E5-Large-v2 est le modèle de plongement textuel anglais à vingt-quatre couches d’intfloat, avec une sortie de 1024 dimensions. Il est conçu pour représenter numériquement des requêtes et des passages pour la recherche d’information et d’autres tâches de plongement. La convention de préparation E5 fait partie de son entraînement : le texte d’entrée porte un préfixe de rôle, et les représentations encodées des tokens sont agrégées en un vecteur pour ce texte.
Pour une recherche asymétrique, commencez la question par « query: » et le texte du corpus par « passage: ». Ces rôles distinguent ce que l’utilisateur recherche du matériau susceptible d’y répondre. Pour une comparaison symétrique, la recherche de paraphrases, le regroupement ou les caractéristiques de classification, le fabricant recommande « query: » pour les textes à encoder.
Une collection concrète peut indexer des explications d’assistance en anglais. Préparez une question telle que « query: What should I check before replacing the connector? » et associez-la à des passages sources décrivant les vérifications et les exceptions. Le texte du passage conserve son préfixe correspondant. Stockez l’identifiant de la source et sa formulation d’origine avec chaque vecteur, afin que le résultat puisse renvoyer le matériau que l’utilisateur doit lire.
Les préfixes ne sont pas des étiquettes décoratives à retirer d’un côté de la tâche. Le fabricant indique que leur omission dégrade les performances de recherche, car le modèle a été entraîné avec cette préparation. Appliquez le rôle choisi de manière cohérente lors de la constitution du corpus et de l’encodage ultérieur d’une requête.
L’exemple officiel d’encodage calcule la moyenne des représentations des tokens en excluant les positions de remplissage grâce au masque d’attention. Il normalise ensuite le vecteur obtenu. Le produit scalaire entre les vecteurs normalisés de requête et de passage fournit une similarité cosinus pour classer les candidats. Cette recette d’agrégation par moyenne appartient à E5-Large-v2 ; une recette utilisant le premier token, issue d’une autre famille, constitue un choix de préparation distinct.
Les 1024 valeurs de sortie constituent le plongement, et non une réponse écrite ou un libellé de catégorie direct. Une étape de recherche compare ces valeurs aux représentations compatibles du corpus, puis une étape ultérieure utilise le texte du passage sélectionné. Si les vecteurs servent de caractéristiques pour le regroupement ou la classification, préservez l’association entre chaque vecteur et l’enregistrement d’entrée dont il représente les caractéristiques.
La fiche du modèle spécifie du texte uniquement anglais et la troncature des entrées longues à un maximum de 512 tokens. Gardez chaque passage documentaire cohérent dans cette fenêtre, en incluant le préfixe de rôle et le contexte source utile. Un long manuel doit être préparé en sections dont les titres, les conditions et les instructions restent compréhensibles lorsqu’elles sont retrouvées séparément.
Par exemple, une clause décrivant un réglage peut nécessiter la définition de ce réglage et une exception présente dans la phrase suivante. Conservez cette petite unité ensemble, plutôt que de découper uniquement selon un nombre de caractères. Gardez le document parent et la version de la source avec le passage, afin qu’une mise à jour remplace le bon matériau.
Le fabricant explique que l’ordre des scores cosinus compte davantage que leurs valeurs absolues. Un score ne doit pas être interprété comme une probabilité calibrée qu’un passage réponde à la question. Vérifiez des passages dont on sait qu’ils contiennent la réponse ainsi que du matériau non pertinent voisin lorsque vous choisissez le nombre de résultats à conserver ou le point de filtrage d’un ensemble de candidats.
La sortie utile est une représentation du corpus ou de la requête, un signal de comparaison sémantique ou des caractéristiques numériques pour une autre tâche. Cette version exacte Large v2 anglophone reste distincte d’E5-Base-v2 et de Multilingual-E5-Large. Des dimensions identiques ne font pas, à elles seules, de leurs vecteurs un espace de plongement commun documenté.
", "aboutText": "E5-Large-v2 est le modèle de plongement textuel anglais à vingt-quatre couches d’intfloat, avec une sortie de 1024 dimensions. Il est conçu pour représenter numériquement des requêtes et des passages pour la recherche d’information et d’autres tâches de plongement. La convention de préparation E5 fait partie de son entraînement : le texte d’entrée porte un préfixe de rôle, et les représentations encodées des tokens sont agrégées en un vecteur pour ce texte.\n\n### Expliciter les rôles de requête et de passage\n\nPour une recherche asymétrique, commencez la question par « query: » et le texte du corpus par « passage: ». Ces rôles distinguent ce que l’utilisateur recherche du matériau susceptible d’y répondre. Pour une comparaison symétrique, la recherche de paraphrases, le regroupement ou les caractéristiques de classification, le fabricant recommande « query: » pour les textes à encoder.\n\nUne collection concrète peut indexer des explications d’assistance en anglais. Préparez une question telle que « query: What should I check before replacing the connector? » et associez-la à des passages sources décrivant les vérifications et les exceptions. Le texte du passage conserve son préfixe correspondant. Stockez l’identifiant de la source et sa formulation d’origine avec chaque vecteur, afin que le résultat puisse renvoyer le matériau que l’utilisateur doit lire.\n\nLes préfixes ne sont pas des étiquettes décoratives à retirer d’un côté de la tâche. Le fabricant indique que leur omission dégrade les performances de recherche, car le modèle a été entraîné avec cette préparation. Appliquez le rôle choisi de manière cohérente lors de la constitution du corpus et de l’encodage ultérieur d’une requête.\n\n### Agrégation par moyenne et vecteurs normalisés\n\nL’exemple officiel d’encodage calcule la moyenne des représentations des tokens en excluant les positions de remplissage grâce au masque d’attention. Il normalise ensuite le vecteur obtenu. Le produit scalaire entre les vecteurs normalisés de requête et de passage fournit une similarité cosinus pour classer les candidats. Cette recette d’agrégation par moyenne appartient à E5-Large-v2 ; une recette utilisant le premier token, issue d’une autre famille, constitue un choix de préparation distinct.\n\nLes 1024 valeurs de sortie constituent le plongement, et non une réponse écrite ou un libellé de catégorie direct. Une étape de recherche compare ces valeurs aux représentations compatibles du corpus, puis une étape ultérieure utilise le texte du passage sélectionné. Si les vecteurs servent de caractéristiques pour le regroupement ou la classification, préservez l’association entre chaque vecteur et l’enregistrement d’entrée dont il représente les caractéristiques.\n\n### Du texte anglais dans la fenêtre\n\nLa fiche du modèle spécifie du texte uniquement anglais et la troncature des entrées longues à un maximum de 512 tokens. Gardez chaque passage documentaire cohérent dans cette fenêtre, en incluant le préfixe de rôle et le contexte source utile. Un long manuel doit être préparé en sections dont les titres, les conditions et les instructions restent compréhensibles lorsqu’elles sont retrouvées séparément.\n\nPar exemple, une clause décrivant un réglage peut nécessiter la définition de ce réglage et une exception présente dans la phrase suivante. Conservez cette petite unité ensemble, plutôt que de découper uniquement selon un nombre de caractères. Gardez le document parent et la version de la source avec le passage, afin qu’une mise à jour remplace le bon matériau.\n\n### Lire le classement comme un indice de recherche\n\nLe fabricant explique que l’ordre des scores cosinus compte davantage que leurs valeurs absolues. Un score ne doit pas être interprété comme une probabilité calibrée qu’un passage réponde à la question. Vérifiez des passages dont on sait qu’ils contiennent la réponse ainsi que du matériau non pertinent voisin lorsque vous choisissez le nombre de résultats à conserver ou le point de filtrage d’un ensemble de candidats.\n\nLa sortie utile est une représentation du corpus ou de la requête, un signal de comparaison sémantique ou des caractéristiques numériques pour une autre tâche. Cette version exacte Large v2 anglophone reste distincte d’E5-Base-v2 et de Multilingual-E5-Large. Des dimensions identiques ne font pas, à elles seules, de leurs vecteurs un espace de plongement commun documenté.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "ce9150ba516599d6b8538470a9a8b5afcdd97ecf0e3cf02b134ecd031bfe6be8", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-be", "methods": [ { "html": "intfloat/e5-large-v2intfloat E5-Large-v2 encode des requêtes et des passages en anglais sous forme de vecteurs de 1024 dimensions. Son modèle à 24 couches utilise les rôles query/passage, une agrégation par moyenne et une limite d’entrée de 512 tokens pour la recherche, la similarité sémantique et les caractéristiques numériques du texte.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
E5-Large-v2 est le modèle de plongement textuel anglais à vingt-quatre couches d’intfloat, avec une sortie de 1024 dimensions. Il est conçu pour représenter numériquement des requêtes et des passages pour la recherche d’information et d’autres tâches de plongement. La convention de préparation E5 fait partie de son entraînement : le texte d’entrée porte un préfixe de rôle, et les représentations encodées des tokens sont agrégées en un vecteur pour ce texte.
Pour une recherche asymétrique, commencez la question par « query: » et le texte du corpus par « passage: ». Ces rôles distinguent ce que l’utilisateur recherche du matériau susceptible d’y répondre. Pour une comparaison symétrique, la recherche de paraphrases, le regroupement ou les caractéristiques de classification, le fabricant recommande « query: » pour les textes à encoder.
Une collection concrète peut indexer des explications d’assistance en anglais. Préparez une question telle que « query: What should I check before replacing the connector? » et associez-la à des passages sources décrivant les vérifications et les exceptions. Le texte du passage conserve son préfixe correspondant. Stockez l’identifiant de la source et sa formulation d’origine avec chaque vecteur, afin que le résultat puisse renvoyer le matériau que l’utilisateur doit lire.
Les préfixes ne sont pas des étiquettes décoratives à retirer d’un côté de la tâche. Le fabricant indique que leur omission dégrade les performances de recherche, car le modèle a été entraîné avec cette préparation. Appliquez le rôle choisi de manière cohérente lors de la constitution du corpus et de l’encodage ultérieur d’une requête.
L’exemple officiel d’encodage calcule la moyenne des représentations des tokens en excluant les positions de remplissage grâce au masque d’attention. Il normalise ensuite le vecteur obtenu. Le produit scalaire entre les vecteurs normalisés de requête et de passage fournit une similarité cosinus pour classer les candidats. Cette recette d’agrégation par moyenne appartient à E5-Large-v2 ; une recette utilisant le premier token, issue d’une autre famille, constitue un choix de préparation distinct.
Les 1024 valeurs de sortie constituent le plongement, et non une réponse écrite ou un libellé de catégorie direct. Une étape de recherche compare ces valeurs aux représentations compatibles du corpus, puis une étape ultérieure utilise le texte du passage sélectionné. Si les vecteurs servent de caractéristiques pour le regroupement ou la classification, préservez l’association entre chaque vecteur et l’enregistrement d’entrée dont il représente les caractéristiques.
La fiche du modèle spécifie du texte uniquement anglais et la troncature des entrées longues à un maximum de 512 tokens. Gardez chaque passage documentaire cohérent dans cette fenêtre, en incluant le préfixe de rôle et le contexte source utile. Un long manuel doit être préparé en sections dont les titres, les conditions et les instructions restent compréhensibles lorsqu’elles sont retrouvées séparément.
Par exemple, une clause décrivant un réglage peut nécessiter la définition de ce réglage et une exception présente dans la phrase suivante. Conservez cette petite unité ensemble, plutôt que de découper uniquement selon un nombre de caractères. Gardez le document parent et la version de la source avec le passage, afin qu’une mise à jour remplace le bon matériau.
Le fabricant explique que l’ordre des scores cosinus compte davantage que leurs valeurs absolues. Un score ne doit pas être interprété comme une probabilité calibrée qu’un passage réponde à la question. Vérifiez des passages dont on sait qu’ils contiennent la réponse ainsi que du matériau non pertinent voisin lorsque vous choisissez le nombre de résultats à conserver ou le point de filtrage d’un ensemble de candidats.
La sortie utile est une représentation du corpus ou de la requête, un signal de comparaison sémantique ou des caractéristiques numériques pour une autre tâche. Cette version exacte Large v2 anglophone reste distincte d’E5-Base-v2 et de Multilingual-E5-Large. Des dimensions identiques ne font pas, à elles seules, de leurs vecteurs un espace de plongement commun documenté.
POST /v1/embeddingstext, token_idsembedding| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites intfloat/e5-large-v2 | Par défaut— |
Champinput | Typestring|string[]|integer[]|integer[][] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 Conditions: Lot homogène non vide. Les identifiants de jetons sont des entiers positifs ou nuls. Budget d’entrée : Maximum: 512 · Unité de texte: octets UTF8 · Unité de tokens: éléments du tableau de tokens | Par défaut— |
Champencoding_format | Typestring | ExigenceFacultatif | Valeurs et limites float | Par défautfloat |
Champdimensions | Typeinteger | ExigenceNon pris en charge | Valeurs et limites Minimum: 1 | Par défaut— |
Champuser | Typejson_value | ExigenceFacultatif | Valeurs et limites Conditions: Le code source autorise ce champ de métadonnées JSON ; sa sémantique exacte en amont dépend du modèle. | Par défaut— |
Champsession_id | Typejson_value | ExigenceFacultatif | Valeurs et limites Conditions: Le code source autorise ce champ de métadonnées JSON ; sa sémantique exacte en amont dépend du modèle. | Par défaut— |
Champtrace | Typejson_value | ExigenceFacultatif | Valeurs et limites Conditions: Le code source autorise ce champ de métadonnées JSON ; sa sémantique exacte en amont dépend du modèle. | Par défaut— |
Champprovider | Typeobject | ExigenceFacultatif | Valeurs et limites Conditions: provider.options est refusé | Par défaut— |
text_to_embedding
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, input |
Paramètreinput_shapes | Contratstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Paramètreencoding_format | Contratfloat |
Paramètredimensions_override | Contratfalse |
Paramètremax_input_budget_units | Contrat512 |
Paramètremultimodal_objects | Contratfalse |
Paramètrematerial_types | Contrattext, token_ids |
Cycle de vie : synchronous_json
Conservez tous les indices et toutes les dimensions des vecteurs.
Un nom de modèle multimodal n’autorise pas les objets image sur ce chemin précis.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.00002 / 1K tokens Sortie · Tokens en sortie $0 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque vecteur avec son indice. Le nombre de vecteurs doit être égal au nombre d’entrées ; les dimensions doivent être cohérentes.
Aucun point de terminaison dédié aux tâches d’embedding n’est ajouté.
| Champ | Type |
|---|---|
Champobject | Typestring |
Champmodel | Typestring |
Champdata[].index | Typeinteger |
Champdata[].embedding | Typefinite float[] |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra intfloat/e5-large-v2
Utilisez les chemins de méthode indiqués ci-dessus.