Az LFM2.5-Embedding-350M a LiquidAI sűrű bi-encodere többnyelvű és nyelvek közötti visszakereséshez. Minden szöveghez egyetlen 1024 dimenziós vektort állít elő, és rövid kontextusú keresésre céloz tizenegy nyelven. A név szerint megadott 350M modellcsalád az LFM2.5-350M-Base kétirányú adaptációját használja; a részletes modelltáblázat e beágyazási kiadáshoz körülbelül 354 millió paramétert ad meg.
A gyártó úgy adaptálja az alapmodellt, hogy a figyelmi mechanizmus és a helyi konvolúciók a token mindkét oldalán lévő kontextust használhassák. CLS-jellegű pooling alakítja a feldolgozott szöveget egyetlen sűrű vektorrá. A modelltáblázat tizenhét réteget ír le: tíz konvolúciós blokkot, hat figyelmi blokkot és egy poolinglépést. Ez saját előkészítéssel és kimenettel rendelkező visszakeresési kódoló, nem az alapmodell szöveggenerálási feladata.
A külön elnevezett LFM2.5-ColBERT-350M tokenenkénti vektorokat tart meg késői interakcióhoz. Ez a reprezentáció eltérő indexet és összehasonlítási módszert igényel. Az itt leírt Embedding modell dokumentumonként vagy lekérdezésenként egy vektort szolgáltat, dokumentált összehasonlításként koszinuszhasonlósággal.
A keresési lekérdezéseket „query:”, a forrásszövegrészleteket „document:” előtaggal készítse elő. A gyártó e promptokat konfigurációjában tárolja, referencia-munkafolyamata pedig a megfelelő promptnevet alkalmazza. Kifejezetten a megfelelő szerep használatát ajánlja mindkét oldalon, mert a modellt ezekkel az előtagokkal tanították. Ez a dokumentumelőtag különbözik az E5-modellek „passage:” konvenciójától.
Egy gyakorlati termékkeresési gyűjtemény a támogatott nyelveken tartalmazhat leírásokat. A felhasználó keresési megfogalmazását lekérdezésként, minden termékleírást dokumentumként készítsen elő. Az eredeti szöveget, termékazonosítót és nyelvet a vektor mellett tárolja, hogy a keresési eredmény visszaadhassa a megfelelő rekordot. Ügyfélszolgálati gyűjteménynél őrizze meg a kérdéshez releváns szabályt vagy utasítást, ne cserélje nem kapcsolódó rövid címkére.
A dokumentált nyelvkészlet az angol, spanyol, német, francia, olasz, portugál, arab, svéd, norvég, japán és koreai. A gyártó kifejezetten célozza a nyelven belüli és nyelvhatárokon átnyúló visszakeresést is. A tervezett közönség valódi kérdéseit készítse elő, és e nyelveken vizsgálja meg a visszaadott dokumentumszöveget.
A dokumentumhossz-specifikáció 512 token. A hosszú forrást összefüggő részletekre bontsa, megőrizve a címsort, definíciókat és a visszakeresett eredmény értelmezéséhez szükséges feltételeket. A szerepelőtag és hozzáadott kontextus az előkészített bemenet része. GYIK-válasz, termékmagyarázat vagy műszaki dokumentum célzott szakasza megfelelőbb egység, mint egy egész túlméretes kézikönyv.
A gyártó három tanítási lépést ír le: angol kontrasztív előtanítást, többnyelvű és nyelvek közötti desztillációt, majd finomhangolást célzottan kiválasztott nehéz negatív példákkal. A kapott modellt termékkatalógusokhoz, GYIK- és ügyfélszolgálati gyűjteményekhez, fájl- vagy jegyzetkereséshez és vállalati tudás visszakereséséhez szánják. Ezek szövegreprezentációs feladatok, nem állítások egy adott alkalmazás telepítéséről.
A gyártó példája normalizálja a lekérdezés- és dokumentumvektorokat, és skalárszorzattal rangsorolja őket, ami koszinuszhasonlóságnak felel meg. A forrásanyag előkészítésekor számítsa ki előre a korpuszreprezentációkat, majd ágyazza be a keresési lekérdezést, és a jelölt dokumentumokat szövegükkel és azonosítóikkal együtt adja vissza. A kiválasztott modellt és szerepkonvenciót az index mellett tartsa meg, hogy a numerikus összehasonlítás kompatibilis reprezentációkat használjon.
A hasznos eredmény tömör, sűrű keresési index vagy olyan lekérdezésvektor, amely a dokumentált nyelvkészleten keresztül keres vissza forrásanyagot. Ez a pontos LFM2.5 Embedding kiadás különálló marad ColBERT társától, régebbi LFM2 visszakeresőktől és külsőleg kvantált implementációktól. A kiválasztott szövegrészlet az olvasó vagy későbbi RAG-válaszlépés által használt bizonyíték.
", "aboutText": "Az LFM2.5-Embedding-350M a LiquidAI sűrű bi-encodere többnyelvű és nyelvek közötti visszakereséshez. Minden szöveghez egyetlen 1024 dimenziós vektort állít elő, és rövid kontextusú keresésre céloz tizenegy nyelven. A név szerint megadott 350M modellcsalád az LFM2.5-350M-Base kétirányú adaptációját használja; a részletes modelltáblázat e beágyazási kiadáshoz körülbelül 354 millió paramétert ad meg.\n\n### Kétirányú visszakeresési reprezentáció\n\nA gyártó úgy adaptálja az alapmodellt, hogy a figyelmi mechanizmus és a helyi konvolúciók a token mindkét oldalán lévő kontextust használhassák. CLS-jellegű pooling alakítja a feldolgozott szöveget egyetlen sűrű vektorrá. A modelltáblázat tizenhét réteget ír le: tíz konvolúciós blokkot, hat figyelmi blokkot és egy poolinglépést. Ez saját előkészítéssel és kimenettel rendelkező visszakeresési kódoló, nem az alapmodell szöveggenerálási feladata.\n\nA külön elnevezett LFM2.5-ColBERT-350M tokenenkénti vektorokat tart meg késői interakcióhoz. Ez a reprezentáció eltérő indexet és összehasonlítási módszert igényel. Az itt leírt Embedding modell dokumentumonként vagy lekérdezésenként egy vektort szolgáltat, dokumentált összehasonlításként koszinuszhasonlósággal.\n\n### Használja a megfelelő aszimmetrikus promptokat\n\nA keresési lekérdezéseket „query:”, a forrásszövegrészleteket „document:” előtaggal készítse elő. A gyártó e promptokat konfigurációjában tárolja, referencia-munkafolyamata pedig a megfelelő promptnevet alkalmazza. Kifejezetten a megfelelő szerep használatát ajánlja mindkét oldalon, mert a modellt ezekkel az előtagokkal tanították. Ez a dokumentumelőtag különbözik az E5-modellek „passage:” konvenciójától.\n\nEgy gyakorlati termékkeresési gyűjtemény a támogatott nyelveken tartalmazhat leírásokat. A felhasználó keresési megfogalmazását lekérdezésként, minden termékleírást dokumentumként készítsen elő. Az eredeti szöveget, termékazonosítót és nyelvet a vektor mellett tárolja, hogy a keresési eredmény visszaadhassa a megfelelő rekordot. Ügyfélszolgálati gyűjteménynél őrizze meg a kérdéshez releváns szabályt vagy utasítást, ne cserélje nem kapcsolódó rövid címkére.\n\n### Nyelvek és szövegrészlet-méret\n\nA dokumentált nyelvkészlet az angol, spanyol, német, francia, olasz, portugál, arab, svéd, norvég, japán és koreai. A gyártó kifejezetten célozza a nyelven belüli és nyelvhatárokon átnyúló visszakeresést is. A tervezett közönség valódi kérdéseit készítse elő, és e nyelveken vizsgálja meg a visszaadott dokumentumszöveget.\n\nA dokumentumhossz-specifikáció 512 token. A hosszú forrást összefüggő részletekre bontsa, megőrizve a címsort, definíciókat és a visszakeresett eredmény értelmezéséhez szükséges feltételeket. A szerepelőtag és hozzáadott kontextus az előkészített bemenet része. GYIK-válasz, termékmagyarázat vagy műszaki dokumentum célzott szakasza megfelelőbb egység, mint egy egész túlméretes kézikönyv.\n\n### Tanítás és megfeleltetés\n\nA gyártó három tanítási lépést ír le: angol kontrasztív előtanítást, többnyelvű és nyelvek közötti desztillációt, majd finomhangolást célzottan kiválasztott nehéz negatív példákkal. A kapott modellt termékkatalógusokhoz, GYIK- és ügyfélszolgálati gyűjteményekhez, fájl- vagy jegyzetkereséshez és vállalati tudás visszakereséséhez szánják. Ezek szövegreprezentációs feladatok, nem állítások egy adott alkalmazás telepítéséről.\n\nA gyártó példája normalizálja a lekérdezés- és dokumentumvektorokat, és skalárszorzattal rangsorolja őket, ami koszinuszhasonlóságnak felel meg. A forrásanyag előkészítésekor számítsa ki előre a korpuszreprezentációkat, majd ágyazza be a keresési lekérdezést, és a jelölt dokumentumokat szövegükkel és azonosítóikkal együtt adja vissza. A kiválasztott modellt és szerepkonvenciót az index mellett tartsa meg, hogy a numerikus összehasonlítás kompatibilis reprezentációkat használjon.\n\nA hasznos eredmény tömör, sűrű keresési index vagy olyan lekérdezésvektor, amely a dokumentált nyelvkészleten keresztül keres vissza forrásanyagot. Ez a pontos LFM2.5 Embedding kiadás különálló marad ColBERT társától, régebbi LFM2 visszakeresőktől és külsőleg kvantált implementációktól. A kiválasztott szövegrészlet az olvasó vagy későbbi RAG-válaszlépés által használt bizonyíték.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "9e2df230fa662aad79af34aeb8aa58863d0bfe8578a8346a1bc4663d934543cf", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "hu", "methods": [ { "html": "liquid/lfm-2.5-embedding-350m:freeA LiquidAI LFM2.5-Embedding-350M szövegenként egy 1024 dimenziós vektort állít elő többnyelvű és nyelvek közötti visszakereséshez. 11 nyelvet és rövid, 512 tokenes bemeneteket céloz, külön lekérdezés-/dokumentumelőtagokkal.
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
Az LFM2.5-Embedding-350M a LiquidAI sűrű bi-encodere többnyelvű és nyelvek közötti visszakereséshez. Minden szöveghez egyetlen 1024 dimenziós vektort állít elő, és rövid kontextusú keresésre céloz tizenegy nyelven. A név szerint megadott 350M modellcsalád az LFM2.5-350M-Base kétirányú adaptációját használja; a részletes modelltáblázat e beágyazási kiadáshoz körülbelül 354 millió paramétert ad meg.
A gyártó úgy adaptálja az alapmodellt, hogy a figyelmi mechanizmus és a helyi konvolúciók a token mindkét oldalán lévő kontextust használhassák. CLS-jellegű pooling alakítja a feldolgozott szöveget egyetlen sűrű vektorrá. A modelltáblázat tizenhét réteget ír le: tíz konvolúciós blokkot, hat figyelmi blokkot és egy poolinglépést. Ez saját előkészítéssel és kimenettel rendelkező visszakeresési kódoló, nem az alapmodell szöveggenerálási feladata.
A külön elnevezett LFM2.5-ColBERT-350M tokenenkénti vektorokat tart meg késői interakcióhoz. Ez a reprezentáció eltérő indexet és összehasonlítási módszert igényel. Az itt leírt Embedding modell dokumentumonként vagy lekérdezésenként egy vektort szolgáltat, dokumentált összehasonlításként koszinuszhasonlósággal.
A keresési lekérdezéseket „query:”, a forrásszövegrészleteket „document:” előtaggal készítse elő. A gyártó e promptokat konfigurációjában tárolja, referencia-munkafolyamata pedig a megfelelő promptnevet alkalmazza. Kifejezetten a megfelelő szerep használatát ajánlja mindkét oldalon, mert a modellt ezekkel az előtagokkal tanították. Ez a dokumentumelőtag különbözik az E5-modellek „passage:” konvenciójától.
Egy gyakorlati termékkeresési gyűjtemény a támogatott nyelveken tartalmazhat leírásokat. A felhasználó keresési megfogalmazását lekérdezésként, minden termékleírást dokumentumként készítsen elő. Az eredeti szöveget, termékazonosítót és nyelvet a vektor mellett tárolja, hogy a keresési eredmény visszaadhassa a megfelelő rekordot. Ügyfélszolgálati gyűjteménynél őrizze meg a kérdéshez releváns szabályt vagy utasítást, ne cserélje nem kapcsolódó rövid címkére.
A dokumentált nyelvkészlet az angol, spanyol, német, francia, olasz, portugál, arab, svéd, norvég, japán és koreai. A gyártó kifejezetten célozza a nyelven belüli és nyelvhatárokon átnyúló visszakeresést is. A tervezett közönség valódi kérdéseit készítse elő, és e nyelveken vizsgálja meg a visszaadott dokumentumszöveget.
A dokumentumhossz-specifikáció 512 token. A hosszú forrást összefüggő részletekre bontsa, megőrizve a címsort, definíciókat és a visszakeresett eredmény értelmezéséhez szükséges feltételeket. A szerepelőtag és hozzáadott kontextus az előkészített bemenet része. GYIK-válasz, termékmagyarázat vagy műszaki dokumentum célzott szakasza megfelelőbb egység, mint egy egész túlméretes kézikönyv.
A gyártó három tanítási lépést ír le: angol kontrasztív előtanítást, többnyelvű és nyelvek közötti desztillációt, majd finomhangolást célzottan kiválasztott nehéz negatív példákkal. A kapott modellt termékkatalógusokhoz, GYIK- és ügyfélszolgálati gyűjteményekhez, fájl- vagy jegyzetkereséshez és vállalati tudás visszakereséséhez szánják. Ezek szövegreprezentációs feladatok, nem állítások egy adott alkalmazás telepítéséről.
A gyártó példája normalizálja a lekérdezés- és dokumentumvektorokat, és skalárszorzattal rangsorolja őket, ami koszinuszhasonlóságnak felel meg. A forrásanyag előkészítésekor számítsa ki előre a korpuszreprezentációkat, majd ágyazza be a keresési lekérdezést, és a jelölt dokumentumokat szövegükkel és azonosítóikkal együtt adja vissza. A kiválasztott modellt és szerepkonvenciót az index mellett tartsa meg, hogy a numerikus összehasonlítás kompatibilis reprezentációkat használjon.
A hasznos eredmény tömör, sűrű keresési index vagy olyan lekérdezésvektor, amely a dokumentált nyelvkészleten keresztül keres vissza forrásanyagot. Ez a pontos LFM2.5 Embedding kiadás különálló marad ColBERT társától, régebbi LFM2 visszakeresőktől és külsőleg kvantált implementációktól. A kiválasztott szövegrészlet az olvasó vagy későbbi RAG-válaszlépés által használt bizonyíték.
POST /v1/embeddingstext, token_idsembedding| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok liquid/lfm-2.5-embedding-350m:free | Alapértelmezett— |
Mezőinput | Típusstring|string[]|integer[]|integer[][] | KövetelményKötelező | Értékek és korlátok Minimális elemszám: 1 Feltételek: Nem üres, homogén köteg. A tokenazonosítók nemnegatív egész számok. Bemeneti keret: Maximum: 512 · Szövegegység: UTF8-bájtok · Tokenegység: tokentömb elemei | Alapértelmezett— |
Mezőencoding_format | Típusstring | KövetelményOpcionális | Értékek és korlátok float | Alapértelmezettfloat |
Meződimensions | Típusinteger | KövetelményNem támogatott | Értékek és korlátok Minimum: 1 | Alapértelmezett— |
Mezőuser | Típusjson_value | KövetelményOpcionális | Értékek és korlátok Feltételek: A forrás engedélyezi ezt a JSON-metaadatmezőt; a szolgáltatónál érvényes pontos jelentése modellenként eltér. | Alapértelmezett— |
Mezősession_id | Típusjson_value | KövetelményOpcionális | Értékek és korlátok Feltételek: A forrás engedélyezi ezt a JSON-metaadatmezőt; a szolgáltatónál érvényes pontos jelentése modellenként eltér. | Alapértelmezett— |
Mezőtrace | Típusjson_value | KövetelményOpcionális | Értékek és korlátok Feltételek: A forrás engedélyezi ezt a JSON-metaadatmezőt; a szolgáltatónál érvényes pontos jelentése modellenként eltér. | Alapértelmezett— |
Mezőprovider | Típusobject | KövetelményOpcionális | Értékek és korlátok Feltételek: A provider.options elutasítva | Alapértelmezett— |
text_to_embedding
| Paraméter | Szerződés |
|---|---|
Paramétercontent_type | Szerződésapplication/json |
Paraméterrequired | Szerződésmodel, input |
Paraméterinput_shapes | Szerződésstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Paraméterencoding_format | Szerződésfloat |
Paraméterdimensions_override | Szerződésfalse |
Paramétermax_input_budget_units | Szerződés512 |
Paramétermultimodal_objects | Szerződésfalse |
Paramétermaterial_types | Szerződéstext, token_ids |
Életciklus: synchronous_json
Őrizze meg minden vektor indexét és dimenzióját.
A multimodális modell neve ezen a pontos útvonalon nem teszi lehetővé képobjektumok használatát.
A díjszabás nem ad új kérési lehetőségeket. A támogatott paraméterek a kiválasztott módszernél szerepelnek.
| Beállítás | Díjtáblázat | Díj |
|---|---|---|
| BeállításTokenenkénti alapárak | DíjtáblázatAlapdíj | Díj Bemenet · Bemeneti tokenek $0 / 1K token Kimenet · Kimeneti tokenek $0 / 1K token Bemenet · Gyorsítótár olvasása — / 1K token Bemenet · Írás a gyorsítótárba — / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "liquid/lfm-2.5-embedding-350m:free", "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='liquid/lfm-2.5-embedding-350m:free',input=["First document","Second document"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\njson
Őrizzen meg minden teljes visszaadott választ, fájlt és tartalomrészt.
Őrizzen meg minden vektort az indexével együtt. A vektorok számának meg kell egyeznie a bemenetek számával; a dimenzióknak egységesnek kell lenniük.
Nem kerül bevezetésre külön beágyazási feladatvégpont.
| Mező | Típus |
|---|---|
Mezőobject | Típusstring |
Mezőmodel | Típusstring |
Meződata[].index | Típusinteger |
Meződata[].embedding | Típusfinite float[] |
Mezőusage | Típusobject |
| Válasz | Feltétel | Következő lépés |
|---|---|---|
Válasz400 · invalid_request_error | FeltételÉrvénytelen kötelező mezők, az anyag érvénytelen reprezentációja vagy érvénytelen paraméterérték | Következő lépésJavítsa a jelzett mezőket egy új létrehozási kérés előtt. |
Ailoot Ultra liquid/lfm-2.5-embedding-350m:free
Használja a fent látható metódusútvonalakat.