Source: https://ailoot.ai/models/hu/liquid-lfm-2-5-embedding-350m-u003a-free/ Canonical: https://ailoot.ai/models/hu/liquid-lfm-2-5-embedding-350m-u003a-free/ Language: hu # LiquidAI: LFM2.5-Embedding-350M (free) [Markdown](https://ailoot.ai/models/hu/liquid-lfm-2-5-embedding-350m-u003a-free/index.md) · [JSON](https://ailoot.ai/models/hu/liquid-lfm-2-5-embedding-350m-u003a-free/facts.json) ## [LiquidAI: LFM2.5-Embedding-350M (free)](https://ailoot.ai/models/hu/liquid-lfm-2-5-embedding-350m-u003a-free/) A 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. - [**Ailoot Ultra · Beágyazások** `POST /v1/embeddings` `liquid/lfm-2.5-embedding-350m:free`](https://ailoot.ai/models/hu/liquid-lfm-2-5-embedding-350m-u003a-free/#method-0) A modellről 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. #### Kétirányú visszakeresési reprezentáció 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. #### Használja a megfelelő aszimmetrikus promptokat 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. #### Nyelvek és szövegrészlet-méret 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. #### Tanítás és megfeleltetés 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. **Ailoot Ultra · Beágyazások** `POST /v1/embeddings` `liquid/lfm-2.5-embedding-350m:free` [`liquid/lfm-2.5-embedding-350m:free`](https://ailoot.ai/models/hu/#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` ### Kezdő lépések A 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. Elfogadott bemenetek Szöveg · token\_ids Eredmények embedding ### Elérhető az Ailootban · bemenetek és metódusok **Ailoot Ultra · Beágyazások** `POST /v1/embeddings` Bemenet `text`, `token_ids` Kimenet `embedding` Kontextus 512 tokens Kimeneti formátum json | Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett | | --- | --- | --- | --- | --- | | Mező`model` | Típus`string` | KövetelményKötelező | Értékek és korlátok liquid/lfm-2.5-embedding-350m:free | Alapértelmezett— | | Mező`input` | Típus`string\|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— | | Mező`encoding_format` | Típus`string` | KövetelményOpcionális | Értékek és korlátok float | Alapértelmezettfloat | | Mező`dimensions` | Típus`integer` | KövetelményNem támogatott | Értékek és korlátok Minimum: 1 | Alapértelmezett— | | Mező`user` | Típus`json_value` | KövetelményOpcionális | Értékek és korlátok Feltételek: A forrás engedélyezi ezt a JSON-metaadatmezőt; a szolgáltatónál érvényes pontos jelentése modellenként eltér. | Alapértelmezett— | | Mező`session_id` | Típus`json_value` | KövetelményOpcionális | Értékek és korlátok Feltételek: A forrás engedélyezi ezt a JSON-metaadatmezőt; a szolgáltatónál érvényes pontos jelentése modellenként eltér. | Alapértelmezett— | | Mező`trace` | Típus`json_value` | KövetelményOpcionális | Értékek és korlátok Feltételek: A forrás engedélyezi ezt a JSON-metaadatmezőt; a szolgáltatónál érvényes pontos jelentése modellenként eltér. | Alapértelmezett— | | Mező`provider` | Típus`object` | KövetelményOpcionális | Értékek és korlátok Feltételek: A provider.options elutasítva | Alapértelmezett— | Bemeneti anyagok kombinációi **text\_to\_embedding** Metódus paraméterei és életciklusa | Paraméter | Szerződés | | --- | --- | | Paraméter`content_type` | Szerződésapplication/json | | Paraméter`required` | Szerződésmodel, input | | Paraméter`input_shapes` | Szerződésstring, string\[\], nonnegative\_integer\_token\_array, nonnegative\_integer\_token\_array\[\] | | Paraméter`encoding_format` | Szerződésfloat | | Paraméter`dimensions_override` | Szerződésfalse | | Paraméter`max_input_budget_units` | Szerződés512 | | Paraméter`multimodal_objects` | Szerződésfalse | | Paraméter`material_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. ### Díjcsomagok A díjszabás nem ad új kérési lehetőségeket. A támogatott paraméterek a kiválasztott módszernél szerepelnek. Gyors mód Normál díjszabás Ha a gyors mód van kiválasztva Flex mód Normál díjszabás Ha a flex mód van kiválasztva Maximális gondolkodási ráfordítás Normál díjszabás Ha a maximális gondolkodási ráfordításra a default beállításhoz tartozó korrekció vonatkozik #### Ailoot-díjak #### Árak beállításonként | Beállítás | Díjtáblázat | Díj | | --- | --- | --- | | BeállításTokenenkénti alapárak | DíjtáblázatAlapdíj | Díj Bemenet · Bemeneti tokenek **$0** / 1K token Kimenet · Kimeneti tokenek **$0** / 1K token Bemenet · Gyorsítótár olvasása **—** / 1K token Bemenet · Írás a gyorsítótárba **—** / 1K token Bemenet · Írás a gyorsítótárba, 1 óra **—** / 1K token | Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. [A foglalás és az elszámolás működése →](https://ailoot.ai/docs/hu/billing/reserve/) ### Példakérések #### Ailoot Ultra · Beágyazások curlPython SDK ```bash set -eu : "${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) ``` ### Eredmények fogadása és mentése #### Ailoot Ultra · Beágyazások json ##### Őrizzen meg minden elkészült eredményt 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. ##### Ha az eredeti választ ellenőrizni kell Nem kerül bevezetésre külön beágyazási feladatvégpont. Válaszmezők | Mező | Típus | | --- | --- | | Mező`object` | Típusstring | | Mező`model` | Típusstring | | Mező`data[].index` | Típusinteger | | Mező`data[].embedding` | Típusfinite float\[\] | | Mező`usage` | Típusobject | Hibák és következő lépések | 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. | ### Álnevek #### Modell álnevei **Ailoot Ultra** [`liquid/lfm-2.5-embedding-350m:free`](https://ailoot.ai/models/hu/#m=liquid%2Flfm-2.5-embedding-350m%3Afree&route=Ultra&caller=liquid%2Flfm-2.5-embedding-350m%3Afree&fmt=embeddings) #### Metódusútvonalak álnevei Használja a fent látható metódusútvonalakat. #### Kapcsolódó modellazonosítók [`liquid/lfm-2.5-embedding-350m:free`](https://ailoot.ai/models/hu/#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) Milyen bemenetek és eredmények érhetők el? `POST /v1/embeddings` · `liquid/lfm-2.5-embedding-350m:free`: `text`, `token_ids` → `embedding` Mely mezőket használja a kérés? `POST /v1/embeddings` · `liquid/lfm-2.5-embedding-350m:free`: `model`, `input`, `encoding_format`, `provider` Milyen korlátok érvényesek? `POST /v1/embeddings` · `liquid/lfm-2.5-embedding-350m:free`: `ctx`: `512`; `input.budget.maximum`: `512` (UTF8-bájtok); `input.min_items`: `1` Csatlakoztassa az Ailootot a Claude Code-hoz, OpenCode-hoz, Hermeshez vagy saját alkalmazásához. ## A vállalat és projektportfóliója A vállalat és projektportfóliója: ügyfelek milliói; havi értékesítés milliárdos nagyságrendben. ## Vásároljon tokeneket kedvezménnyel. Előfizetési kedvezmény rendszeres munkához. Promókódok — akár 50% tokenvásárlási kedvezmény. Előfizetés Válasszon kedvezményes tarifát a rendszeres kéréseihez. Promókód akár 50%-ig Vásárláskor adja meg a kódot. Az ár az érvényes akció szerint újraszámolódik. Költségek az előzményekben Minden kéréshez megmarad a modell, a tokenek és az összeg. [Előfizetés kiválasztása](https://ailoot.ai/docs/hu/billing/subscriptions/) · [Modellárak megtekintése](https://ailoot.ai/models/hu/) ## Csatlakoztassa az API-t az értékesített termékéhez. SaaS, alkalmazások és botok — az Ailoot ajánlati feltételei és licencszerződése alapján. Viszonteladáshoz kérjen viszonteladói licencet. Kereskedelmi alkalmazás Építsen szöveg-, kép-, videó- és hanggenerálást szolgáltatása fizetős funkcióiba. Viszonteladói licenc Küldje el a projekt leírását és a hozzáférés módját. Kérjen írásos használati és viszonteladási feltételeket. Dokumentumok a weboldalon Az ajánlati feltételek, licencszerződés és adatkezelési szabályzat már a csatlakoztatás előtt elérhető. [Viszonteladói licenc kérése](mailto:support@ailoot.ai) · [Ajánlati feltételek és licencszerződés](https://ailoot.ai/legal/offer?lang=hu) ## Ailoot · A vállalat és projektportfóliója Az Ailoot felhalmozott működési tapasztalatra, széles ügyfélkörre, stabil szolgáltatásra és folyamatos KPI-ellenőrzésre épít. A vállalat és projektportfóliója: ügyfelek milliói; havi értékesítés milliárdos nagyságrendben. Az Ailoot ezt a működési tapasztalatot használja az ügyfelek termékeiben, ágenseiben, alkalmazásaiban és automatizálásaiban elérhető AI-funkciók API-hozzáféréséhez.