{ "aboutHtml": "

Multilingual-E5-Large adalah model embedding teks dense multibahasa intfloat, dengan dua puluh empat lapisan dan keluaran 1024 dimensi. Model diinisialisasi dari XLM-RoBERTa Large lalu dilatih lebih lanjut pada data multibahasa. Kartu model menjelaskan dukungan untuk cakupan seratus bahasa XLM-R sekaligus mencatat kinerja yang lebih lemah untuk bahasa dengan sumber daya terbatas. Vektornya merepresentasikan teks untuk pencarian kembali, perbandingan semantik, dan tugas fitur numerik.

Pertahankan peran masukan dalam setiap bahasa

Prefiks yang digunakan dalam pelatihan adalah “query:” dan “passage:”, termasuk untuk teks non-Inggris. Kueri pencarian dan bagian teks dalam korpus menggunakan peran masing-masing. Prefiks tetap berupa string bahasa Inggris tersebut, sedangkan teks sumber tetap menggunakan bahasanya sendiri. Untuk kemiripan semantik simetris, pencarian parafrasa, penambangan pasangan teks dwibahasa, atau penggunaan sebagai fitur, pembuat menyarankan “query:”.

Koleksi praktis dapat menyimpan dokumentasi dalam beberapa bahasa yang didukung. Simpan bahasa setiap bagian, teks asli, dan lokasi sumber bersama vektornya. Siapkan pertanyaan pencarian nyata dari audiens alih-alih menganggap satu pengujian berbahasa Inggris mewakili seluruh koleksi. Keluaran harus mengembalikan bagian teks sebenarnya beserta konteksnya agar pembaca dapat menilai isinya.

Untuk tugas pencocokan multibahasa, jaga tujuan perbandingan tetap jelas. Pasangan calon terjemahan dan kueri yang mencari bagian pendukung memerlukan persiapan berbeda. Panduan prefiks peran model menyediakan konvensi konkret untuk tugas-tugas tersebut; menghilangkan prefiks bukan padanan yang didokumentasikan karena mengubah pola masukan yang digunakan dalam pelatihan.

Pooling dan perbandingan vektor

Contoh pembuat merata-ratakan representasi token dengan masker atensi untuk mengecualikan padding, lalu menormalisasi vektor. Hasil kali titik yang dinormalisasi memberikan kemiripan kosinus. Larik 1024 dimensi mewakili satu teks yang telah disiapkan. Simpan model dan persiapan yang tepat bersama vektor tersimpan agar kueri berikutnya menggunakan representasi yang sesuai.

Vektor ini dapat memberikan peringkat kandidat atau fitur untuk tahap pengelompokan atau klasifikasi berikutnya. Vektor tidak menerjemahkan sumber atau menyusun jawaban. Kembalikan teks bagian sumber ketika hasil pencarian dimaksudkan untuk membantu pembaca atau tahap pembangkitan RAG berikutnya.

Pelatihan dan cakupan bahasa

Kartu model mendokumentasikan prapelatihan kontrastif dengan supervisi lemah, kemudian fine-tuning dengan supervisi. Persiapan multibahasa mencakup materi seperti pasangan judul–bagian teks, pasangan percakapan, dan pasangan terjemahan, sedangkan data pencarian serta pemahaman bahasa berlabel menyediakan tahap berikutnya. Ini menjelaskan tugas representasi teks yang dituju tanpa membuktikan kinerja yang sama dalam setiap bahasa.

Pembuat secara eksplisit mengidentifikasi penurunan kinerja bahasa dengan sumber daya terbatas sebagai keterbatasan. Periksa bahasa dan pilihan kata yang sebenarnya dalam koleksi, termasuk singkatan, nama, dan kosakata khusus. Label multibahasa merupakan deskripsi cakupan yang berguna; relevansi teks yang dikembalikan tetap perlu diperiksa untuk audiens dan tugasnya.

Panjang dan hasil yang berguna

Masukan panjang dipotong hingga paling banyak 512 token. Siapkan dokumen panjang sebagai bagian-bagian yang koheren dengan prefiks peran dan judul yang relevan disertakan. Pertahankan definisi serta kondisi dan batasan di samping pernyataan yang dipengaruhinya, dan simpan pengenal dokumen induk serta versi sumber di luar vektor.

Produsen menyarankan fokus pada urutan relatif skor kosinus alih-alih memperlakukan nilai absolut sebagai ukuran keyakinan universal. Hasil yang berguna adalah himpunan bagian kandidat, representasi teks yang dapat dibandingkan, atau fitur yang terhubung dengan rekaman aslinya. Model yang tepat ini tetap terpisah dari checkpoint E5 v2 berbahasa Inggris saja dan varian E5 yang dituning mengikuti instruksi, meskipun model lain juga mengembalikan 1024 nilai.

", "aboutText": "Multilingual-E5-Large adalah model embedding teks dense multibahasa intfloat, dengan dua puluh empat lapisan dan keluaran 1024 dimensi. Model diinisialisasi dari XLM-RoBERTa Large lalu dilatih lebih lanjut pada data multibahasa. Kartu model menjelaskan dukungan untuk cakupan seratus bahasa XLM-R sekaligus mencatat kinerja yang lebih lemah untuk bahasa dengan sumber daya terbatas. Vektornya merepresentasikan teks untuk pencarian kembali, perbandingan semantik, dan tugas fitur numerik.\n\n### Pertahankan peran masukan dalam setiap bahasa\n\nPrefiks yang digunakan dalam pelatihan adalah “query:” dan “passage:”, termasuk untuk teks non-Inggris. Kueri pencarian dan bagian teks dalam korpus menggunakan peran masing-masing. Prefiks tetap berupa string bahasa Inggris tersebut, sedangkan teks sumber tetap menggunakan bahasanya sendiri. Untuk kemiripan semantik simetris, pencarian parafrasa, penambangan pasangan teks dwibahasa, atau penggunaan sebagai fitur, pembuat menyarankan “query:”.\n\nKoleksi praktis dapat menyimpan dokumentasi dalam beberapa bahasa yang didukung. Simpan bahasa setiap bagian, teks asli, dan lokasi sumber bersama vektornya. Siapkan pertanyaan pencarian nyata dari audiens alih-alih menganggap satu pengujian berbahasa Inggris mewakili seluruh koleksi. Keluaran harus mengembalikan bagian teks sebenarnya beserta konteksnya agar pembaca dapat menilai isinya.\n\nUntuk tugas pencocokan multibahasa, jaga tujuan perbandingan tetap jelas. Pasangan calon terjemahan dan kueri yang mencari bagian pendukung memerlukan persiapan berbeda. Panduan prefiks peran model menyediakan konvensi konkret untuk tugas-tugas tersebut; menghilangkan prefiks bukan padanan yang didokumentasikan karena mengubah pola masukan yang digunakan dalam pelatihan.\n\n### Pooling dan perbandingan vektor\n\nContoh pembuat merata-ratakan representasi token dengan masker atensi untuk mengecualikan padding, lalu menormalisasi vektor. Hasil kali titik yang dinormalisasi memberikan kemiripan kosinus. Larik 1024 dimensi mewakili satu teks yang telah disiapkan. Simpan model dan persiapan yang tepat bersama vektor tersimpan agar kueri berikutnya menggunakan representasi yang sesuai.\n\nVektor ini dapat memberikan peringkat kandidat atau fitur untuk tahap pengelompokan atau klasifikasi berikutnya. Vektor tidak menerjemahkan sumber atau menyusun jawaban. Kembalikan teks bagian sumber ketika hasil pencarian dimaksudkan untuk membantu pembaca atau tahap pembangkitan RAG berikutnya.\n\n### Pelatihan dan cakupan bahasa\n\nKartu model mendokumentasikan prapelatihan kontrastif dengan supervisi lemah, kemudian fine-tuning dengan supervisi. Persiapan multibahasa mencakup materi seperti pasangan judul–bagian teks, pasangan percakapan, dan pasangan terjemahan, sedangkan data pencarian serta pemahaman bahasa berlabel menyediakan tahap berikutnya. Ini menjelaskan tugas representasi teks yang dituju tanpa membuktikan kinerja yang sama dalam setiap bahasa.\n\nPembuat secara eksplisit mengidentifikasi penurunan kinerja bahasa dengan sumber daya terbatas sebagai keterbatasan. Periksa bahasa dan pilihan kata yang sebenarnya dalam koleksi, termasuk singkatan, nama, dan kosakata khusus. Label multibahasa merupakan deskripsi cakupan yang berguna; relevansi teks yang dikembalikan tetap perlu diperiksa untuk audiens dan tugasnya.\n\n### Panjang dan hasil yang berguna\n\nMasukan panjang dipotong hingga paling banyak 512 token. Siapkan dokumen panjang sebagai bagian-bagian yang koheren dengan prefiks peran dan judul yang relevan disertakan. Pertahankan definisi serta kondisi dan batasan di samping pernyataan yang dipengaruhinya, dan simpan pengenal dokumen induk serta versi sumber di luar vektor.\n\nProdusen menyarankan fokus pada urutan relatif skor kosinus alih-alih memperlakukan nilai absolut sebagai ukuran keyakinan universal. Hasil yang berguna adalah himpunan bagian kandidat, representasi teks yang dapat dibandingkan, atau fitur yang terhubung dengan rekaman aslinya. Model yang tepat ini tetap terpisah dari checkpoint E5 v2 berbahasa Inggris saja dan varian E5 yang dituning mengikuti instruksi, meskipun model lain juga mengembalikan 1024 nilai.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "8d8766bc0c135b49a65972743f26ba629f8d51e5814b7275152f9d80006d663e", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "id", "methods": [ { "html": "
•

Intfloat: Multilingual-E5-Large

Intfloat /intfloat/multilingual-e5-large

Mulai

intfloat Multilingual-E5-Large mengodekan teks multibahasa menjadi vektor 1024 dimensi dengan model 24 lapisan. Model mendukung cakupan seratus bahasa XLM-R, menggunakan prefiks query/passage berbahasa Inggris untuk setiap bahasa, dan memotong masukan pada 512 token.

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.

Multilingual-E5-Large adalah model embedding teks dense multibahasa intfloat, dengan dua puluh empat lapisan dan keluaran 1024 dimensi. Model diinisialisasi dari XLM-RoBERTa Large lalu dilatih lebih lanjut pada data multibahasa. Kartu model menjelaskan dukungan untuk cakupan seratus bahasa XLM-R sekaligus mencatat kinerja yang lebih lemah untuk bahasa dengan sumber daya terbatas. Vektornya merepresentasikan teks untuk pencarian kembali, perbandingan semantik, dan tugas fitur numerik.

Pertahankan peran masukan dalam setiap bahasa

Prefiks yang digunakan dalam pelatihan adalah “query:” dan “passage:”, termasuk untuk teks non-Inggris. Kueri pencarian dan bagian teks dalam korpus menggunakan peran masing-masing. Prefiks tetap berupa string bahasa Inggris tersebut, sedangkan teks sumber tetap menggunakan bahasanya sendiri. Untuk kemiripan semantik simetris, pencarian parafrasa, penambangan pasangan teks dwibahasa, atau penggunaan sebagai fitur, pembuat menyarankan “query:”.

Koleksi praktis dapat menyimpan dokumentasi dalam beberapa bahasa yang didukung. Simpan bahasa setiap bagian, teks asli, dan lokasi sumber bersama vektornya. Siapkan pertanyaan pencarian nyata dari audiens alih-alih menganggap satu pengujian berbahasa Inggris mewakili seluruh koleksi. Keluaran harus mengembalikan bagian teks sebenarnya beserta konteksnya agar pembaca dapat menilai isinya.

Untuk tugas pencocokan multibahasa, jaga tujuan perbandingan tetap jelas. Pasangan calon terjemahan dan kueri yang mencari bagian pendukung memerlukan persiapan berbeda. Panduan prefiks peran model menyediakan konvensi konkret untuk tugas-tugas tersebut; menghilangkan prefiks bukan padanan yang didokumentasikan karena mengubah pola masukan yang digunakan dalam pelatihan.

Pooling dan perbandingan vektor

Contoh pembuat merata-ratakan representasi token dengan masker atensi untuk mengecualikan padding, lalu menormalisasi vektor. Hasil kali titik yang dinormalisasi memberikan kemiripan kosinus. Larik 1024 dimensi mewakili satu teks yang telah disiapkan. Simpan model dan persiapan yang tepat bersama vektor tersimpan agar kueri berikutnya menggunakan representasi yang sesuai.

Vektor ini dapat memberikan peringkat kandidat atau fitur untuk tahap pengelompokan atau klasifikasi berikutnya. Vektor tidak menerjemahkan sumber atau menyusun jawaban. Kembalikan teks bagian sumber ketika hasil pencarian dimaksudkan untuk membantu pembaca atau tahap pembangkitan RAG berikutnya.

Pelatihan dan cakupan bahasa

Kartu model mendokumentasikan prapelatihan kontrastif dengan supervisi lemah, kemudian fine-tuning dengan supervisi. Persiapan multibahasa mencakup materi seperti pasangan judul–bagian teks, pasangan percakapan, dan pasangan terjemahan, sedangkan data pencarian serta pemahaman bahasa berlabel menyediakan tahap berikutnya. Ini menjelaskan tugas representasi teks yang dituju tanpa membuktikan kinerja yang sama dalam setiap bahasa.

Pembuat secara eksplisit mengidentifikasi penurunan kinerja bahasa dengan sumber daya terbatas sebagai keterbatasan. Periksa bahasa dan pilihan kata yang sebenarnya dalam koleksi, termasuk singkatan, nama, dan kosakata khusus. Label multibahasa merupakan deskripsi cakupan yang berguna; relevansi teks yang dikembalikan tetap perlu diperiksa untuk audiens dan tugasnya.

Panjang dan hasil yang berguna

Masukan panjang dipotong hingga paling banyak 512 token. Siapkan dokumen panjang sebagai bagian-bagian yang koheren dengan prefiks peran dan judul yang relevan disertakan. Pertahankan definisi serta kondisi dan batasan di samping pernyataan yang dipengaruhinya, dan simpan pengenal dokumen induk serta versi sumber di luar vektor.

Produsen menyarankan fokus pada urutan relatif skor kosinus alih-alih memperlakukan nilai absolut sebagai ukuran keyakinan universal. Hasil yang berguna adalah himpunan bagian kandidat, representasi teks yang dapat dibandingkan, atau fitur yang terhubung dengan rekaman aslinya. Model yang tepat ini tetap terpisah dari checkpoint E5 v2 berbahasa Inggris saja dan varian E5 yang dituning mengikuti instruksi, meskipun model lain juga mengembalikan 1024 nilai.

Tersedia di Ailoot · masukan & metode

Ailoot Ultra · Embedding POST /v1/embeddings
Masukan
text, token_ids
Keluaran
embedding
Konteks
512 tokens
Format keluaran
json
KolomJenisPersyaratanNilai & batasanBawaan
KolommodelJenisstringPersyaratanWajibNilai & batasan
intfloat/multilingual-e5-large
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
Tarif standar Saat mode fast dipilih
Mode Flex
Tarif standar Saat mode flex dipilih
Upaya penalaran maksimum
Tarif standar Saat upaya penalaran maksimum menggunakan penyesuaian default

Tarif Ailoot

Harga menurut konfigurasi

KonfigurasiJadwal tarifBiaya
KonfigurasiTarif dasar tokenJadwal tarifTarif dasarBiaya
Masukan · Token masukan $0.00002 / 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": "intfloat/multilingual-e5-large", "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 intfloat/multilingual-e5-large

Alias jalur metode

Gunakan jalur metode yang ditampilkan di atas.

ID pemanggil terkait

intfloat/multilingual-e5-large

", "method_identity": { "effective_request_model_id": "intfloat/multilingual-e5-large", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "intfloat/multilingual-e5-large", "route_label": "Ultra" }, "method_key": "Ultra|embeddings|/v1/embeddings|intfloat%2Fmultilingual-e5-large", "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": [ "intfloat/multilingual-e5-large" ], "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": 512, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Tarif dasar token", "units": [ { "amount": "0.00002000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000002", "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\": \"intfloat/multilingual-e5-large\", \"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='intfloat/multilingual-e5-large',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": 1, "flex_multiplier": 1, "fmt": "embeddings", "hints": [ "Keep every vector index and dimension.", "Multimodal model name does not admit image objects on this exact path." ], "http": "POST", "in": 0.02, "input": [ "text", "token_ids" ], "label": "Эмбеддинги", "max_out": null, "max_reasoning_effort_multiplier": 1, "method_aliases": [], "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "price_conditions": [ { "label": "Mode Fast", "value": "Tarif standar", "when": "Saat mode fast dipilih" }, { "label": "Mode Flex", "value": "Tarif standar", "when": "Saat mode flex dipilih" }, { "label": "Upaya penalaran maksimum", "value": "Tarif standar", "when": "Saat upaya penalaran maksimum menggunakan penyesuaian default" } ], "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": "0.00002000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000002", "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": "intfloat/multilingual-e5-large", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00002000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000002", "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": "intfloat/multilingual-e5-large", "nativeProvenance": { "input_facts_canonical_sha256": "b35603f3e807a89e72acef82b0d2059b86aef17297b0f73f22bee10725d61ec3", "input_html_sha256": "927b83712d51640a2fdb2b28254baf87d5f0662ab282b18818ca5d64bb9a5c2f", "private_audit_sha256": "9ddda92eb6eb398186d082ceba612f7ffa5597180be07e3858d677ca4ead5195", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/id/intfloat-multilingual-e5-large/", "description": "intfloat Multilingual-E5-Large mengodekan teks multibahasa menjadi vektor 1024 dimensi dengan model 24 lapisan. Model mendukung cakupan seratus bahasa XLM-R, menggunakan prefiks query/passage berbahasa Inggris untuk setiap bahasa, dan memotong masukan pada 512 token.", "locale": "id", "md_url": "https://ailoot.ai/models/id/intfloat-multilingual-e5-large/index.md", "title": "Intfloat: Multilingual-E5-Large — Ailoot", "url": "https://ailoot.ai/models/id/intfloat-multilingual-e5-large/" }, "rawModel": { "about": "Multilingual-E5-Large adalah model embedding teks dense multibahasa intfloat, dengan dua puluh empat lapisan dan keluaran 1024 dimensi. Model diinisialisasi dari XLM-RoBERTa Large lalu dilatih lebih lanjut pada data multibahasa. Kartu model menjelaskan dukungan untuk cakupan seratus bahasa XLM-R sekaligus mencatat kinerja yang lebih lemah untuk bahasa dengan sumber daya terbatas. Vektornya merepresentasikan teks untuk pencarian kembali, perbandingan semantik, dan tugas fitur numerik.\n\n### Pertahankan peran masukan dalam setiap bahasa\n\nPrefiks yang digunakan dalam pelatihan adalah “query:” dan “passage:”, termasuk untuk teks non-Inggris. Kueri pencarian dan bagian teks dalam korpus menggunakan peran masing-masing. Prefiks tetap berupa string bahasa Inggris tersebut, sedangkan teks sumber tetap menggunakan bahasanya sendiri. Untuk kemiripan semantik simetris, pencarian parafrasa, penambangan pasangan teks dwibahasa, atau penggunaan sebagai fitur, pembuat menyarankan “query:”.\n\nKoleksi praktis dapat menyimpan dokumentasi dalam beberapa bahasa yang didukung. Simpan bahasa setiap bagian, teks asli, dan lokasi sumber bersama vektornya. Siapkan pertanyaan pencarian nyata dari audiens alih-alih menganggap satu pengujian berbahasa Inggris mewakili seluruh koleksi. Keluaran harus mengembalikan bagian teks sebenarnya beserta konteksnya agar pembaca dapat menilai isinya.\n\nUntuk tugas pencocokan multibahasa, jaga tujuan perbandingan tetap jelas. Pasangan calon terjemahan dan kueri yang mencari bagian pendukung memerlukan persiapan berbeda. Panduan prefiks peran model menyediakan konvensi konkret untuk tugas-tugas tersebut; menghilangkan prefiks bukan padanan yang didokumentasikan karena mengubah pola masukan yang digunakan dalam pelatihan.\n\n### Pooling dan perbandingan vektor\n\nContoh pembuat merata-ratakan representasi token dengan masker atensi untuk mengecualikan padding, lalu menormalisasi vektor. Hasil kali titik yang dinormalisasi memberikan kemiripan kosinus. Larik 1024 dimensi mewakili satu teks yang telah disiapkan. Simpan model dan persiapan yang tepat bersama vektor tersimpan agar kueri berikutnya menggunakan representasi yang sesuai.\n\nVektor ini dapat memberikan peringkat kandidat atau fitur untuk tahap pengelompokan atau klasifikasi berikutnya. Vektor tidak menerjemahkan sumber atau menyusun jawaban. Kembalikan teks bagian sumber ketika hasil pencarian dimaksudkan untuk membantu pembaca atau tahap pembangkitan RAG berikutnya.\n\n### Pelatihan dan cakupan bahasa\n\nKartu model mendokumentasikan prapelatihan kontrastif dengan supervisi lemah, kemudian fine-tuning dengan supervisi. Persiapan multibahasa mencakup materi seperti pasangan judul–bagian teks, pasangan percakapan, dan pasangan terjemahan, sedangkan data pencarian serta pemahaman bahasa berlabel menyediakan tahap berikutnya. Ini menjelaskan tugas representasi teks yang dituju tanpa membuktikan kinerja yang sama dalam setiap bahasa.\n\nPembuat secara eksplisit mengidentifikasi penurunan kinerja bahasa dengan sumber daya terbatas sebagai keterbatasan. Periksa bahasa dan pilihan kata yang sebenarnya dalam koleksi, termasuk singkatan, nama, dan kosakata khusus. Label multibahasa merupakan deskripsi cakupan yang berguna; relevansi teks yang dikembalikan tetap perlu diperiksa untuk audiens dan tugasnya.\n\n### Panjang dan hasil yang berguna\n\nMasukan panjang dipotong hingga paling banyak 512 token. Siapkan dokumen panjang sebagai bagian-bagian yang koheren dengan prefiks peran dan judul yang relevan disertakan. Pertahankan definisi serta kondisi dan batasan di samping pernyataan yang dipengaruhinya, dan simpan pengenal dokumen induk serta versi sumber di luar vektor.\n\nProdusen menyarankan fokus pada urutan relatif skor kosinus alih-alih memperlakukan nilai absolut sebagai ukuran keyakinan universal. Hasil yang berguna adalah himpunan bagian kandidat, representasi teks yang dapat dibandingkan, atau fitur yang terhubung dengan rekaman aslinya. Model yang tepat ini tetap terpisah dari checkpoint E5 v2 berbahasa Inggris saja dan varian E5 yang dituning mengikuti instruksi, meskipun model lain juga mengembalikan 1024 nilai.", "alias_of": null, "aliases": [], "author": "Intfloat", "available": null, "canonical_model": "intfloat/multilingual-e5-large", "capabilities": { "context_length": 512, "manufacturer_input": [ "text" ], "manufacturer_output": [ "embeddings" ] }, "card_routes": [ { "label": "Ultra", "rates": [ { "amount": "0.00002000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000002", "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": 512, "entity_type": "model", "formats": [ "embeddings" ], "id": "intfloat/multilingual-e5-large", "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": [ "intfloat/multilingual-e5-large" ], "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": 512, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Tarif dasar token", "units": [ { "amount": "0.00002000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000002", "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\": \"intfloat/multilingual-e5-large\", \"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='intfloat/multilingual-e5-large',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": 1, "flex_multiplier": 1, "fmt": "embeddings", "hints": [ "Keep every vector index and dimension.", "Multimodal model name does not admit image objects on this exact path." ], "http": "POST", "in": 0.02, "input": [ "text", "token_ids" ], "label": "Эмбеддинги", "max_out": null, "max_reasoning_effort_multiplier": 1, "method_aliases": [], "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "price_conditions": [ { "label": "Mode Fast", "value": "Tarif standar", "when": "Saat mode fast dipilih" }, { "label": "Mode Flex", "value": "Tarif standar", "when": "Saat mode flex dipilih" }, { "label": "Upaya penalaran maksimum", "value": "Tarif standar", "when": "Saat upaya penalaran maksimum menggunakan penyesuaian default" } ], "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": "0.00002000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000002", "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": "intfloat/multilingual-e5-large", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00002000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000002", "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": "intfloat/multilingual-e5-large", "request_model_id": "intfloat/multilingual-e5-large", "route_label": "Ultra" } ], "name": "Intfloat: Multilingual-E5-Large", "price": { "in": 0.02, "in_label": null, "out": 0, "out_label": null, "scope_label": "Token rates", "sort_in": 0.02, "sort_out": 0, "varies": false }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Эмбеддинги · Base token rates", "units": [ { "amount": "0.00002000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000002", "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" } ] } ], "public_id": "intfloat/multilingual-e5-large", "short": "intfloat Multilingual-E5-Large mengodekan teks multibahasa menjadi vektor 1024 dimensi dengan model 24 lapisan. Model mendukung cakupan seratus bahasa XLM-R, menggunakan prefiks query/passage berbahasa Inggris untuk setiap bahasa, dan memotong masukan pada 512 token." }, "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": "intfloat Multilingual-E5-Large mengodekan teks multibahasa menjadi vektor 1024 dimensi dengan model 24 lapisan. Model mendukung cakupan seratus bahasa XLM-R, menggunakan prefiks query/passage berbahasa Inggris untuk setiap bahasa, dan memotong masukan pada 512 token.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "9ffbe57e87bd61c00f5d4bd027bf2c352de944d1148b036533a9af990925297b", "renderer_sha256": "2a0471475a29000c23db326ca1e315df73dee7524f6bc2907818ee3458813f2d" }, "sourceRevision": "750cb685a08f333e631d721c02542e0650f34bb3542f6d65d6266a395635d346" }