{ "aboutHtml": "

Válaszd a Baichuan-Text-Embedding modellt egy /v1/embeddings kérésben. A kötelező input nem üres szövegláncot vagy szövegláncok nem üres tömbjét fogadja el, így egyetlen szövegrészlet és egy előkészített gyűjtemény is ugyanazt a végpontot használhatja. A JSON-eredmény data[].embedding és data[].index mezőt, továbbá a kiválasztott model és a usage adatokat tartalmazza.

Tudásgyűjteményhez bontsd a forrásdokumentumokat olyan részletekre, amelyek megőrzik a későbbi olvasó számára szükséges definíciókat és összefüggéseket. A dokumentumazonosítókat az alkalmazásban kezeld, és minden vektort a beküldött helyéhez rendelj. Egy keresési munkafolyamat ugyanazzal a modellel kódolhatja a felhasználó kérdését, és minden lekért találat mellett megtarthatja a forrásrészletet.

Mentsd el a teljes szinkron választ, mielőtt véglegesíted a vektorok tárolását. Ellenőrizd a bemenetek és indexek megfeleltetését, őrizd meg az összes visszaadott vektort, és tartsd a usage adatokat a művelet mellett. A mentett beágyazások pontos modellazonossága egyértelművé teszi, mely gyűjtemény- és keresőkérdés-reprezentáció tartozik össze.

", "aboutText": "Válaszd a Baichuan-Text-Embedding modellt egy /v1/embeddings kérésben. A kötelező input nem üres szövegláncot vagy szövegláncok nem üres tömbjét fogadja el, így egyetlen szövegrészlet és egy előkészített gyűjtemény is ugyanazt a végpontot használhatja. A JSON-eredmény data[].embedding és data[].index mezőt, továbbá a kiválasztott model és a usage adatokat tartalmazza.\n\nTudásgyűjteményhez bontsd a forrásdokumentumokat olyan részletekre, amelyek megőrzik a későbbi olvasó számára szükséges definíciókat és összefüggéseket. A dokumentumazonosítókat az alkalmazásban kezeld, és minden vektort a beküldött helyéhez rendelj. Egy keresési munkafolyamat ugyanazzal a modellel kódolhatja a felhasználó kérdését, és minden lekért találat mellett megtarthatja a forrásrészletet.\n\nMentsd el a teljes szinkron választ, mielőtt véglegesíted a vektorok tárolását. Ellenőrizd a bemenetek és indexek megfeleltetését, őrizd meg az összes visszaadott vektort, és tartsd a usage adatokat a művelet mellett. A mentett beágyazások pontos modellazonossága egyértelművé teszi, mely gyűjtemény- és keresőkérdés-reprezentáció tartozik össze.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "db50cddf64e239484c52b0e56af81c45a34fa00471b5da6cf43760ae8d650d9c", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "hu", "methods": [ { "html": "
•

Baichuan-Text-Embedding

Egyéb /Baichuan-Text-Embedding

Kezdő lépések

A Baichuan-Text-Embedding az Ailoot beágyazási API-ján keresztül numerikus vektorokat ad vissza a megadott szöveghez. Küldj be egy szövegrészletet vagy egy listát, és kereshető gyűjtemény építésekor őrizd meg a válasz indexeit.

Elfogadott bemenetek
Szöveg
Eredmények
embedding
A modellről

Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.

Válaszd a Baichuan-Text-Embedding modellt egy /v1/embeddings kérésben. A kötelező input nem üres szövegláncot vagy szövegláncok nem üres tömbjét fogadja el, így egyetlen szövegrészlet és egy előkészített gyűjtemény is ugyanazt a végpontot használhatja. A JSON-eredmény data[].embedding és data[].index mezőt, továbbá a kiválasztott model és a usage adatokat tartalmazza.

Tudásgyűjteményhez bontsd a forrásdokumentumokat olyan részletekre, amelyek megőrzik a későbbi olvasó számára szükséges definíciókat és összefüggéseket. A dokumentumazonosítókat az alkalmazásban kezeld, és minden vektort a beküldött helyéhez rendelj. Egy keresési munkafolyamat ugyanazzal a modellel kódolhatja a felhasználó kérdését, és minden lekért találat mellett megtarthatja a forrásrészletet.

Mentsd el a teljes szinkron választ, mielőtt véglegesíted a vektorok tárolását. Ellenőrizd a bemenetek és indexek megfeleltetését, őrizd meg az összes visszaadott vektort, és tartsd a usage adatokat a művelet mellett. A mentett beágyazások pontos modellazonossága egyértelművé teszi, mely gyűjtemény- és keresőkérdés-reprezentáció tartozik össze.

Elérhető az Ailootban · bemenetek és metódusok

Ailoot Ultra · Embeddings POST /v1/embeddings
Bemenet
text
Kimenet
embedding
MezőTípusKövetelményÉrtékek és korlátokAlapértelmezett
MezőmodelTípusstringKövetelményKötelezőÉrtékek és korlátok
Baichuan-Text-Embedding
Feltételek: Pontosan ezt az Ailoot-útválasztási azonosítót használja.
Alapértelmezett—
MezőinputTípusstring or array<string>KövetelményKötelezőÉrtékek és korlátok
Feltételek:
Alapértelmezett—
Metódus paraméterei és életciklusa
ParaméterSzerződés
Paramétercontent_typeSzerződésapplication/json
ParaméterrequiredSzerződésmodel, input
ParaméteroptionalSzerződés
Paramétermaterial_typesSzerződéstext
ParaméterconditionsSzerződésPontosan ezt az Ailoot-útválasztási azonosítót használja.

Életciklus: synchronous_json

Díjcsomagok

A díjszabás nem ad új kérési lehetőségeket. A támogatott paraméterek a kiválasztott módszernél szerepelnek.

Gyors mód
Nincs megadva Ha a gyors mód van kiválasztva
Flex mód
Nincs megadva Ha a flex mód van kiválasztva
Maximális gondolkodási ráfordítás
Nincs megadva Ha a maximális gondolkodási ráfordításra a default beállításhoz tartozó korrekció vonatkozik

Ailoot-díjak

Árak beállításonként

BeállításDíjtáblázatDíj
BeállításTokenek alapdíjaiDíjtáblázatAlapdíjDíj
Bemenet · Bemeneti tokenek $0.00016 / 1K token
Kimenet · Kimeneti tokenek $0 / 1K token
Bemenet · Gyorsítótár olvasása — / 1K token
Bemenet · Írás a gyorsítótárba — / 1K token
Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token

Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →

Példakérések

Ailoot Ultra · Embeddings

set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "Baichuan-Text-Embedding", "input": "The quick brown fox jumps over the lazy dog"}')\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\n# Submit once. Retain the complete result, original identifiers and every response header.\n

Eredmények fogadása és mentése

Álnevek

Modell álnevei

Ailoot Ultra Baichuan-Text-Embedding

Metódusútvonalak álnevei

Használja a fent látható metódusútvonalakat.

Kapcsolódó modellazonosítók

Baichuan-Text-Embedding

", "method_identity": { "effective_request_model_id": "Baichuan-Text-Embedding", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "Baichuan-Text-Embedding", "route_label": "Ultra" }, "method_key": "Ultra|embeddings|/v1/embeddings|Baichuan-Text-Embedding", "ordinal": 0, "rawMethod": { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "accepted_material_guidance": { "conditions": [ "Send text with the selected model; retain every returned vector and its index." ], "content_type": "application/json", "material_types": [ "text" ], "optional": [], "required": [ "model", "input" ] }, "all_results": "Retain the complete response and headers, original identifiers, every actual output and all usage/accounting fields. Save each unique owned asset and retain every role pointing to it.", "authentication": { "header": "Authorization", "scheme": "Bearer", "value": "$AILOOT_API_KEY" }, "errors": [ { "condition": "Egy kötelező mező, modellválasztó, típus vagy bemeneti ábrázolási forma érvénytelen.", "http_status": 400, "recovery": "Külön kérés előkészítése előtt vizsgálja meg a visszaadott érvényesítési részleteket.", "type": "invalid_request_error" }, { "condition": "Az eredeti kérés vagy eredmény ismeretlen, vagy ellenőrzést igényel.", "http_status": null, "recovery": "Őrizze meg az eredeti azonosítókat és fejléceket; csak a támogatott állapot- és médiatárbejegyzéseket olvassa le. Ne küldje el újra a létrehozási kérelmet.", "type": null } ], "lifecycle": { "cancel_endpoint": null, "create": { "http": "POST", "path": "/v1/embeddings" }, "mode": "synchronous_json", "status": [], "unknown": "Őrizze meg az eredeti X-Client-Request-ID értéket, választ és fejléceket. Az ismeretlen vagy result_pending_check eredmény nem jogosít második létrehozásra.", "unknown_no_replay": true }, "outputs": { "all_results": "Őrizze meg a teljes választ és fejléceit, az eredeti azonosítókat, az összes tényleges kimenetet és minden felhasználási, illetve elszámolási mezőt. Mentsen el minden egyedi saját médiaállományt, és őrizzen meg minden rá mutató szerepet.", "every_actual_output": true, "family": "embedding", "fields": [ { "name": "data[].index", "type": "integer" }, { "name": "data[].embedding", "type": "array" }, { "name": "model", "type": "string" }, { "name": "usage", "type": "object" } ] }, "parameters": [ { "conditions": "Pontosan ezt az Ailoot-útválasztási azonosítót használja.", "default_known": false, "enum": [ "Baichuan-Text-Embedding" ], "enum_known": true, "maximum_length": null, "name": "model", "required": true, "type": "string" }, { "conditions": "", "default_known": false, "enum_known": false, "maximum_length": null, "name": "input", "oneOf": [ { "minLength": 1, "type": "string" }, { "items": { "minLength": 1, "type": "string" }, "minItems": 1, "type": "array" } ], "required": true, "type": "string or array" } ], "request_schema": { "additionalProperties": true, "properties": { "input": { "oneOf": [ { "minLength": 1, "type": "string" }, { "items": { "minLength": 1, "type": "string" }, "minItems": 1, "type": "array" } ] }, "model": { "enum": [ "Baichuan-Text-Embedding" ], "type": "string" } }, "required": [ "model", "input" ], "type": "object" }, "schema_template": { "actual_file_preparation_required": false, "body": { "input": "The quick brown fox jumps over the lazy dog", "model": "Baichuan-Text-Embedding" }, "content_type": "application/json", "example_is_offline_content": true }, "usage": { "meter": "Use the accepted method price and actual recorded usage; the request reserve is an estimate. A billing unit does not add an input capability.", "preserve": "Keep all returned usage, accounting and request identifiers with every actual output.", "settlement": "Retain the original operation; reconcile its result and accounting once." } }, "input": { "conditions": [ "Pontosan ezt az Ailoot-útválasztási azonosítót használja." ], "content_type": "application/json", "material_types": [ "text" ], "optional": [], "required": [ "model", "input" ] }, "lifecycle": { "cancel_endpoint": null, "create": { "http": "POST", "path": "/v1/embeddings" }, "mode": "synchronous_json", "status": [], "unknown": "Keep the original X-Client-Request-ID, response and headers. An unknown or result_pending_check outcome does not authorize a second creation.", "unknown_no_replay": true }, "method": { "http": "POST", "path": "/v1/embeddings" }, "method_aliases": [], "output": { "all_results": "Retain the complete response and headers, original identifiers, every actual output and all usage/accounting fields. Save each unique owned asset and retain every role pointing to it.", "every_actual_output": true, "family": "embedding", "fields": [ { "name": "data[].index", "type": "integer" }, { "name": "data[].embedding", "type": "array" }, { "name": "model", "type": "string" }, { "name": "usage", "type": "object" } ] } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": "0.00016000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000016", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"Baichuan-Text-Embedding\", \"input\": \"The quick brown fox jumps over the lazy dog\"}')\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\n# Submit once. Retain the complete result, original identifiers and every response header.\n", "label": "curl · create once and retain the complete result", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "embeddings", "http": "POST", "in": 0.16, "input": [ "text" ], "label": "Embeddings", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "token", "image_input_price": null, "image_output_price": null, "per_request_price": null }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": "0.00016000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000016", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "request_model_id": "Baichuan-Text-Embedding", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00016000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000016", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } } ], "model_id": "Baichuan-Text-Embedding", "nativeProvenance": { "input_facts_canonical_sha256": "14c6d79803433b6a6e1cd65705c192ecab655fd3d0d1c0a95a6f4b2ef7c17a7d", "input_html_sha256": "fd7a90cd7a4ca2e98a557fd9bc91b8039a97efc8f4c9167650aea6ca59e021e4", "private_audit_sha256": "7c3b4a6baa5a6fd4cd0bc4bae391ed471cb4552160f27d92d119c26211d9f20e", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/hu/baichuan-text-embedding/", "description": "A Baichuan-Text-Embedding az Ailoot beágyazási API-ján keresztül numerikus vektorokat ad vissza a megadott szöveghez. Küldj be egy szövegrészletet vagy egy listát, és kereshető gyűjtemény építésekor őrizd meg a válasz indexeit.", "locale": "hu", "md_url": "https://ailoot.ai/models/hu/baichuan-text-embedding/index.md", "title": "Baichuan-Text-Embedding — Ailoot", "url": "https://ailoot.ai/models/hu/baichuan-text-embedding/" }, "rawModel": { "about": "Válaszd a Baichuan-Text-Embedding modellt egy /v1/embeddings kérésben. A kötelező input nem üres szövegláncot vagy szövegláncok nem üres tömbjét fogadja el, így egyetlen szövegrészlet és egy előkészített gyűjtemény is ugyanazt a végpontot használhatja. A JSON-eredmény data[].embedding és data[].index mezőt, továbbá a kiválasztott model és a usage adatokat tartalmazza.\n\nTudásgyűjteményhez bontsd a forrásdokumentumokat olyan részletekre, amelyek megőrzik a későbbi olvasó számára szükséges definíciókat és összefüggéseket. A dokumentumazonosítókat az alkalmazásban kezeld, és minden vektort a beküldött helyéhez rendelj. Egy keresési munkafolyamat ugyanazzal a modellel kódolhatja a felhasználó kérdését, és minden lekért találat mellett megtarthatja a forrásrészletet.\n\nMentsd el a teljes szinkron választ, mielőtt véglegesíted a vektorok tárolását. Ellenőrizd a bemenetek és indexek megfeleltetését, őrizd meg az összes visszaadott vektort, és tartsd a usage adatokat a művelet mellett. A mentett beágyazások pontos modellazonossága egyértelművé teszi, mely gyűjtemény- és keresőkérdés-reprezentáció tartozik össze.", "alias_of": null, "aliases": [], "card_routes": [ { "label": "Ultra", "rates": [ { "amount": "0.00016000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000016", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" } ], "summary": "A konfiguráció teljes árazása a részletekben." } ], "ctx": null, "formats": [ "embeddings" ], "id": "Baichuan-Text-Embedding", "input": [ "text" ], "kind": "embedding", "max_out": null, "methods": [ { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "accepted_material_guidance": { "conditions": [ "Send text with the selected model; retain every returned vector and its index." ], "content_type": "application/json", "material_types": [ "text" ], "optional": [], "required": [ "model", "input" ] }, "all_results": "Retain the complete response and headers, original identifiers, every actual output and all usage/accounting fields. Save each unique owned asset and retain every role pointing to it.", "authentication": { "header": "Authorization", "scheme": "Bearer", "value": "$AILOOT_API_KEY" }, "errors": [ { "condition": "Egy kötelező mező, modellválasztó, típus vagy bemeneti ábrázolási forma érvénytelen.", "http_status": 400, "recovery": "Külön kérés előkészítése előtt vizsgálja meg a visszaadott érvényesítési részleteket.", "type": "invalid_request_error" }, { "condition": "Az eredeti kérés vagy eredmény ismeretlen, vagy ellenőrzést igényel.", "http_status": null, "recovery": "Őrizze meg az eredeti azonosítókat és fejléceket; csak a támogatott állapot- és médiatárbejegyzéseket olvassa le. Ne küldje el újra a létrehozási kérelmet.", "type": null } ], "lifecycle": { "cancel_endpoint": null, "create": { "http": "POST", "path": "/v1/embeddings" }, "mode": "synchronous_json", "status": [], "unknown": "Őrizze meg az eredeti X-Client-Request-ID értéket, választ és fejléceket. Az ismeretlen vagy result_pending_check eredmény nem jogosít második létrehozásra.", "unknown_no_replay": true }, "outputs": { "all_results": "Őrizze meg a teljes választ és fejléceit, az eredeti azonosítókat, az összes tényleges kimenetet és minden felhasználási, illetve elszámolási mezőt. Mentsen el minden egyedi saját médiaállományt, és őrizzen meg minden rá mutató szerepet.", "every_actual_output": true, "family": "embedding", "fields": [ { "name": "data[].index", "type": "integer" }, { "name": "data[].embedding", "type": "array" }, { "name": "model", "type": "string" }, { "name": "usage", "type": "object" } ] }, "parameters": [ { "conditions": "Pontosan ezt az Ailoot-útválasztási azonosítót használja.", "default_known": false, "enum": [ "Baichuan-Text-Embedding" ], "enum_known": true, "maximum_length": null, "name": "model", "required": true, "type": "string" }, { "conditions": "", "default_known": false, "enum_known": false, "maximum_length": null, "name": "input", "oneOf": [ { "minLength": 1, "type": "string" }, { "items": { "minLength": 1, "type": "string" }, "minItems": 1, "type": "array" } ], "required": true, "type": "string or array" } ], "request_schema": { "additionalProperties": true, "properties": { "input": { "oneOf": [ { "minLength": 1, "type": "string" }, { "items": { "minLength": 1, "type": "string" }, "minItems": 1, "type": "array" } ] }, "model": { "enum": [ "Baichuan-Text-Embedding" ], "type": "string" } }, "required": [ "model", "input" ], "type": "object" }, "schema_template": { "actual_file_preparation_required": false, "body": { "input": "The quick brown fox jumps over the lazy dog", "model": "Baichuan-Text-Embedding" }, "content_type": "application/json", "example_is_offline_content": true }, "usage": { "meter": "Use the accepted method price and actual recorded usage; the request reserve is an estimate. A billing unit does not add an input capability.", "preserve": "Keep all returned usage, accounting and request identifiers with every actual output.", "settlement": "Retain the original operation; reconcile its result and accounting once." } }, "input": { "conditions": [ "Pontosan ezt az Ailoot-útválasztási azonosítót használja." ], "content_type": "application/json", "material_types": [ "text" ], "optional": [], "required": [ "model", "input" ] }, "lifecycle": { "cancel_endpoint": null, "create": { "http": "POST", "path": "/v1/embeddings" }, "mode": "synchronous_json", "status": [], "unknown": "Keep the original X-Client-Request-ID, response and headers. An unknown or result_pending_check outcome does not authorize a second creation.", "unknown_no_replay": true }, "method": { "http": "POST", "path": "/v1/embeddings" }, "method_aliases": [], "output": { "all_results": "Retain the complete response and headers, original identifiers, every actual output and all usage/accounting fields. Save each unique owned asset and retain every role pointing to it.", "every_actual_output": true, "family": "embedding", "fields": [ { "name": "data[].index", "type": "integer" }, { "name": "data[].embedding", "type": "array" }, { "name": "model", "type": "string" }, { "name": "usage", "type": "object" } ] } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": "0.00016000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000016", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"Baichuan-Text-Embedding\", \"input\": \"The quick brown fox jumps over the lazy dog\"}')\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\n# Submit once. Retain the complete result, original identifiers and every response header.\n", "label": "curl · create once and retain the complete result", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "embeddings", "http": "POST", "in": 0.16, "input": [ "text" ], "label": "Embeddings", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "token", "image_input_price": null, "image_output_price": null, "per_request_price": null }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": "0.00016000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000016", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "request_model_id": "Baichuan-Text-Embedding", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00016000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000016", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "model_aliases": [ { "canonical_model_id": "Baichuan-Text-Embedding", "request_model_id": "Baichuan-Text-Embedding", "route_label": "Ultra" } ], "name": "Baichuan-Text-Embedding", "price": { "in": 0.16, "in_label": null, "out": 0, "out_label": null, "scope_label": "Token rates", "sort_in": 0.16, "sort_out": 0, "varies": false }, "short": "A Baichuan-Text-Embedding az Ailoot beágyazási API-ján keresztül numerikus vektorokat ad vissza a megadott szöveghez. Küldj be egy szövegrészletet vagy egy listát, és kereshető gyűjtemény építésekor őrizd meg a válasz indexeit.", "title": "Baichuan-Text-Embedding" }, "renderer_schema": { "method_order": "Original DTO methods order; every exact route/format/path/caller survives.", "prices": "Original public DTO fields and original native display HTML; no flattened or normalized offers." }, "representation": "exact-public-dto-and-native-renderer-html", "representationNotes": { "current_reference": { "about_json_pointer": "/aboutHtml", "methods": [ { "contract_json_pointer": "/methods/0/rawMethod/contract", "html_json_pointer": "/methods/0/html", "method_ordinal": 0 } ], "role": "current-semantic-reference" }, "raw_input": { "examples_role": "historical-input-not-current-ready-examples", "json_pointers": [ "/rawModel", "/methods/0/rawMethod" ], "role": "historical-owner-input" }, "schema": "ailoot-native-model-representations-v1" }, "schema": "ailoot-static-model-facts-v1", "schema_version": 1, "shortText": "A Baichuan-Text-Embedding az Ailoot beágyazási API-ján keresztül numerikus vektorokat ad vissza a megadott szöveghez. Küldj be egy szövegrészletet vagy egy listát, és kereshető gyűjtemény építésekor őrizd meg a válasz indexeit.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "2ad515cf5e6f2231a3e21840dfbb203858ff85735a15563aac7dfc87cb9f28cd", "renderer_sha256": "59b0e30a0b251f9d98bf0bafcc7ef50440c33057c2bf9c9fadabbcaeefffb5bb" }, "sourceRevision": "0a4c04afb439c90daeb40c4806957113a15073af97a2d2026d7e2927f0ee618f" }