Source: https://ailoot.ai/models/he/liquid-lfm-2-5-embedding-350m-u003a-free/
Canonical: https://ailoot.ai/models/he/liquid-lfm-2-5-embedding-350m-u003a-free/
Language: he

# LiquidAI: LFM2.5-Embedding-350M (free)

[Markdown](https://ailoot.ai/models/he/liquid-lfm-2-5-embedding-350m-u003a-free/index.md) · [JSON](https://ailoot.ai/models/he/liquid-lfm-2-5-embedding-350m-u003a-free/facts.json)

## [LiquidAI: LFM2.5-Embedding-350M (free)](https://ailoot.ai/models/he/liquid-lfm-2-5-embedding-350m-u003a-free/)

LiquidAI LFM2.5-Embedding-350M מפיק וקטור אחד בן 1024 ממדים לכל טקסט, לצורך אחזור רב-לשוני ואחזור בין שפות. הוא מיועד ל-11 שפות ולקלטים קצרים של 512 טוקנים, עם קידומות שונות לשאילתה ולמסמך.

- [**Ailoot Ultra · ייצוגים וקטוריים** `POST /v1/embeddings` `liquid/lfm-2.5-embedding-350m:free`](https://ailoot.ai/models/he/liquid-lfm-2-5-embedding-350m-u003a-free/#method-0)

על המודל

התיאור הזה מציג את יכולות המודל. הקלט, הפלט והאפשרויות הזמינים ב-Ailoot מפורטים בהמשך לפי השיטה שנבחרה.

LFM2.5-Embedding-350M הוא מודל bi-encoder צפוף של LiquidAI לאחזור רב־לשוני ובין שפות. הוא מפיק וקטור אחד בעל 1024 ממדים לכל טקסט ומיועד לחיפוש בהקשר קצר באחת עשרה שפות. משפחת המודל הנקובה 350M משתמשת בהתאמה דו־כיוונית של LFM2.5-350M-Base; טבלת המודל המפורטת מציינת כ־354 מיליון פרמטרים למהדורת ההטמעות הזאת.

#### ייצוג אחזור דו־כיווני

היצרן מתאים את ארכיטקטורת הבסיס כך שקשב וקונבולוציות מקומיות יוכלו להשתמש בהקשר משני צדי הטוקן. איגום בסגנון CLS הופך את הטקסט המעובד לווקטור צפוף אחד. טבלת המודל מתארת שבע עשרה שכבות: עשרה בלוקי קונבולוציה, שישה בלוקי קשב ושלב איגום. זהו מקודד אחזור עם הכנה ופלט משלו, ולא משימת יצירת הטקסט של מודל הבסיס.

LFM2.5-ColBERT-350M, הנושא שם נפרד, שומר וקטורים לכל טוקן לצורך אינטראקציה מאוחרת. הייצוג הזה דורש אינדקס ושיטת השוואה אחרים. מודל Embedding כאן מספק וקטור אחד לכל מסמך או שאילתה, עם דמיון קוסינוס כהשוואה המתועדת.

#### השתמשו בפרומפטים הלא סימטריים הנכונים

הכינו שאילתות חיפוש עם “query:” וקטעי מקור עם “document:”. היצרן שומר את הפרומפטים האלה בתצורה שלו, ותהליך הייחוס מחיל את שם הפרומפט המתאים. הוא ממליץ במפורש להשתמש בתפקיד המתאים בכל צד משום שהמודל אומן עם הקידומות האלה. קידומת המסמך הזאת שונה ממוסכמת “passage:” של מודלי E5.

אוסף מעשי לחיפוש מוצרים יכול להכיל תיאורים בשפות הנתמכות. הכינו את ניסוח החיפוש של המשתמש כשאילתה ואת תיאור כל מוצר כמסמך. אחסנו את הטקסט המקורי, מזהה המוצר והשפה עם הווקטור, כדי שתוצאת חיפוש תוכל להחזיר את הרשומה המתאימה. באוסף תמיכה, שמרו את המדיניות או ההוראה הרלוונטית לשאלה במקום להחליף אותה בתווית קצרה ולא קשורה.

#### שפות וגודל קטעים

קבוצת השפות המתועדת היא אנגלית, ספרדית, גרמנית, צרפתית, איטלקית, פורטוגזית, ערבית, שוודית, נורווגית, יפנית וקוריאנית. היצרן מכוון במפורש הן לאחזור בתוך שפה והן לאחזור מעבר לגבולות שפה. הכינו שאלות אמיתיות מהקהל המיועד ובדקו את טקסט המסמך שהוחזר בשפות האלה.

מפרט אורך המסמך הוא 512 טוקנים. חלקו מקור ארוך לקטעים קוהרנטיים ששומרים את הכותרת, ההגדרות והתנאים הדרושים לתוצאה שאוחזרה. קידומת התפקיד וההקשר שנוסף שייכים לקלט המוכן. תשובה לשאלה נפוצה, הסבר על מוצר או מקטע ממוקד של מסמך טכני הם יחידות מתאימות יותר ממדריך שלם וגדול מדי.

#### אימון והתאמה

היצרן מתאר שלושה שלבי אימון: אימון מקדים קונטרסטיבי באנגלית, זיקוק רב־לשוני ובין שפות, ואז כוונון עדין עם דוגמאות שליליות קשות שנכרו. המודל שהתקבל מיועד לקטלוגי מוצרים, לאוספי שאלות נפוצות ותמיכה, לחיפוש קבצים או הערות ולאחזור ידע ארגוני. אלה משימות לייצוגי הטקסט, ולא טענות על פריסה של יישום מסוים.

דוגמת היצרן מנרמלת וקטורי שאילתה ומסמך ומדרגת אותם באמצעות מכפלה סקלרית, השקולה לדמיון קוסינוס. חשבו מראש את ייצוגי הקורפוס בעת הכנת חומר המקור, ואז הטמיעו שאילתת חיפוש והחזירו מסמכים מועמדים עם הטקסט והמזהים שלהם. שמרו את המודל שנבחר ואת מוסכמת התפקיד עם האינדקס, כדי שההשוואה המספרית תשתמש בייצוגים תואמים.

התוצאה השימושית היא אינדקס חיפוש צפוף וקומפקטי או וקטור שאילתה שמאחזר חומר מקור על פני קבוצת השפות המתועדת. מהדורת LFM2.5 Embedding המדויקת הזאת נשארת נפרדת ממודל ColBERT הנלווה שלה, ממאחזרי LFM2 ישנים יותר וממימושים שעברו כימות חיצוני. טקסט הקטע שנבחר הוא הראיה המשמשת קורא או שלב תשובת RAG מאוחר יותר.

**Ailoot Ultra · ייצוגים וקטוריים** `POST /v1/embeddings` `liquid/lfm-2.5-embedding-350m:free`

[`liquid/lfm-2.5-embedding-350m:free`](https://ailoot.ai/models/he/#m=liquid%2Flfm-2.5-embedding-350m%3Afree&route=Ultra&caller=liquid%2Flfm-2.5-embedding-350m%3Afree&fmt=embeddings)

LiquidAI /`liquid/lfm-2.5-embedding-350m:free`

### התחלה

LiquidAI LFM2.5-Embedding-350M מפיק וקטור אחד בן 1024 ממדים לכל טקסט, לצורך אחזור רב-לשוני ואחזור בין שפות. הוא מיועד ל-11 שפות ולקלטים קצרים של 512 טוקנים, עם קידומות שונות לשאילתה ולמסמך.

סוגי קלט נתמכים

טקסט · token\_ids

תוצאות

embedding

### זמין ב-Ailoot · קלט ושיטות

**Ailoot Ultra · ייצוגים וקטוריים** `POST /v1/embeddings`

סוגי קלט

`text`, `token_ids`

סוגי פלט

`embedding`

הקשר

⁦512⁩ tokens

פורמט פלט

json

| שדה | סוג | דרישה | ערכים ומגבלות | ברירת מחדל |
| --- | --- | --- | --- | --- |
| שדה`model` | סוג`string` | דרישהחובה | ערכים ומגבלות liquid/lfm-2.5-embedding-350m:free | ברירת מחדל— |
| שדה`input` | סוג`string\|string[]\|integer[]\|integer[][]` | דרישהחובה | ערכים ומגבלות מספר פריטים מזערי: ⁦1⁩ תנאים: אצווה אחידה שאינה ריקה. מזהי הטוקנים הם מספרים שלמים אי־שליליים. תקציב קלט: מקסימום: ⁦512⁩ · יחידת טקסט: בתים בקידוד UTF8 · יחידת טוקנים: רכיבים במערך טוקנים | ברירת מחדל— |
| שדה`encoding_format` | סוג`string` | דרישהרשות | ערכים ומגבלות float | ברירת מחדלfloat |
| שדה`dimensions` | סוג`integer` | דרישהלא נתמך | ערכים ומגבלות מינימום: ⁦1⁩ | ברירת מחדל— |
| שדה`user` | סוג`json_value` | דרישהרשות | ערכים ומגבלות תנאים: המקור מאפשר שדה מטא־נתונים זה ב־JSON; המשמעות המדויקת אצל הספק תלויה במודל. | ברירת מחדל— |
| שדה`session_id` | סוג`json_value` | דרישהרשות | ערכים ומגבלות תנאים: המקור מאפשר שדה מטא־נתונים זה ב־JSON; המשמעות המדויקת אצל הספק תלויה במודל. | ברירת מחדל— |
| שדה`trace` | סוג`json_value` | דרישהרשות | ערכים ומגבלות תנאים: המקור מאפשר שדה מטא־נתונים זה ב־JSON; המשמעות המדויקת אצל הספק תלויה במודל. | ברירת מחדל— |
| שדה`provider` | סוג`object` | דרישהרשות | ערכים ומגבלות תנאים: provider.options נדחה | ברירת מחדל— |

שילובים של חומרי קלט

**text\_to\_embedding**

פרמטרים ומחזור חיים של השיטה

| פרמטר | מפרט |
| --- | --- |
| פרמטר`content_type` | מפרטapplication/json |
| פרמטר`required` | מפרטmodel, input |
| פרמטר`input_shapes` | מפרטstring, string\[\], nonnegative\_integer\_token\_array, nonnegative\_integer\_token\_array\[\] |
| פרמטר`encoding_format` | מפרטfloat |
| פרמטר`dimensions_override` | מפרטfalse |
| פרמטר`max_input_budget_units` | מפרט512 |
| פרמטר`multimodal_objects` | מפרטfalse |
| פרמטר`material_types` | מפרטtext, token\_ids |

מחזור חיים: `synchronous_json`

שמרו כל אינדקס וקטור וממד.

שם מודל רב־מודאלי אינו מאפשר אובייקטי תמונה בנתיב המדויק הזה.

### תעריפים

מידע תעריפים אינו מוסיף אפשרויות לבקשה. הפרמטרים הנתמכים מפורטים בשיטה שנבחרה.

מצב מהיר

תעריף רגיל כאשר נבחר מצב מהיר

מצב Flex

תעריף רגיל כאשר נבחר מצב flex

מאמץ חשיבה מרבי

תעריף רגיל כאשר מאמץ החשיבה המרבי משתמש בהתאמת ברירת המחדל (default)

#### תעריפי Ailoot

#### מחירים לפי תצורה

| תצורה | טבלת תעריפים | חיוב |
| --- | --- | --- |
| תצורהתעריפי הבסיס לטוקנים | טבלת תעריפיםתעריף בסיס | חיוב קלט · טוקני קלט **$0** / 1K טוקנים פלט · טוקני פלט **$0** / 1K טוקנים קלט · קריאה מהמטמון **—** / 1K טוקנים קלט · כתיבה למטמון **—** / 1K טוקנים קלט · כתיבה למטמון, 1 שעה **—** / 1K טוקנים |

לפני הבקשה Ailoot משריינת סכום משוער. לאחר קבלת התוצאה היא מסדירה את החיוב הסופי לפי השימוש המדוד. הסדרת חיוב בהזרמה משתמשת ברשומת השימוש הסופית. [איך פועלים שריון הסכום והסדרת החיוב →](https://ailoot.ai/docs/he/billing/reserve/)

### דוגמאות לבקשות

#### Ailoot Ultra · ייצוגים וקטוריים

curlPython SDK

```bash
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "liquid/lfm-2.5-embedding-350m:free", "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
```

```python
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='liquid/lfm-2.5-embedding-350m:free',input=["First document","Second document"])
print(result)
for item in result.data:print(item.index,item.embedding)
```

### קבלה ושמירה של תוצאות

#### Ailoot Ultra · ייצוגים וקטוריים

json

##### שמירת כל התוצאות שהושלמו

שמרו כל תגובה מלאה, קובץ ומקטע תוכן שהוחזרו.

שמרו כל וקטור עם האינדקס שלו. מספר הווקטורים חייב להיות שווה למספר פריטי הקלט; מספר הממדים חייב להיות עקבי.

##### כשצריך לבדוק את התגובה המקורית

לא מתווספת נקודת קצה למשימות הטמעה.

שדות התגובה

| שדה | סוג |
| --- | --- |
| שדה`object` | סוגstring |
| שדה`model` | סוגstring |
| שדה`data[].index` | סוגinteger |
| שדה`data[].embedding` | סוגfinite float\[\] |
| שדה`usage` | סוגobject |

שגיאות והשלבים הבאים

| תגובה | תנאי | השלב הבא |
| --- | --- | --- |
| תגובה⁦400⁩ · `invalid_request_error` | תנאישדות נדרשים, ייצוג חומר או ערך פרמטר שאינם תקינים | השלב הבאתקנו את השדות שצוינו לפני בקשת יצירה חדשה. |

### כינויים

#### כינויים למודל

**Ailoot Ultra** [`liquid/lfm-2.5-embedding-350m:free`](https://ailoot.ai/models/he/#m=liquid%2Flfm-2.5-embedding-350m%3Afree&route=Ultra&caller=liquid%2Flfm-2.5-embedding-350m%3Afree&fmt=embeddings)

#### כינויים לנתיבי שיטות

השתמשו בנתיבי השיטות המוצגים למעלה.

#### מזהי מודלים קשורים IDs

[`liquid/lfm-2.5-embedding-350m:free`](https://ailoot.ai/models/he/#m=liquid%2Flfm-2.5-embedding-350m%3Afree&route=Ultra&caller=liquid%2Flfm-2.5-embedding-350m%3Afree&fmt=embeddings)

FAQ · LiquidAI: LFM2.5-Embedding-350M (free)

אילו קלטים ותוצאות זמינים?

`POST /v1/embeddings` · `liquid/lfm-2.5-embedding-350m:free`: `text`, `token_ids` → `embedding`

באילו שדות הבקשה משתמשת?

`POST /v1/embeddings` · `liquid/lfm-2.5-embedding-350m:free`: `model`, `input`, `encoding_format`, `provider`

אילו מגבלות חלות?

`POST /v1/embeddings` · `liquid/lfm-2.5-embedding-350m:free`: `ctx`: `512`; `input.budget.maximum`: `512` (בתים בקידוד UTF8); `input.min_items`: `1`

חברו Ailoot ל- Claude Code, OpenCode, Hermes או ליישום שלכם.

## החברה ופורטפוליו הפרויקטים שלה

החברה ופורטפוליו הפרויקטים שלה: מיליוני לקוחות; מכירות בהיקף של מיליארדים מדי חודש.

## קנו אסימונים בהנחה.

הנחת מנוי לעבודה קבועה. קודי הנחה עד 50% על רכישת אסימונים.

מנוי

בחרו מסלול עם הנחה לבקשות הקבועות שלכם.

קוד הנחה עד 50%

הזינו קוד ברכישה. המחיר יחושב מחדש לפי המבצע הפעיל.

הוצאות בהיסטוריה

המודל, האסימונים והסכום נשמרים לכל בקשה.

[בחירת מנוי](https://ailoot.ai/docs/he/billing/subscriptions/) · [מחירי מודלים](https://ailoot.ai/models/he/)

## חברו API למוצר שאתם מוכרים.

SaaS, יישומים ובוטים לפי ההצעה והסכם הרישוי של Ailoot. למכירה מחדש בקשו רישיון משווק.

יישום מסחרי

שלבו יצירת טקסט, תמונות, וידאו ושמע בתכונות בתשלום של השירות שלכם.

רישיון למכירה מחדש

שלחו תיאור פרויקט ואופן מתן גישה. בקשו תנאי שימוש ומכירה מחדש בכתב.

מסמכים באתר

ההצעה, הסכם הרישוי ומדיניות עיבוד הנתונים זמינים לפני החיבור.

[בקשת רישיון למכירה מחדש](mailto:support@ailoot.ai) · [ההצעה והסכם הרישוי](https://ailoot.ai/legal/offer?lang=he)

## Ailoot · החברה ופורטפוליו הפרויקטים שלה





Ailoot נשענת על ניסיון תפעולי מצטבר, בסיס לקוחות רחב, שירות יציב ובקרה שוטפת של KPI.





החברה ופורטפוליו הפרויקטים שלה: מיליוני לקוחות; מכירות בהיקף של מיליארדים מדי חודש.





Ailoot משתמשת בניסיון התפעולי הזה כדי לספק גישת API ליכולות AI במוצרי לקוחות, בסוכנים, באפליקציות ובאוטומציות.