. Prepara un documento extenso como pasajes coherentes, incluyendo el prefijo de rol y los encabezados pertinentes. Conserva las definiciones y los matices junto a la afirmación a la que afectan, y mantén fuera del vector un identificador del documento principal y la versión de origen.
El fabricante recomienda centrarse en el orden relativo de las puntuaciones de coseno, en lugar de tratar un valor absoluto como una medida universal de confianza. Un resultado útil es un conjunto de pasajes candidatos, representaciones textuales comparables o características vinculadas a sus registros originales. Este modelo exacto sigue siendo distinto de los checkpoints E5 v2 exclusivamente en inglés y de las variantes E5 ajustadas con instrucciones, incluso cuando otro modelo también devuelve 1024 valores.
POST /v1/embeddingstext, token_idsembedding| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites intfloat/multilingual-e5-large | 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/multilingual-e5-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='intfloat/multilingual-e5-large',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/multilingual-e5-large
Usa las rutas de método indicadas arriba.