{ "aboutHtml": "

LFM2.5-Embedding-350M adalah bi-encoder dense LiquidAI untuk temu kembali multibahasa dan lintas bahasa. Model menghasilkan satu vektor 1024 dimensi untuk setiap teks dan menyasar pencarian berkonteks pendek dalam sebelas bahasa. Keluarga model bernama 350M menggunakan adaptasi dua arah LFM2.5-350M-Base; tabel model terperinci memberikan sekitar 354 juta parameter untuk edisi embedding ini.

Representasi temu kembali dua arah

Produsen mengadaptasi backbone agar atensi dan konvolusi lokal dapat menggunakan konteks pada kedua sisi token. Pooling bergaya CLS mengubah teks yang diproses menjadi satu vektor dense. Tabel model menjelaskan tujuh belas lapisan: sepuluh blok konvolusi, enam blok atensi, dan satu tahap pooling. Ini adalah encoder temu kembali dengan persiapan serta keluarannya sendiri, bukan tugas pembangkitan teks model dasar.

LFM2.5-ColBERT-350M yang dinamai terpisah mempertahankan vektor per token untuk interaksi akhir. Representasi tersebut membutuhkan indeks dan metode perbandingan berbeda. Model Embedding di sini memberikan satu vektor per dokumen atau kueri, dengan kemiripan kosinus sebagai perbandingan yang didokumentasikan.

Gunakan prompt asimetris yang tepat

Siapkan kueri pencarian dengan “query:” dan bagian sumber dengan “document:”. Produsen menyimpan prompt tersebut dalam konfigurasinya, dan alur rujukannya menerapkan nama prompt yang sesuai. Produsen secara khusus menyarankan peran yang sesuai pada setiap sisi karena model dilatih dengan prefiks tersebut. Prefiks dokumen ini berbeda dari konvensi “passage:” model E5.

Koleksi pencarian produk praktis dapat menyimpan deskripsi dalam bahasa yang didukung. Siapkan pilihan kata pencarian pengguna sebagai kueri dan setiap deskripsi produk sebagai dokumen. Simpan teks asli, pengenal produk, dan bahasa bersama vektor agar hasil pencarian dapat mengembalikan rekaman terkait. Untuk koleksi dukungan, pertahankan kebijakan atau instruksi yang relevan dengan pertanyaan alih-alih menggantinya dengan label pendek yang tidak terkait.

Bahasa dan ukuran bagian teks

Himpunan bahasa yang didokumentasikan adalah Inggris, Spanyol, Jerman, Prancis, Italia, Portugis, Arab, Swedia, Norwegia, Jepang, dan Korea. Produsen secara eksplisit menyasar temu kembali dalam satu bahasa maupun lintas batas bahasa. Siapkan pertanyaan nyata dari audiens tujuan dan periksa teks dokumen hasil dalam bahasa-bahasa tersebut.

Spesifikasi panjang dokumen adalah 512 token. Bagi sumber panjang menjadi bagian koheren yang mempertahankan judul, definisi, dan kondisi yang diperlukan hasil temu kembali. Prefiks peran dan konteks tambahan termasuk dalam masukan yang disiapkan. Jawaban FAQ, penjelasan produk, atau bagian terfokus dokumen teknis merupakan unit yang lebih sesuai daripada seluruh manual terlalu besar.

Pelatihan dan pencocokan

Pembuat menjelaskan tiga tahap pelatihan: prapelatihan kontrastif bahasa Inggris, distilasi multibahasa dan lintas bahasa, lalu fine-tuning dengan contoh negatif sulit hasil penambangan. Model hasilnya ditujukan untuk katalog produk, koleksi FAQ dan dukungan, pencarian berkas atau catatan, serta temu kembali pengetahuan perusahaan. Itu adalah tugas representasi teks, bukan klaim penerapan aplikasi tertentu.

Contoh produsen menormalisasi vektor kueri dan dokumen lalu memeringkatnya dengan hasil kali titik, setara kemiripan kosinus. Hitung representasi korpus terlebih dahulu ketika materi sumber disiapkan, lalu buat embedding kueri pencarian dan kembalikan dokumen kandidat bersama teks serta pengenalnya. Simpan model yang dipilih dan konvensi peran bersama indeks agar perbandingan numerik menggunakan representasi kompatibel.

Hasil yang berguna adalah indeks pencarian dense ringkas atau vektor kueri yang menemukan materi sumber dalam himpunan bahasa yang didokumentasikan. Edisi LFM2.5 Embedding yang tepat ini tetap terpisah dari model ColBERT pendamping, retriever LFM2 sebelumnya, dan implementasi terkuantisasi eksternal. Teks bagian terpilih adalah bukti yang digunakan pembaca atau tahap jawaban RAG berikutnya.

", "aboutText": "LFM2.5-Embedding-350M adalah bi-encoder dense LiquidAI untuk temu kembali multibahasa dan lintas bahasa. Model menghasilkan satu vektor 1024 dimensi untuk setiap teks dan menyasar pencarian berkonteks pendek dalam sebelas bahasa. Keluarga model bernama 350M menggunakan adaptasi dua arah LFM2.5-350M-Base; tabel model terperinci memberikan sekitar 354 juta parameter untuk edisi embedding ini.\n\n### Representasi temu kembali dua arah\n\nProdusen mengadaptasi backbone agar atensi dan konvolusi lokal dapat menggunakan konteks pada kedua sisi token. Pooling bergaya CLS mengubah teks yang diproses menjadi satu vektor dense. Tabel model menjelaskan tujuh belas lapisan: sepuluh blok konvolusi, enam blok atensi, dan satu tahap pooling. Ini adalah encoder temu kembali dengan persiapan serta keluarannya sendiri, bukan tugas pembangkitan teks model dasar.\n\nLFM2.5-ColBERT-350M yang dinamai terpisah mempertahankan vektor per token untuk interaksi akhir. Representasi tersebut membutuhkan indeks dan metode perbandingan berbeda. Model Embedding di sini memberikan satu vektor per dokumen atau kueri, dengan kemiripan kosinus sebagai perbandingan yang didokumentasikan.\n\n### Gunakan prompt asimetris yang tepat\n\nSiapkan kueri pencarian dengan “query:” dan bagian sumber dengan “document:”. Produsen menyimpan prompt tersebut dalam konfigurasinya, dan alur rujukannya menerapkan nama prompt yang sesuai. Produsen secara khusus menyarankan peran yang sesuai pada setiap sisi karena model dilatih dengan prefiks tersebut. Prefiks dokumen ini berbeda dari konvensi “passage:” model E5.\n\nKoleksi pencarian produk praktis dapat menyimpan deskripsi dalam bahasa yang didukung. Siapkan pilihan kata pencarian pengguna sebagai kueri dan setiap deskripsi produk sebagai dokumen. Simpan teks asli, pengenal produk, dan bahasa bersama vektor agar hasil pencarian dapat mengembalikan rekaman terkait. Untuk koleksi dukungan, pertahankan kebijakan atau instruksi yang relevan dengan pertanyaan alih-alih menggantinya dengan label pendek yang tidak terkait.\n\n### Bahasa dan ukuran bagian teks\n\nHimpunan bahasa yang didokumentasikan adalah Inggris, Spanyol, Jerman, Prancis, Italia, Portugis, Arab, Swedia, Norwegia, Jepang, dan Korea. Produsen secara eksplisit menyasar temu kembali dalam satu bahasa maupun lintas batas bahasa. Siapkan pertanyaan nyata dari audiens tujuan dan periksa teks dokumen hasil dalam bahasa-bahasa tersebut.\n\nSpesifikasi panjang dokumen adalah 512 token. Bagi sumber panjang menjadi bagian koheren yang mempertahankan judul, definisi, dan kondisi yang diperlukan hasil temu kembali. Prefiks peran dan konteks tambahan termasuk dalam masukan yang disiapkan. Jawaban FAQ, penjelasan produk, atau bagian terfokus dokumen teknis merupakan unit yang lebih sesuai daripada seluruh manual terlalu besar.\n\n### Pelatihan dan pencocokan\n\nPembuat menjelaskan tiga tahap pelatihan: prapelatihan kontrastif bahasa Inggris, distilasi multibahasa dan lintas bahasa, lalu fine-tuning dengan contoh negatif sulit hasil penambangan. Model hasilnya ditujukan untuk katalog produk, koleksi FAQ dan dukungan, pencarian berkas atau catatan, serta temu kembali pengetahuan perusahaan. Itu adalah tugas representasi teks, bukan klaim penerapan aplikasi tertentu.\n\nContoh produsen menormalisasi vektor kueri dan dokumen lalu memeringkatnya dengan hasil kali titik, setara kemiripan kosinus. Hitung representasi korpus terlebih dahulu ketika materi sumber disiapkan, lalu buat embedding kueri pencarian dan kembalikan dokumen kandidat bersama teks serta pengenalnya. Simpan model yang dipilih dan konvensi peran bersama indeks agar perbandingan numerik menggunakan representasi kompatibel.\n\nHasil yang berguna adalah indeks pencarian dense ringkas atau vektor kueri yang menemukan materi sumber dalam himpunan bahasa yang didokumentasikan. Edisi LFM2.5 Embedding yang tepat ini tetap terpisah dari model ColBERT pendamping, retriever LFM2 sebelumnya, dan implementasi terkuantisasi eksternal. Teks bagian terpilih adalah bukti yang digunakan pembaca atau tahap jawaban RAG berikutnya.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "fbefd5607fae425f52dda51200aff7dad32ed86b29bd8ec8360a81d23b09034d", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "id", "methods": [ { "html": "
•

LiquidAI: LFM2.5-Embedding-350M (free)

LiquidAI /liquid/lfm-2.5-embedding-350m:free

Mulai

LiquidAI LFM2.5-Embedding-350M menghasilkan satu vektor berdimensi 1024 per teks untuk pencarian multibahasa dan lintas bahasa. Model ini menargetkan 11 bahasa dan masukan singkat 512 token, dengan prefiks kueri/dokumen yang berbeda.

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.

LFM2.5-Embedding-350M adalah bi-encoder dense LiquidAI untuk temu kembali multibahasa dan lintas bahasa. Model menghasilkan satu vektor 1024 dimensi untuk setiap teks dan menyasar pencarian berkonteks pendek dalam sebelas bahasa. Keluarga model bernama 350M menggunakan adaptasi dua arah LFM2.5-350M-Base; tabel model terperinci memberikan sekitar 354 juta parameter untuk edisi embedding ini.

Representasi temu kembali dua arah

Produsen mengadaptasi backbone agar atensi dan konvolusi lokal dapat menggunakan konteks pada kedua sisi token. Pooling bergaya CLS mengubah teks yang diproses menjadi satu vektor dense. Tabel model menjelaskan tujuh belas lapisan: sepuluh blok konvolusi, enam blok atensi, dan satu tahap pooling. Ini adalah encoder temu kembali dengan persiapan serta keluarannya sendiri, bukan tugas pembangkitan teks model dasar.

LFM2.5-ColBERT-350M yang dinamai terpisah mempertahankan vektor per token untuk interaksi akhir. Representasi tersebut membutuhkan indeks dan metode perbandingan berbeda. Model Embedding di sini memberikan satu vektor per dokumen atau kueri, dengan kemiripan kosinus sebagai perbandingan yang didokumentasikan.

Gunakan prompt asimetris yang tepat

Siapkan kueri pencarian dengan “query:” dan bagian sumber dengan “document:”. Produsen menyimpan prompt tersebut dalam konfigurasinya, dan alur rujukannya menerapkan nama prompt yang sesuai. Produsen secara khusus menyarankan peran yang sesuai pada setiap sisi karena model dilatih dengan prefiks tersebut. Prefiks dokumen ini berbeda dari konvensi “passage:” model E5.

Koleksi pencarian produk praktis dapat menyimpan deskripsi dalam bahasa yang didukung. Siapkan pilihan kata pencarian pengguna sebagai kueri dan setiap deskripsi produk sebagai dokumen. Simpan teks asli, pengenal produk, dan bahasa bersama vektor agar hasil pencarian dapat mengembalikan rekaman terkait. Untuk koleksi dukungan, pertahankan kebijakan atau instruksi yang relevan dengan pertanyaan alih-alih menggantinya dengan label pendek yang tidak terkait.

Bahasa dan ukuran bagian teks

Himpunan bahasa yang didokumentasikan adalah Inggris, Spanyol, Jerman, Prancis, Italia, Portugis, Arab, Swedia, Norwegia, Jepang, dan Korea. Produsen secara eksplisit menyasar temu kembali dalam satu bahasa maupun lintas batas bahasa. Siapkan pertanyaan nyata dari audiens tujuan dan periksa teks dokumen hasil dalam bahasa-bahasa tersebut.

Spesifikasi panjang dokumen adalah 512 token. Bagi sumber panjang menjadi bagian koheren yang mempertahankan judul, definisi, dan kondisi yang diperlukan hasil temu kembali. Prefiks peran dan konteks tambahan termasuk dalam masukan yang disiapkan. Jawaban FAQ, penjelasan produk, atau bagian terfokus dokumen teknis merupakan unit yang lebih sesuai daripada seluruh manual terlalu besar.

Pelatihan dan pencocokan

Pembuat menjelaskan tiga tahap pelatihan: prapelatihan kontrastif bahasa Inggris, distilasi multibahasa dan lintas bahasa, lalu fine-tuning dengan contoh negatif sulit hasil penambangan. Model hasilnya ditujukan untuk katalog produk, koleksi FAQ dan dukungan, pencarian berkas atau catatan, serta temu kembali pengetahuan perusahaan. Itu adalah tugas representasi teks, bukan klaim penerapan aplikasi tertentu.

Contoh produsen menormalisasi vektor kueri dan dokumen lalu memeringkatnya dengan hasil kali titik, setara kemiripan kosinus. Hitung representasi korpus terlebih dahulu ketika materi sumber disiapkan, lalu buat embedding kueri pencarian dan kembalikan dokumen kandidat bersama teks serta pengenalnya. Simpan model yang dipilih dan konvensi peran bersama indeks agar perbandingan numerik menggunakan representasi kompatibel.

Hasil yang berguna adalah indeks pencarian dense ringkas atau vektor kueri yang menemukan materi sumber dalam himpunan bahasa yang didokumentasikan. Edisi LFM2.5 Embedding yang tepat ini tetap terpisah dari model ColBERT pendamping, retriever LFM2 sebelumnya, dan implementasi terkuantisasi eksternal. Teks bagian terpilih adalah bukti yang digunakan pembaca atau tahap jawaban RAG berikutnya.

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
liquid/lfm-2.5-embedding-350m:free
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 / 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": "liquid/lfm-2.5-embedding-350m:free", "input": ["First document", "Second document"]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n  --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\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 liquid/lfm-2.5-embedding-350m:free

Alias jalur metode

Gunakan jalur metode yang ditampilkan di atas.

ID pemanggil terkait

liquid/lfm-2.5-embedding-350m:free

", "method_identity": { "effective_request_model_id": "liquid/lfm-2.5-embedding-350m:free", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "liquid/lfm-2.5-embedding-350m:free", "route_label": "Ultra" }, "method_key": "Ultra|embeddings|/v1/embeddings|liquid%2Flfm-2.5-embedding-350m%3Afree", "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": 1024, "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": [ "liquid/lfm-2.5-embedding-350m:free" ], "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": 1024, "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", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0", "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\": \"liquid/lfm-2.5-embedding-350m:free\", \"input\": [\"First document\", \"Second document\"]}')\n\nPath(\"request.json\").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path(\"result.json\").read_text())\nfor x in r.get(\"data\",[]): print(json.dumps({\"index\":x.get(\"index\"),\"embedding\":x.get(\"embedding\")}))\nPY_RESULT\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='liquid/lfm-2.5-embedding-350m:free',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, "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", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0", "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": "liquid/lfm-2.5-embedding-350m:free", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0", "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": "liquid/lfm-2.5-embedding-350m:free", "nativeProvenance": { "input_facts_canonical_sha256": "33d440d75eaaeb620b39c4c8697e8b585cb30b1d007b89b09739694cb552dad9", "input_html_sha256": "c2be587242f613fb0badc9b517964cfeafbc80048df0220b6269cdf442b4c0cd", "private_audit_sha256": "3ecddf26a498998336c05ae93c65753870d5cf6d005499f99982658d3c2eeddd", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/id/liquid-lfm-2-5-embedding-350m-u003a-free/", "description": "LiquidAI LFM2.5-Embedding-350M menghasilkan satu vektor berdimensi 1024 per teks untuk pencarian multibahasa dan lintas bahasa. Model ini menargetkan 11 bahasa dan masukan singkat 512 token, dengan prefiks kueri/dokumen yang berbeda.", "locale": "id", "md_url": "https://ailoot.ai/models/id/liquid-lfm-2-5-embedding-350m-u003a-free/index.md", "title": "LiquidAI: LFM2.5-Embedding-350M (free) — Ailoot", "url": "https://ailoot.ai/models/id/liquid-lfm-2-5-embedding-350m-u003a-free/" }, "rawModel": { "about": "LFM2.5-Embedding-350M adalah bi-encoder dense LiquidAI untuk temu kembali multibahasa dan lintas bahasa. Model menghasilkan satu vektor 1024 dimensi untuk setiap teks dan menyasar pencarian berkonteks pendek dalam sebelas bahasa. Keluarga model bernama 350M menggunakan adaptasi dua arah LFM2.5-350M-Base; tabel model terperinci memberikan sekitar 354 juta parameter untuk edisi embedding ini.\n\n### Representasi temu kembali dua arah\n\nProdusen mengadaptasi backbone agar atensi dan konvolusi lokal dapat menggunakan konteks pada kedua sisi token. Pooling bergaya CLS mengubah teks yang diproses menjadi satu vektor dense. Tabel model menjelaskan tujuh belas lapisan: sepuluh blok konvolusi, enam blok atensi, dan satu tahap pooling. Ini adalah encoder temu kembali dengan persiapan serta keluarannya sendiri, bukan tugas pembangkitan teks model dasar.\n\nLFM2.5-ColBERT-350M yang dinamai terpisah mempertahankan vektor per token untuk interaksi akhir. Representasi tersebut membutuhkan indeks dan metode perbandingan berbeda. Model Embedding di sini memberikan satu vektor per dokumen atau kueri, dengan kemiripan kosinus sebagai perbandingan yang didokumentasikan.\n\n### Gunakan prompt asimetris yang tepat\n\nSiapkan kueri pencarian dengan “query:” dan bagian sumber dengan “document:”. Produsen menyimpan prompt tersebut dalam konfigurasinya, dan alur rujukannya menerapkan nama prompt yang sesuai. Produsen secara khusus menyarankan peran yang sesuai pada setiap sisi karena model dilatih dengan prefiks tersebut. Prefiks dokumen ini berbeda dari konvensi “passage:” model E5.\n\nKoleksi pencarian produk praktis dapat menyimpan deskripsi dalam bahasa yang didukung. Siapkan pilihan kata pencarian pengguna sebagai kueri dan setiap deskripsi produk sebagai dokumen. Simpan teks asli, pengenal produk, dan bahasa bersama vektor agar hasil pencarian dapat mengembalikan rekaman terkait. Untuk koleksi dukungan, pertahankan kebijakan atau instruksi yang relevan dengan pertanyaan alih-alih menggantinya dengan label pendek yang tidak terkait.\n\n### Bahasa dan ukuran bagian teks\n\nHimpunan bahasa yang didokumentasikan adalah Inggris, Spanyol, Jerman, Prancis, Italia, Portugis, Arab, Swedia, Norwegia, Jepang, dan Korea. Produsen secara eksplisit menyasar temu kembali dalam satu bahasa maupun lintas batas bahasa. Siapkan pertanyaan nyata dari audiens tujuan dan periksa teks dokumen hasil dalam bahasa-bahasa tersebut.\n\nSpesifikasi panjang dokumen adalah 512 token. Bagi sumber panjang menjadi bagian koheren yang mempertahankan judul, definisi, dan kondisi yang diperlukan hasil temu kembali. Prefiks peran dan konteks tambahan termasuk dalam masukan yang disiapkan. Jawaban FAQ, penjelasan produk, atau bagian terfokus dokumen teknis merupakan unit yang lebih sesuai daripada seluruh manual terlalu besar.\n\n### Pelatihan dan pencocokan\n\nPembuat menjelaskan tiga tahap pelatihan: prapelatihan kontrastif bahasa Inggris, distilasi multibahasa dan lintas bahasa, lalu fine-tuning dengan contoh negatif sulit hasil penambangan. Model hasilnya ditujukan untuk katalog produk, koleksi FAQ dan dukungan, pencarian berkas atau catatan, serta temu kembali pengetahuan perusahaan. Itu adalah tugas representasi teks, bukan klaim penerapan aplikasi tertentu.\n\nContoh produsen menormalisasi vektor kueri dan dokumen lalu memeringkatnya dengan hasil kali titik, setara kemiripan kosinus. Hitung representasi korpus terlebih dahulu ketika materi sumber disiapkan, lalu buat embedding kueri pencarian dan kembalikan dokumen kandidat bersama teks serta pengenalnya. Simpan model yang dipilih dan konvensi peran bersama indeks agar perbandingan numerik menggunakan representasi kompatibel.\n\nHasil yang berguna adalah indeks pencarian dense ringkas atau vektor kueri yang menemukan materi sumber dalam himpunan bahasa yang didokumentasikan. Edisi LFM2.5 Embedding yang tepat ini tetap terpisah dari model ColBERT pendamping, retriever LFM2 sebelumnya, dan implementasi terkuantisasi eksternal. Teks bagian terpilih adalah bukti yang digunakan pembaca atau tahap jawaban RAG berikutnya.", "alias_of": null, "aliases": [], "author": "LiquidAI", "available": null, "canonical_model": "liquid/lfm-2.5-embedding-350m:free", "capabilities": { "context_length": 512, "manufacturer_input": [ "text" ], "manufacturer_output": [ "embeddings" ] }, "card_routes": [ { "label": "Ultra", "rates": [ { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0", "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": "liquid/lfm-2.5-embedding-350m:free", "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": 1024, "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": [ "liquid/lfm-2.5-embedding-350m:free" ], "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": 1024, "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", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0", "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\": \"liquid/lfm-2.5-embedding-350m:free\", \"input\": [\"First document\", \"Second document\"]}')\n\nPath(\"request.json\").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path(\"result.json\").read_text())\nfor x in r.get(\"data\",[]): print(json.dumps({\"index\":x.get(\"index\"),\"embedding\":x.get(\"embedding\")}))\nPY_RESULT\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='liquid/lfm-2.5-embedding-350m:free',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, "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", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0", "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": "liquid/lfm-2.5-embedding-350m:free", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0", "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": "liquid/lfm-2.5-embedding-350m:free", "request_model_id": "liquid/lfm-2.5-embedding-350m:free", "route_label": "Ultra" } ], "name": "LiquidAI: LFM2.5-Embedding-350M (free)", "price": { "in": 0, "in_label": null, "out": 0, "out_label": null, "scope_label": "Token rates", "sort_in": 0, "sort_out": 0, "varies": false }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Эмбеддинги · Base token rates", "units": [ { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0", "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": "liquid/lfm-2.5-embedding-350m:free", "short": "LiquidAI LFM2.5-Embedding-350M menghasilkan satu vektor berdimensi 1024 per teks untuk pencarian multibahasa dan lintas bahasa. Model ini menargetkan 11 bahasa dan masukan singkat 512 token, dengan prefiks kueri/dokumen yang berbeda." }, "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": "LiquidAI LFM2.5-Embedding-350M menghasilkan satu vektor berdimensi 1024 per teks untuk pencarian multibahasa dan lintas bahasa. Model ini menargetkan 11 bahasa dan masukan singkat 512 token, dengan prefiks kueri/dokumen yang berbeda.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "9753f34edcc0b59b0920cd9c7b4fff1b9fdfb7c4484d60a4bf8f0fc7001bd741", "renderer_sha256": "2a0471475a29000c23db326ca1e315df73dee7524f6bc2907818ee3458813f2d" }, "sourceRevision": "e5e091aff2a1e74db74ab78c215d2168a2df1e26a6ec4d1067e63b70a21eafec" }