{ "aboutHtml": "

bge-base-en-v1.5 adalah model embedding dense bahasa Inggris berukuran base dari BAAI. Model mengubah setiap teks menjadi representasi numerik 768 dimensi untuk temu kembali dan perbandingan semantik. Model ini termasuk lini BGE v1.5 yang memperbaiki distribusi skor kemiripan keluarga sebelumnya dan meningkatkan temu kembali ketika instruksi tidak diberikan. Keluarannya adalah vektor untuk membandingkan teks atau menemukan bagian yang relevan.

Siapkan kueri dan bagian teks

Untuk kueri pendek yang mencari bagian teks lebih panjang, BAAI menyarankan penambahan prefiks “Represent this sentence for searching relevant passages:” pada kueri. Bagian-bagian korpus tidak menerima instruksi tersebut. Untuk tugas lain, teks asli dapat langsung dibuat embedding-nya. Pembuat mencatat bahwa v1.5 juga bekerja tanpa instruksi, sehingga persiapan sebaiknya dipilih berdasarkan tugas alih-alih menganggap prefiks sebagai satu-satunya masukan yang valid.

Koleksi pencarian praktis dapat memuat artikel bantuan, penjelasan produk, atau instruksi teknis. Kueri seperti “How do I change the export format?” seharusnya menemukan bagian yang menjelaskan tindakan tersebut. Simpan judul bagian, kondisi yang relevan, dan teks sumber sebenarnya bersama-sama. Simpan pengenal serta lokasi bagian di samping vektornya agar hasil pencarian dapat mengembalikan sesuatu yang dapat dibaca pengguna atau dikutip tahap jawaban berikutnya.

Format vektor dan perbandingan

Representasi yang didokumentasikan menggunakan keadaan tersembunyi akhir token pertama, atau CLS, sebagai embedding kalimat. Contoh produsen menormalisasi vektor dan membandingkan embedding yang dinormalisasi dengan hasil kali titik, setara kemiripan kosinus. Sebanyak 768 dimensi adalah ukuran representasi keluaran model ini; bukan panjang konteks yang dapat dipilih atau jatah pembangkitan teks.

Gunakan model dan konvensi persiapan yang sama untuk vektor kueri dan korpus yang dibandingkan. Pemeriksaan praktisnya adalah menemukan bagian yang diketahui memuat jawaban untuk sekumpulan kecil pertanyaan pengguna nyata, lalu memeriksa teks yang dikembalikan. Bentuk vektor yang kompatibel memungkinkan indeks menyimpan representasi, sedangkan bagian sumber menentukan apa yang sebenarnya dikatakan hasil tersebut.

Panjang masukan dan persiapan dokumen

Panjang urutan model yang didokumentasikan adalah 512 token. Karena itu, sumber panjang harus dibagi menjadi bagian koheren yang memuat jawaban sebelum dibuat embedding-nya. Simpan definisi dan pengecualian bersama pernyataan yang diperjelasnya, serta pertahankan hubungan bagian dengan dokumen induk. Teks yang akan dibuat embedding-nya mencakup instruksi atau judul yang Anda tambahkan, sehingga persiapan ringkas menyisakan lebih banyak ruang untuk konten sumber yang berguna.

Untuk laporan atau manual, pilih batas di sekitar satu bagian atau sekelompok kecil paragraf terkait. Bagian yang hanya memuat judul atau fragmen tanpa subjeknya mungkin sulit ditafsirkan ketika ditemukan. Pertahankan teks asli dan versi sumber agar pembaruan indeks dapat mengganti materi terkait saat dokumen berubah.

Skor dan keluaran yang berguna

BAAI mengingatkan bahwa nilai kemiripan absolut bukan ambang universal untuk memutuskan bahwa dua teks bermakna sama. Peringkat relatif penting, dan ambang penyaringan harus dipilih menggunakan distribusi pada data tugas itu sendiri. Kemiripan vektor tinggi merupakan sinyal temu kembali, bukan verifikasi isi faktual bagian teks.

Hasil yang berguna adalah indeks bagian teks bahasa Inggris, himpunan vektor kueri, atau fitur numerik untuk perbandingan semantik. Reranker terpisah dapat memperbaiki kandidat yang ditemukan, dan tahap pembangkitan terpisah dapat menulis jawaban berdasarkan teksnya. Model base bahasa Inggris v1.5 yang tepat ini tetap berbeda dari BGE Large, edisi bahasa Mandarin, serta profil temu kembali multibahasa dan hibrida BGE-M3.

", "aboutText": "bge-base-en-v1.5 adalah model embedding dense bahasa Inggris berukuran base dari BAAI. Model mengubah setiap teks menjadi representasi numerik 768 dimensi untuk temu kembali dan perbandingan semantik. Model ini termasuk lini BGE v1.5 yang memperbaiki distribusi skor kemiripan keluarga sebelumnya dan meningkatkan temu kembali ketika instruksi tidak diberikan. Keluarannya adalah vektor untuk membandingkan teks atau menemukan bagian yang relevan.\n\n### Siapkan kueri dan bagian teks\n\nUntuk kueri pendek yang mencari bagian teks lebih panjang, BAAI menyarankan penambahan prefiks “Represent this sentence for searching relevant passages:” pada kueri. Bagian-bagian korpus tidak menerima instruksi tersebut. Untuk tugas lain, teks asli dapat langsung dibuat embedding-nya. Pembuat mencatat bahwa v1.5 juga bekerja tanpa instruksi, sehingga persiapan sebaiknya dipilih berdasarkan tugas alih-alih menganggap prefiks sebagai satu-satunya masukan yang valid.\n\nKoleksi pencarian praktis dapat memuat artikel bantuan, penjelasan produk, atau instruksi teknis. Kueri seperti “How do I change the export format?” seharusnya menemukan bagian yang menjelaskan tindakan tersebut. Simpan judul bagian, kondisi yang relevan, dan teks sumber sebenarnya bersama-sama. Simpan pengenal serta lokasi bagian di samping vektornya agar hasil pencarian dapat mengembalikan sesuatu yang dapat dibaca pengguna atau dikutip tahap jawaban berikutnya.\n\n### Format vektor dan perbandingan\n\nRepresentasi yang didokumentasikan menggunakan keadaan tersembunyi akhir token pertama, atau CLS, sebagai embedding kalimat. Contoh produsen menormalisasi vektor dan membandingkan embedding yang dinormalisasi dengan hasil kali titik, setara kemiripan kosinus. Sebanyak 768 dimensi adalah ukuran representasi keluaran model ini; bukan panjang konteks yang dapat dipilih atau jatah pembangkitan teks.\n\nGunakan model dan konvensi persiapan yang sama untuk vektor kueri dan korpus yang dibandingkan. Pemeriksaan praktisnya adalah menemukan bagian yang diketahui memuat jawaban untuk sekumpulan kecil pertanyaan pengguna nyata, lalu memeriksa teks yang dikembalikan. Bentuk vektor yang kompatibel memungkinkan indeks menyimpan representasi, sedangkan bagian sumber menentukan apa yang sebenarnya dikatakan hasil tersebut.\n\n### Panjang masukan dan persiapan dokumen\n\nPanjang urutan model yang didokumentasikan adalah 512 token. Karena itu, sumber panjang harus dibagi menjadi bagian koheren yang memuat jawaban sebelum dibuat embedding-nya. Simpan definisi dan pengecualian bersama pernyataan yang diperjelasnya, serta pertahankan hubungan bagian dengan dokumen induk. Teks yang akan dibuat embedding-nya mencakup instruksi atau judul yang Anda tambahkan, sehingga persiapan ringkas menyisakan lebih banyak ruang untuk konten sumber yang berguna.\n\nUntuk laporan atau manual, pilih batas di sekitar satu bagian atau sekelompok kecil paragraf terkait. Bagian yang hanya memuat judul atau fragmen tanpa subjeknya mungkin sulit ditafsirkan ketika ditemukan. Pertahankan teks asli dan versi sumber agar pembaruan indeks dapat mengganti materi terkait saat dokumen berubah.\n\n### Skor dan keluaran yang berguna\n\nBAAI mengingatkan bahwa nilai kemiripan absolut bukan ambang universal untuk memutuskan bahwa dua teks bermakna sama. Peringkat relatif penting, dan ambang penyaringan harus dipilih menggunakan distribusi pada data tugas itu sendiri. Kemiripan vektor tinggi merupakan sinyal temu kembali, bukan verifikasi isi faktual bagian teks.\n\nHasil yang berguna adalah indeks bagian teks bahasa Inggris, himpunan vektor kueri, atau fitur numerik untuk perbandingan semantik. Reranker terpisah dapat memperbaiki kandidat yang ditemukan, dan tahap pembangkitan terpisah dapat menulis jawaban berdasarkan teksnya. Model base bahasa Inggris v1.5 yang tepat ini tetap berbeda dari BGE Large, edisi bahasa Mandarin, serta profil temu kembali multibahasa dan hibrida BGE-M3.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "fcebdfeb89ab96fb067cd39d5472be3c37a05a3eb85289d707055727c7b3c221", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "id", "methods": [ { "html": "
•

BAAI: bge-base-en-v1.5

BAAI /baai/bge-base-en-v1.5

Mulai

BAAI bge-base-en-v1.5 mengubah teks bahasa Inggris menjadi vektor 768 dimensi untuk pencarian semantik dan tugas kemiripan. Jendela masukan 512 token serta instruksi temu kembali yang hanya diterapkan pada kueri cocok untuk bagian teks terfokus dalam indeks dokumen atau pencarian pengetahuan.

Masukan yang diterima
Teks · token_ids
Hasil
embedding
Tentang model

Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.

bge-base-en-v1.5 adalah model embedding dense bahasa Inggris berukuran base dari BAAI. Model mengubah setiap teks menjadi representasi numerik 768 dimensi untuk temu kembali dan perbandingan semantik. Model ini termasuk lini BGE v1.5 yang memperbaiki distribusi skor kemiripan keluarga sebelumnya dan meningkatkan temu kembali ketika instruksi tidak diberikan. Keluarannya adalah vektor untuk membandingkan teks atau menemukan bagian yang relevan.

Siapkan kueri dan bagian teks

Untuk kueri pendek yang mencari bagian teks lebih panjang, BAAI menyarankan penambahan prefiks “Represent this sentence for searching relevant passages:” pada kueri. Bagian-bagian korpus tidak menerima instruksi tersebut. Untuk tugas lain, teks asli dapat langsung dibuat embedding-nya. Pembuat mencatat bahwa v1.5 juga bekerja tanpa instruksi, sehingga persiapan sebaiknya dipilih berdasarkan tugas alih-alih menganggap prefiks sebagai satu-satunya masukan yang valid.

Koleksi pencarian praktis dapat memuat artikel bantuan, penjelasan produk, atau instruksi teknis. Kueri seperti “How do I change the export format?” seharusnya menemukan bagian yang menjelaskan tindakan tersebut. Simpan judul bagian, kondisi yang relevan, dan teks sumber sebenarnya bersama-sama. Simpan pengenal serta lokasi bagian di samping vektornya agar hasil pencarian dapat mengembalikan sesuatu yang dapat dibaca pengguna atau dikutip tahap jawaban berikutnya.

Format vektor dan perbandingan

Representasi yang didokumentasikan menggunakan keadaan tersembunyi akhir token pertama, atau CLS, sebagai embedding kalimat. Contoh produsen menormalisasi vektor dan membandingkan embedding yang dinormalisasi dengan hasil kali titik, setara kemiripan kosinus. Sebanyak 768 dimensi adalah ukuran representasi keluaran model ini; bukan panjang konteks yang dapat dipilih atau jatah pembangkitan teks.

Gunakan model dan konvensi persiapan yang sama untuk vektor kueri dan korpus yang dibandingkan. Pemeriksaan praktisnya adalah menemukan bagian yang diketahui memuat jawaban untuk sekumpulan kecil pertanyaan pengguna nyata, lalu memeriksa teks yang dikembalikan. Bentuk vektor yang kompatibel memungkinkan indeks menyimpan representasi, sedangkan bagian sumber menentukan apa yang sebenarnya dikatakan hasil tersebut.

Panjang masukan dan persiapan dokumen

Panjang urutan model yang didokumentasikan adalah 512 token. Karena itu, sumber panjang harus dibagi menjadi bagian koheren yang memuat jawaban sebelum dibuat embedding-nya. Simpan definisi dan pengecualian bersama pernyataan yang diperjelasnya, serta pertahankan hubungan bagian dengan dokumen induk. Teks yang akan dibuat embedding-nya mencakup instruksi atau judul yang Anda tambahkan, sehingga persiapan ringkas menyisakan lebih banyak ruang untuk konten sumber yang berguna.

Untuk laporan atau manual, pilih batas di sekitar satu bagian atau sekelompok kecil paragraf terkait. Bagian yang hanya memuat judul atau fragmen tanpa subjeknya mungkin sulit ditafsirkan ketika ditemukan. Pertahankan teks asli dan versi sumber agar pembaruan indeks dapat mengganti materi terkait saat dokumen berubah.

Skor dan keluaran yang berguna

BAAI mengingatkan bahwa nilai kemiripan absolut bukan ambang universal untuk memutuskan bahwa dua teks bermakna sama. Peringkat relatif penting, dan ambang penyaringan harus dipilih menggunakan distribusi pada data tugas itu sendiri. Kemiripan vektor tinggi merupakan sinyal temu kembali, bukan verifikasi isi faktual bagian teks.

Hasil yang berguna adalah indeks bagian teks bahasa Inggris, himpunan vektor kueri, atau fitur numerik untuk perbandingan semantik. Reranker terpisah dapat memperbaiki kandidat yang ditemukan, dan tahap pembangkitan terpisah dapat menulis jawaban berdasarkan teksnya. Model base bahasa Inggris v1.5 yang tepat ini tetap berbeda dari BGE Large, edisi bahasa Mandarin, serta profil temu kembali multibahasa dan hibrida BGE-M3.

Tersedia di Ailoot · masukan & metode

Ailoot Ultra · Embedding POST /v1/embeddings
Masukan
text, token_ids
Keluaran
embedding
Format keluaran
json
KolomJenisPersyaratanNilai & batasanBawaan
KolommodelJenisstringPersyaratanWajibNilai & batasan
baai/bge-base-en-v1.5
Bawaan—
KolominputJenisstring|string[]|integer[]|integer[][]PersyaratanWajibNilai & batasan
Item minimum: 1
Kondisi: Batch homogen yang tidak kosong. ID token berupa bilangan bulat nonnegatif.
Anggaran masukan: Maksimum: 512 · Satuan teks: byte UTF8 · Satuan token: elemen array token
Bawaan—
Kolomencoding_formatJenisstringPersyaratanOpsionalNilai & batasan
float
Bawaanfloat
KolomdimensionsJenisintegerPersyaratanTidak didukungNilai & batasan
Minimum: 1
Bawaan—
KolomuserJenisjson_valuePersyaratanOpsionalNilai & batasan
Kondisi: Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.
Bawaan—
Kolomsession_idJenisjson_valuePersyaratanOpsionalNilai & batasan
Kondisi: Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.
Bawaan—
KolomtraceJenisjson_valuePersyaratanOpsionalNilai & batasan
Kondisi: Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.
Bawaan—
KolomproviderJenisobjectPersyaratanOpsionalNilai & batasan
Kondisi: provider.options ditolak
Bawaan—
Kombinasi bahan masukan

text_to_embedding

Parameter metode dan siklus hidup
ParameterKontrak
Parametercontent_typeKontrakapplication/json
ParameterrequiredKontrakmodel, input
Parameterinput_shapesKontrakstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[]
Parameterencoding_formatKontrakfloat
Parameterdimensions_overrideKontrakfalse
Parametermax_input_budget_unitsKontrak512
Parametermultimodal_objectsKontrakfalse
Parametermaterial_typesKontraktext, token_ids

Siklus hidup: synchronous_json

Pertahankan index dan dimensi setiap vektor.

Nama model multimodal tidak mengizinkan objek gambar pada jalur persis ini.

Paket

Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.

Mode Fast
Tidak ditentukan Saat mode fast dipilih
Mode Flex
Tidak ditentukan Saat mode flex dipilih
Upaya penalaran maksimum
Tidak ditentukan Saat upaya penalaran maksimum menggunakan penyesuaian default

Tarif Ailoot

Harga menurut konfigurasi

KonfigurasiJadwal tarifBiaya
KonfigurasiTarif dasar tokenJadwal tarifTarif dasarBiaya
Masukan · Token masukan $0.00001 / 1K token
Keluaran · Token keluaran $0 / 1K token
Masukan · Pembacaan cache — / 1K token
Masukan · Penulisan cache — / 1K token
Masukan · Penulisan cache, 1 jam — / 1K token

Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →

Contoh permintaan

Ailoot Ultra · Embedding

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": "baai/bge-base-en-v1.5", "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\n

Terima dan simpan hasil

Ailoot Ultra · Embedding

json

Simpan semua hasil yang selesai

Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.

Simpan setiap vektor beserta index masing-masing. Jumlah vektor harus sama dengan jumlah input; dimensinya harus konsisten.

Jika respons asli perlu diperiksa

Endpoint untuk tugas embedding tidak ditambahkan.

Kolom respons
KolomJenis
KolomobjectJenisstring
KolommodelJenisstring
Kolomdata[].indexJenisinteger
Kolomdata[].embeddingJenisfinite float[]
KolomusageJenisobject
Kesalahan dan langkah berikutnya
ResponsKondisiLangkah berikutnya
Respons400 · invalid_request_errorKondisiBidang wajib, representasi materi, atau nilai parameter tidak validLangkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru.

Alias

Alias model

Ailoot Ultra baai/bge-base-en-v1.5

Alias jalur metode

Gunakan jalur metode yang ditampilkan di atas.

ID pemanggil terkait

baai/bge-base-en-v1.5

", "method_identity": { "effective_request_model_id": "baai/bge-base-en-v1.5", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "baai/bge-base-en-v1.5", "route_label": "Ultra" }, "method_key": "Ultra|embeddings|/v1/embeddings|baai%2Fbge-base-en-v1.5", "ordinal": 0, "rawMethod": { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Keep every vector with its index. Vector count must equal input count; dimensions must be consistent.", "errors": [ { "code": null, "condition": "Bidang wajib, representasi materi, atau nilai parameter tidak valid", "http_status": 400, "recovery": "Perbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Endpoint untuk tugas embedding tidak ditambahkan." }, "material_combinations": [ { "alternatives": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Simpan setiap vektor beserta index masing-masing. Jumlah vektor harus sama dengan jumlah input; dimensinya harus konsisten.", "default_dimensions": null, "family": "embedding", "fields": [ { "description": null, "name": "object", "type": "string" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "data[].index", "type": "integer" }, { "description": null, "name": "data[].embedding", "type": "finite float[]" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "baai/bge-base-en-v1.5" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "budget": { "maximum": 512, "text_unit": "byte UTF8", "token_unit": "elemen array token" }, "conditions": "Batch homogen yang tidak kosong. ID token berupa bilangan bulat nonnegatif.", "default": null, "default_known": false, "enum": null, "enum_known": false, "min_items": 1, "name": "input", "required": true, "type": "string|string[]|integer[]|integer[][]" }, { "availability": "source_interface", "default": "float", "default_known": true, "enum": [ "float" ], "enum_known": true, "name": "encoding_format", "required": false, "type": "string" }, { "availability": "unsupported", "default": null, "default_known": false, "enum": null, "enum_known": false, "minimum": 1, "name": "dimensions", "required": false, "type": "integer" }, { "availability": "pass_through_metadata", "conditions": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "session_id", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "trace", "required": false, "type": "json_value" }, { "availability": "source_interface", "conditions": "provider.options ditolak", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "provider", "required": false, "type": "object" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "mixed input kinds", "empty input", "image/audio/file objects", "encoding_format=base64", "dimensions override" ] }, "hints": [ "Pertahankan index dan dimensi setiap vektor.", "Nama model multimodal tidak mengizinkan objek gambar pada jalur persis ini." ], "input": { "content_type": "application/json", "dimensions_override": false, "encoding_format": [ "float" ], "input_shapes": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "material_types": [ "text", "token_ids" ], "max_input_budget_units": 512, "multimodal_objects": false, "required": [ "model", "input" ] }, "lifecycle": { "mode": "synchronous_json", "unknown": "no embedding job endpoint inferred" }, "manufacturer_capability": null, "method": { "http": "POST", "path": "/v1/embeddings" }, "method_aliases": [], "operation_modes": [ "text_to_embedding" ], "output": { "default_dimensions": null, "family": "embedding", "format": "json", "http_success": 200, "vectors": "one dense float vector per input; indices/model/usage validated" } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Tarif dasar token", "units": [ { "amount": "0.00001000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000001", "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}\"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"baai/bge-base-en-v1.5\", \"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\n", "label": "curl · retained exact creation", "language": "bash" }, { "code": "from 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='baai/bge-base-en-v1.5',input=[\"First document\",\"Second document\"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\n", "label": "Python SDK · all vectors", "language": "python" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "embeddings", "hints": [ "Keep every vector index and dimension.", "Multimodal model name does not admit image objects on this exact path." ], "http": "POST", "in": 0.01, "input": [ "text", "token_ids" ], "label": "Эмбеддинги", "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": "0.00001000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000001", "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": "baai/bge-base-en-v1.5", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00001000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000001", "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": "baai/bge-base-en-v1.5", "nativeProvenance": { "input_facts_canonical_sha256": "baeeaeac87461e6998f877c2108870175bed9f72ff382db20370fb12c30ede94", "input_html_sha256": "b2c9e2a750d025c690e4887e5a1d99c8b97e42e7bce3db7bf9e4d311bea80e55", "private_audit_sha256": "aba0955d9aac6a80ffceab98079fc77d1d1c518132aed444e7fb4b88f8791413", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/id/baai-bge-base-en-v1-5/", "description": "BAAI bge-base-en-v1.5 mengubah teks bahasa Inggris menjadi vektor 768 dimensi untuk pencarian semantik dan tugas kemiripan. Jendela masukan 512 token serta instruksi temu kembali yang hanya diterapkan pada kueri cocok untuk bagian teks terfokus dalam indeks dokumen atau pencarian pengetahuan.", "locale": "id", "md_url": "https://ailoot.ai/models/id/baai-bge-base-en-v1-5/index.md", "title": "BAAI: bge-base-en-v1.5 — Ailoot", "url": "https://ailoot.ai/models/id/baai-bge-base-en-v1-5/" }, "rawModel": { "about": "bge-base-en-v1.5 adalah model embedding dense bahasa Inggris berukuran base dari BAAI. Model mengubah setiap teks menjadi representasi numerik 768 dimensi untuk temu kembali dan perbandingan semantik. Model ini termasuk lini BGE v1.5 yang memperbaiki distribusi skor kemiripan keluarga sebelumnya dan meningkatkan temu kembali ketika instruksi tidak diberikan. Keluarannya adalah vektor untuk membandingkan teks atau menemukan bagian yang relevan.\n\n### Siapkan kueri dan bagian teks\n\nUntuk kueri pendek yang mencari bagian teks lebih panjang, BAAI menyarankan penambahan prefiks “Represent this sentence for searching relevant passages:” pada kueri. Bagian-bagian korpus tidak menerima instruksi tersebut. Untuk tugas lain, teks asli dapat langsung dibuat embedding-nya. Pembuat mencatat bahwa v1.5 juga bekerja tanpa instruksi, sehingga persiapan sebaiknya dipilih berdasarkan tugas alih-alih menganggap prefiks sebagai satu-satunya masukan yang valid.\n\nKoleksi pencarian praktis dapat memuat artikel bantuan, penjelasan produk, atau instruksi teknis. Kueri seperti “How do I change the export format?” seharusnya menemukan bagian yang menjelaskan tindakan tersebut. Simpan judul bagian, kondisi yang relevan, dan teks sumber sebenarnya bersama-sama. Simpan pengenal serta lokasi bagian di samping vektornya agar hasil pencarian dapat mengembalikan sesuatu yang dapat dibaca pengguna atau dikutip tahap jawaban berikutnya.\n\n### Format vektor dan perbandingan\n\nRepresentasi yang didokumentasikan menggunakan keadaan tersembunyi akhir token pertama, atau CLS, sebagai embedding kalimat. Contoh produsen menormalisasi vektor dan membandingkan embedding yang dinormalisasi dengan hasil kali titik, setara kemiripan kosinus. Sebanyak 768 dimensi adalah ukuran representasi keluaran model ini; bukan panjang konteks yang dapat dipilih atau jatah pembangkitan teks.\n\nGunakan model dan konvensi persiapan yang sama untuk vektor kueri dan korpus yang dibandingkan. Pemeriksaan praktisnya adalah menemukan bagian yang diketahui memuat jawaban untuk sekumpulan kecil pertanyaan pengguna nyata, lalu memeriksa teks yang dikembalikan. Bentuk vektor yang kompatibel memungkinkan indeks menyimpan representasi, sedangkan bagian sumber menentukan apa yang sebenarnya dikatakan hasil tersebut.\n\n### Panjang masukan dan persiapan dokumen\n\nPanjang urutan model yang didokumentasikan adalah 512 token. Karena itu, sumber panjang harus dibagi menjadi bagian koheren yang memuat jawaban sebelum dibuat embedding-nya. Simpan definisi dan pengecualian bersama pernyataan yang diperjelasnya, serta pertahankan hubungan bagian dengan dokumen induk. Teks yang akan dibuat embedding-nya mencakup instruksi atau judul yang Anda tambahkan, sehingga persiapan ringkas menyisakan lebih banyak ruang untuk konten sumber yang berguna.\n\nUntuk laporan atau manual, pilih batas di sekitar satu bagian atau sekelompok kecil paragraf terkait. Bagian yang hanya memuat judul atau fragmen tanpa subjeknya mungkin sulit ditafsirkan ketika ditemukan. Pertahankan teks asli dan versi sumber agar pembaruan indeks dapat mengganti materi terkait saat dokumen berubah.\n\n### Skor dan keluaran yang berguna\n\nBAAI mengingatkan bahwa nilai kemiripan absolut bukan ambang universal untuk memutuskan bahwa dua teks bermakna sama. Peringkat relatif penting, dan ambang penyaringan harus dipilih menggunakan distribusi pada data tugas itu sendiri. Kemiripan vektor tinggi merupakan sinyal temu kembali, bukan verifikasi isi faktual bagian teks.\n\nHasil yang berguna adalah indeks bagian teks bahasa Inggris, himpunan vektor kueri, atau fitur numerik untuk perbandingan semantik. Reranker terpisah dapat memperbaiki kandidat yang ditemukan, dan tahap pembangkitan terpisah dapat menulis jawaban berdasarkan teksnya. Model base bahasa Inggris v1.5 yang tepat ini tetap berbeda dari BGE Large, edisi bahasa Mandarin, serta profil temu kembali multibahasa dan hibrida BGE-M3.", "alias_of": null, "aliases": [], "author": "BAAI", "available": null, "canonical_model": "baai/bge-base-en-v1.5", "capabilities": { "context_length": 512, "manufacturer_input": [ "text" ], "manufacturer_output": [ "embeddings" ] }, "card_routes": [ { "label": "Ultra", "rates": [ { "amount": "0.00001000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000001", "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": "Informasi lengkap harga konfigurasi tersedia di bagian detail." } ], "ctx": null, "entity_type": "model", "formats": [ "embeddings" ], "id": "baai/bge-base-en-v1.5", "input": [ "text", "token_ids" ], "kind": "embedding", "max_out": null, "methods": [ { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Keep every vector with its index. Vector count must equal input count; dimensions must be consistent.", "errors": [ { "code": null, "condition": "Bidang wajib, representasi materi, atau nilai parameter tidak valid", "http_status": 400, "recovery": "Perbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Endpoint untuk tugas embedding tidak ditambahkan." }, "material_combinations": [ { "alternatives": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Simpan setiap vektor beserta index masing-masing. Jumlah vektor harus sama dengan jumlah input; dimensinya harus konsisten.", "default_dimensions": null, "family": "embedding", "fields": [ { "description": null, "name": "object", "type": "string" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "data[].index", "type": "integer" }, { "description": null, "name": "data[].embedding", "type": "finite float[]" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "baai/bge-base-en-v1.5" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "budget": { "maximum": 512, "text_unit": "byte UTF8", "token_unit": "elemen array token" }, "conditions": "Batch homogen yang tidak kosong. ID token berupa bilangan bulat nonnegatif.", "default": null, "default_known": false, "enum": null, "enum_known": false, "min_items": 1, "name": "input", "required": true, "type": "string|string[]|integer[]|integer[][]" }, { "availability": "source_interface", "default": "float", "default_known": true, "enum": [ "float" ], "enum_known": true, "name": "encoding_format", "required": false, "type": "string" }, { "availability": "unsupported", "default": null, "default_known": false, "enum": null, "enum_known": false, "minimum": 1, "name": "dimensions", "required": false, "type": "integer" }, { "availability": "pass_through_metadata", "conditions": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "session_id", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "trace", "required": false, "type": "json_value" }, { "availability": "source_interface", "conditions": "provider.options ditolak", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "provider", "required": false, "type": "object" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "mixed input kinds", "empty input", "image/audio/file objects", "encoding_format=base64", "dimensions override" ] }, "hints": [ "Pertahankan index dan dimensi setiap vektor.", "Nama model multimodal tidak mengizinkan objek gambar pada jalur persis ini." ], "input": { "content_type": "application/json", "dimensions_override": false, "encoding_format": [ "float" ], "input_shapes": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "material_types": [ "text", "token_ids" ], "max_input_budget_units": 512, "multimodal_objects": false, "required": [ "model", "input" ] }, "lifecycle": { "mode": "synchronous_json", "unknown": "no embedding job endpoint inferred" }, "manufacturer_capability": null, "method": { "http": "POST", "path": "/v1/embeddings" }, "method_aliases": [], "operation_modes": [ "text_to_embedding" ], "output": { "default_dimensions": null, "family": "embedding", "format": "json", "http_success": 200, "vectors": "one dense float vector per input; indices/model/usage validated" } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Tarif dasar token", "units": [ { "amount": "0.00001000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000001", "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}\"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"baai/bge-base-en-v1.5\", \"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\n", "label": "curl · retained exact creation", "language": "bash" }, { "code": "from 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='baai/bge-base-en-v1.5',input=[\"First document\",\"Second document\"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\n", "label": "Python SDK · all vectors", "language": "python" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "embeddings", "hints": [ "Keep every vector index and dimension.", "Multimodal model name does not admit image objects on this exact path." ], "http": "POST", "in": 0.01, "input": [ "text", "token_ids" ], "label": "Эмбеддинги", "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": "0.00001000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000001", "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": "baai/bge-base-en-v1.5", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00001000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000001", "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": "baai/bge-base-en-v1.5", "request_model_id": "baai/bge-base-en-v1.5", "route_label": "Ultra" } ], "name": "BAAI: bge-base-en-v1.5", "price": { "in": 0.01, "in_label": null, "out": 0, "out_label": null, "scope_label": "Token rates", "sort_in": 0.01, "sort_out": 0, "varies": false }, "public_id": "baai/bge-base-en-v1.5", "short": "BAAI bge-base-en-v1.5 mengubah teks bahasa Inggris menjadi vektor 768 dimensi untuk pencarian semantik dan tugas kemiripan. Jendela masukan 512 token serta instruksi temu kembali yang hanya diterapkan pada kueri cocok untuk bagian teks terfokus dalam indeks dokumen atau pencarian pengetahuan." }, "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": "BAAI bge-base-en-v1.5 mengubah teks bahasa Inggris menjadi vektor 768 dimensi untuk pencarian semantik dan tugas kemiripan. Jendela masukan 512 token serta instruksi temu kembali yang hanya diterapkan pada kueri cocok untuk bagian teks terfokus dalam indeks dokumen atau pencarian pengetahuan.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "eaea134203713a157311d2878b52e7a0efa5de9f75dfd353b51a84b4a5fe9b54", "renderer_sha256": "2a0471475a29000c23db326ca1e315df73dee7524f6bc2907818ee3458813f2d" }, "sourceRevision": "2d3f8668271b03fc0941b1e05529d80ec362555c88d577f59124ec15e2941f6a" }