GTE-base es el modelo de tamaño base General Text Embeddings entrenado por Alibaba DAMO Academy. Este codificador de texto en inglés se basa principalmente en el marco BERT y produce vectores densos de 768 dimensiones. Su entrenamiento utiliza un corpus grande de pares de relevancia de distintos dominios, con la recuperación de información, la similaridad semántica textual y la reordenación textual basada en embeddings entre las aplicaciones indicadas.
Utiliza texto legible en inglés tanto para la necesidad de información como para el material en el que se va a buscar. Por ejemplo, una consulta sobre sustituir un componente desgastado puede compararse con secciones cortas de mantenimiento que describan criterios de sustitución, pasos de inspección e instrucciones de pedido. Conserva el nombre del componente y las condiciones que distinguen esas secciones.
El ejemplo publicado codifica directamente preguntas y texto candidato, sin una instrucción de tarea añadida. Mantén esa preparación coherente entre la colección y las consultas posteriores. Guarda el pasaje original y su identificador junto al vector para que un resultado ordenado pueda mostrar la información que se representó.
La receta de referencia promedia las representaciones de tokens del modelo utilizando la máscara de atención, impidiendo que las posiciones de relleno contribuyan al resultado. Después muestra normalización L2 opcional y compara los vectores normalizados mediante su producto escalar. Un ejemplo separado utiliza similaridad del coseno.
Elige y conserva una configuración coherente de normalización y comparación para indexación y recuperación. La salida contiene 768 componentes numéricos; no contiene una respuesta generada. Para una etapa de reordenación de candidatos, codifica los pasajes candidatos con el mismo modelo y ordénalos según su similaridad con la consulta. Esto sigue siendo una comparación basada en embeddings, en lugar de una afirmación de que el modelo lee conjuntamente cada par de consulta y pasaje como un cross-encoder.
La ficha exacta limita este modelo al texto en inglés y afirma que las entradas largas se truncan a un máximo de 512 tokens. Por tanto, un manual largo debe convertirse en secciones significativas antes de indexarse. Mantén una advertencia, excepción o matiz junto con la regla que modifica siempre que esos detalles sean necesarios para interpretar el pasaje.
Para una consulta sobre intervalos de mantenimiento, una sección que contenga el intervalo y la condición de funcionamiento es más útil que un fragmento con solo un número. Conserva el encabezado o la identidad del equipo cuando desambigüe la instrucción. Comprueba la longitud según el tokenizador, en lugar de basarte en la cantidad visible de palabras.
La recuperación devuelve candidatos de la colección indexada. Examina los primeros pasajes para la tarea exacta y conserva sus ubicaciones de origen al pasarlos a una etapa RAG de redacción de respuestas. Un pasaje relacionado puede tratar de inspección sin autorizar sustitución; esa distinción debe seguir visible en el material de origen.
GTE-base es distinto de GTE-large, que produce vectores de 1024 dimensiones, y de las ediciones GTE multilingües o de contexto ampliado posteriores. Su identidad publicada de modelo define el alcance en inglés, la representación de 768 componentes y el límite de 512 tokens. Utiliza este perfil exacto con consultas y registros de origen representativos al evaluar una colección de recuperación.
", "aboutText": "GTE-base es el modelo de tamaño base General Text Embeddings entrenado por Alibaba DAMO Academy. Este codificador de texto en inglés se basa principalmente en el marco BERT y produce vectores densos de 768 dimensiones. Su entrenamiento utiliza un corpus grande de pares de relevancia de distintos dominios, con la recuperación de información, la similaridad semántica textual y la reordenación textual basada en embeddings entre las aplicaciones indicadas.\n\n### Prepara consultas y pasajes en inglés\n\nUtiliza texto legible en inglés tanto para la necesidad de información como para el material en el que se va a buscar. Por ejemplo, una consulta sobre sustituir un componente desgastado puede compararse con secciones cortas de mantenimiento que describan criterios de sustitución, pasos de inspección e instrucciones de pedido. Conserva el nombre del componente y las condiciones que distinguen esas secciones.\n\nEl ejemplo publicado codifica directamente preguntas y texto candidato, sin una instrucción de tarea añadida. Mantén esa preparación coherente entre la colección y las consultas posteriores. Guarda el pasaje original y su identificador junto al vector para que un resultado ordenado pueda mostrar la información que se representó.\n\n### Pooling por media y comparación\n\nLa receta de referencia promedia las representaciones de tokens del modelo utilizando la máscara de atención, impidiendo que las posiciones de relleno contribuyan al resultado. Después muestra normalización L2 opcional y compara los vectores normalizados mediante su producto escalar. Un ejemplo separado utiliza similaridad del coseno.\n\nElige y conserva una configuración coherente de normalización y comparación para indexación y recuperación. La salida contiene 768 componentes numéricos; no contiene una respuesta generada. Para una etapa de reordenación de candidatos, codifica los pasajes candidatos con el mismo modelo y ordénalos según su similaridad con la consulta. Esto sigue siendo una comparación basada en embeddings, en lugar de una afirmación de que el modelo lee conjuntamente cada par de consulta y pasaje como un cross-encoder.\n\n### Alcance en inglés y entradas de 512 tokens\n\nLa ficha exacta limita este modelo al texto en inglés y afirma que las entradas largas se truncan a un máximo de 512 tokens. Por tanto, un manual largo debe convertirse en secciones significativas antes de indexarse. Mantén una advertencia, excepción o matiz junto con la regla que modifica siempre que esos detalles sean necesarios para interpretar el pasaje.\n\nPara una consulta sobre intervalos de mantenimiento, una sección que contenga el intervalo y la condición de funcionamiento es más útil que un fragmento con solo un número. Conserva el encabezado o la identidad del equipo cuando desambigüe la instrucción. Comprueba la longitud según el tokenizador, en lugar de basarte en la cantidad visible de palabras.\n\n### Utiliza los pasajes de origen detrás de la puntuación\n\nLa recuperación devuelve candidatos de la colección indexada. Examina los primeros pasajes para la tarea exacta y conserva sus ubicaciones de origen al pasarlos a una etapa RAG de redacción de respuestas. Un pasaje relacionado puede tratar de inspección sin autorizar sustitución; esa distinción debe seguir visible en el material de origen.\n\nGTE-base es distinto de GTE-large, que produce vectores de 1024 dimensiones, y de las ediciones GTE multilingües o de contexto ampliado posteriores. Su identidad publicada de modelo define el alcance en inglés, la representación de 768 componentes y el límite de 512 tokens. Utiliza este perfil exacto con consultas y registros de origen representativos al evaluar una colección de recuperación.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "a5f2e93c97ef51cc17b9b45f3702a26bf8d55ebcccf4e98a67284237ebaa86b6", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es", "methods": [ { "html": "thenlper/gte-baseAlibaba DAMO Academy GTE-base genera embeddings de texto en inglés en vectores de 768 dimensiones para recuperación y similaridad semántica. El modelo exacto utiliza pooling por media, admite secuencias de hasta 512 tokens y documenta comparación de tipo coseno con normalización opcional.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
GTE-base es el modelo de tamaño base General Text Embeddings entrenado por Alibaba DAMO Academy. Este codificador de texto en inglés se basa principalmente en el marco BERT y produce vectores densos de 768 dimensiones. Su entrenamiento utiliza un corpus grande de pares de relevancia de distintos dominios, con la recuperación de información, la similaridad semántica textual y la reordenación textual basada en embeddings entre las aplicaciones indicadas.
Utiliza texto legible en inglés tanto para la necesidad de información como para el material en el que se va a buscar. Por ejemplo, una consulta sobre sustituir un componente desgastado puede compararse con secciones cortas de mantenimiento que describan criterios de sustitución, pasos de inspección e instrucciones de pedido. Conserva el nombre del componente y las condiciones que distinguen esas secciones.
El ejemplo publicado codifica directamente preguntas y texto candidato, sin una instrucción de tarea añadida. Mantén esa preparación coherente entre la colección y las consultas posteriores. Guarda el pasaje original y su identificador junto al vector para que un resultado ordenado pueda mostrar la información que se representó.
La receta de referencia promedia las representaciones de tokens del modelo utilizando la máscara de atención, impidiendo que las posiciones de relleno contribuyan al resultado. Después muestra normalización L2 opcional y compara los vectores normalizados mediante su producto escalar. Un ejemplo separado utiliza similaridad del coseno.
Elige y conserva una configuración coherente de normalización y comparación para indexación y recuperación. La salida contiene 768 componentes numéricos; no contiene una respuesta generada. Para una etapa de reordenación de candidatos, codifica los pasajes candidatos con el mismo modelo y ordénalos según su similaridad con la consulta. Esto sigue siendo una comparación basada en embeddings, en lugar de una afirmación de que el modelo lee conjuntamente cada par de consulta y pasaje como un cross-encoder.
La ficha exacta limita este modelo al texto en inglés y afirma que las entradas largas se truncan a un máximo de 512 tokens. Por tanto, un manual largo debe convertirse en secciones significativas antes de indexarse. Mantén una advertencia, excepción o matiz junto con la regla que modifica siempre que esos detalles sean necesarios para interpretar el pasaje.
Para una consulta sobre intervalos de mantenimiento, una sección que contenga el intervalo y la condición de funcionamiento es más útil que un fragmento con solo un número. Conserva el encabezado o la identidad del equipo cuando desambigüe la instrucción. Comprueba la longitud según el tokenizador, en lugar de basarte en la cantidad visible de palabras.
La recuperación devuelve candidatos de la colección indexada. Examina los primeros pasajes para la tarea exacta y conserva sus ubicaciones de origen al pasarlos a una etapa RAG de redacción de respuestas. Un pasaje relacionado puede tratar de inspección sin autorizar sustitución; esa distinción debe seguir visible en el material de origen.
GTE-base es distinto de GTE-large, que produce vectores de 1024 dimensiones, y de las ediciones GTE multilingües o de contexto ampliado posteriores. Su identidad publicada de modelo define el alcance en inglés, la representación de 768 componentes y el límite de 512 tokens. Utiliza este perfil exacto con consultas y registros de origen representativos al evaluar una colección de recuperación.
POST /v1/embeddingstext, token_idsembedding| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites thenlper/gte-base | 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 $0.00001 / 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": "thenlper/gte-base", "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-base',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 thenlper/gte-base
Usa las rutas de método indicadas arriba.