{ "aboutHtml": "

GTE-base adalah model General Text Embeddings berukuran base yang dilatih Alibaba DAMO Academy. Encoder teks bahasa Inggris ini terutama berbasis kerangka BERT dan menghasilkan vektor dense 768 dimensi. Pelatihannya menggunakan korpus besar pasangan berbasis relevansi lintas domain, dengan temu kembali informasi, kemiripan teks semantik, dan pemeringkatan ulang teks berbasis embedding di antara aplikasi yang dinyatakan.

Siapkan kueri dan bagian teks bahasa Inggris

Gunakan teks bahasa Inggris yang dapat dibaca untuk kebutuhan informasi maupun materi yang akan dicari. Misalnya, kueri tentang penggantian komponen aus dapat dibandingkan dengan bagian pemeliharaan singkat yang menjelaskan kriteria penggantian, tahap inspeksi, dan instruksi pemesanan. Pertahankan nama komponen serta kondisi yang membedakan bagian-bagian tersebut.

Contoh yang diterbitkan mengodekan pertanyaan dan teks kandidat langsung, tanpa instruksi tugas tambahan. Jaga persiapan tersebut tetap konsisten pada koleksi dan kueri berikutnya. Simpan bagian asli dan pengenalnya di samping vektor agar hasil berperingkat dapat menunjukkan informasi yang direpresentasikan.

Average pooling dan perbandingan

Resep rujukan merata-ratakan representasi token model menggunakan masker atensi, sehingga posisi padding tidak berkontribusi pada hasil. Kemudian resep menunjukkan normalisasi L2 opsional dan membandingkan vektor ternormalisasi melalui hasil kali titik. Contoh terpisah menggunakan kemiripan kosinus.

Pilih dan pertahankan pengaturan normalisasi serta perbandingan yang konsisten untuk pengindeksan dan temu kembali. Keluaran memuat 768 komponen numerik; bukan jawaban yang dihasilkan. Untuk tahap pemeringkatan ulang kandidat, kodekan bagian kandidat dengan model yang sama dan urutkan berdasarkan kemiripannya dengan kueri. Ini tetap perbandingan berbasis embedding, bukan klaim bahwa model membaca setiap pasangan kueri–bagian secara bersama sebagai cross-encoder.

Cakupan bahasa Inggris dan masukan 512 token

Kartu yang tepat membatasi model ini pada teks bahasa Inggris dan menyatakan bahwa masukan panjang dipotong hingga maksimum 512 token. Karena itu, manual panjang harus dibagi menjadi bagian bermakna sebelum diindeks. Simpan peringatan, pengecualian, atau kondisi dan batasan bersama aturan yang diperjelasnya ketika detail tersebut diperlukan untuk menafsirkan bagian.

Untuk kueri tentang interval pemeliharaan, bagian yang memuat interval serta kondisi operasi lebih berguna daripada fragmen yang hanya memuat angka. Pertahankan judul atau identitas peralatan ketika memperjelas instruksi. Periksa panjang tokenizer alih-alih mengandalkan jumlah kata yang terlihat.

Gunakan bagian sumber di balik skor

Temu kembali mengembalikan kandidat dari koleksi terindeks. Periksa bagian teratas untuk tugas yang tepat dan simpan lokasi sumbernya ketika meneruskannya ke tahap penulisan jawaban RAG. Bagian terkait mungkin membahas inspeksi tanpa mengizinkan penggantian; perbedaan itu harus tetap terlihat dalam materi sumber.

GTE-base berbeda dari GTE-large yang menghasilkan vektor 1024 dimensi, dan dari edisi GTE multibahasa atau berkonteks lebih panjang yang lebih baru. Identitas model yang diterbitkan menetapkan cakupan bahasa Inggris, representasi 768 komponen, dan batas 512 token. Gunakan profil yang tepat ini dengan kueri representatif serta rekaman sumber saat menilai koleksi temu kembali.

", "aboutText": "GTE-base adalah model General Text Embeddings berukuran base yang dilatih Alibaba DAMO Academy. Encoder teks bahasa Inggris ini terutama berbasis kerangka BERT dan menghasilkan vektor dense 768 dimensi. Pelatihannya menggunakan korpus besar pasangan berbasis relevansi lintas domain, dengan temu kembali informasi, kemiripan teks semantik, dan pemeringkatan ulang teks berbasis embedding di antara aplikasi yang dinyatakan.\n\n### Siapkan kueri dan bagian teks bahasa Inggris\n\nGunakan teks bahasa Inggris yang dapat dibaca untuk kebutuhan informasi maupun materi yang akan dicari. Misalnya, kueri tentang penggantian komponen aus dapat dibandingkan dengan bagian pemeliharaan singkat yang menjelaskan kriteria penggantian, tahap inspeksi, dan instruksi pemesanan. Pertahankan nama komponen serta kondisi yang membedakan bagian-bagian tersebut.\n\nContoh yang diterbitkan mengodekan pertanyaan dan teks kandidat langsung, tanpa instruksi tugas tambahan. Jaga persiapan tersebut tetap konsisten pada koleksi dan kueri berikutnya. Simpan bagian asli dan pengenalnya di samping vektor agar hasil berperingkat dapat menunjukkan informasi yang direpresentasikan.\n\n### Average pooling dan perbandingan\n\nResep rujukan merata-ratakan representasi token model menggunakan masker atensi, sehingga posisi padding tidak berkontribusi pada hasil. Kemudian resep menunjukkan normalisasi L2 opsional dan membandingkan vektor ternormalisasi melalui hasil kali titik. Contoh terpisah menggunakan kemiripan kosinus.\n\nPilih dan pertahankan pengaturan normalisasi serta perbandingan yang konsisten untuk pengindeksan dan temu kembali. Keluaran memuat 768 komponen numerik; bukan jawaban yang dihasilkan. Untuk tahap pemeringkatan ulang kandidat, kodekan bagian kandidat dengan model yang sama dan urutkan berdasarkan kemiripannya dengan kueri. Ini tetap perbandingan berbasis embedding, bukan klaim bahwa model membaca setiap pasangan kueri–bagian secara bersama sebagai cross-encoder.\n\n### Cakupan bahasa Inggris dan masukan 512 token\n\nKartu yang tepat membatasi model ini pada teks bahasa Inggris dan menyatakan bahwa masukan panjang dipotong hingga maksimum 512 token. Karena itu, manual panjang harus dibagi menjadi bagian bermakna sebelum diindeks. Simpan peringatan, pengecualian, atau kondisi dan batasan bersama aturan yang diperjelasnya ketika detail tersebut diperlukan untuk menafsirkan bagian.\n\nUntuk kueri tentang interval pemeliharaan, bagian yang memuat interval serta kondisi operasi lebih berguna daripada fragmen yang hanya memuat angka. Pertahankan judul atau identitas peralatan ketika memperjelas instruksi. Periksa panjang tokenizer alih-alih mengandalkan jumlah kata yang terlihat.\n\n### Gunakan bagian sumber di balik skor\n\nTemu kembali mengembalikan kandidat dari koleksi terindeks. Periksa bagian teratas untuk tugas yang tepat dan simpan lokasi sumbernya ketika meneruskannya ke tahap penulisan jawaban RAG. Bagian terkait mungkin membahas inspeksi tanpa mengizinkan penggantian; perbedaan itu harus tetap terlihat dalam materi sumber.\n\nGTE-base berbeda dari GTE-large yang menghasilkan vektor 1024 dimensi, dan dari edisi GTE multibahasa atau berkonteks lebih panjang yang lebih baru. Identitas model yang diterbitkan menetapkan cakupan bahasa Inggris, representasi 768 komponen, dan batas 512 token. Gunakan profil yang tepat ini dengan kueri representatif serta rekaman sumber saat menilai koleksi temu kembali.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "2a7452efcb1265fa4160b563049141832d1cb78664a5d5699acd07255e505e0e", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "id", "methods": [ { "html": "
•

Thenlper: GTE-Base

Thenlper /thenlper/gte-base

Mulai

Alibaba DAMO Academy GTE-base membuat embedding teks bahasa Inggris menjadi vektor 768 dimensi untuk temu kembali dan kemiripan semantik. Model yang tepat ini menggunakan average pooling, mendukung urutan hingga 512 token, dan mendokumentasikan perbandingan berbasis kosinus dengan normalisasi opsional.

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.

GTE-base adalah model General Text Embeddings berukuran base yang dilatih Alibaba DAMO Academy. Encoder teks bahasa Inggris ini terutama berbasis kerangka BERT dan menghasilkan vektor dense 768 dimensi. Pelatihannya menggunakan korpus besar pasangan berbasis relevansi lintas domain, dengan temu kembali informasi, kemiripan teks semantik, dan pemeringkatan ulang teks berbasis embedding di antara aplikasi yang dinyatakan.

Siapkan kueri dan bagian teks bahasa Inggris

Gunakan teks bahasa Inggris yang dapat dibaca untuk kebutuhan informasi maupun materi yang akan dicari. Misalnya, kueri tentang penggantian komponen aus dapat dibandingkan dengan bagian pemeliharaan singkat yang menjelaskan kriteria penggantian, tahap inspeksi, dan instruksi pemesanan. Pertahankan nama komponen serta kondisi yang membedakan bagian-bagian tersebut.

Contoh yang diterbitkan mengodekan pertanyaan dan teks kandidat langsung, tanpa instruksi tugas tambahan. Jaga persiapan tersebut tetap konsisten pada koleksi dan kueri berikutnya. Simpan bagian asli dan pengenalnya di samping vektor agar hasil berperingkat dapat menunjukkan informasi yang direpresentasikan.

Average pooling dan perbandingan

Resep rujukan merata-ratakan representasi token model menggunakan masker atensi, sehingga posisi padding tidak berkontribusi pada hasil. Kemudian resep menunjukkan normalisasi L2 opsional dan membandingkan vektor ternormalisasi melalui hasil kali titik. Contoh terpisah menggunakan kemiripan kosinus.

Pilih dan pertahankan pengaturan normalisasi serta perbandingan yang konsisten untuk pengindeksan dan temu kembali. Keluaran memuat 768 komponen numerik; bukan jawaban yang dihasilkan. Untuk tahap pemeringkatan ulang kandidat, kodekan bagian kandidat dengan model yang sama dan urutkan berdasarkan kemiripannya dengan kueri. Ini tetap perbandingan berbasis embedding, bukan klaim bahwa model membaca setiap pasangan kueri–bagian secara bersama sebagai cross-encoder.

Cakupan bahasa Inggris dan masukan 512 token

Kartu yang tepat membatasi model ini pada teks bahasa Inggris dan menyatakan bahwa masukan panjang dipotong hingga maksimum 512 token. Karena itu, manual panjang harus dibagi menjadi bagian bermakna sebelum diindeks. Simpan peringatan, pengecualian, atau kondisi dan batasan bersama aturan yang diperjelasnya ketika detail tersebut diperlukan untuk menafsirkan bagian.

Untuk kueri tentang interval pemeliharaan, bagian yang memuat interval serta kondisi operasi lebih berguna daripada fragmen yang hanya memuat angka. Pertahankan judul atau identitas peralatan ketika memperjelas instruksi. Periksa panjang tokenizer alih-alih mengandalkan jumlah kata yang terlihat.

Gunakan bagian sumber di balik skor

Temu kembali mengembalikan kandidat dari koleksi terindeks. Periksa bagian teratas untuk tugas yang tepat dan simpan lokasi sumbernya ketika meneruskannya ke tahap penulisan jawaban RAG. Bagian terkait mungkin membahas inspeksi tanpa mengizinkan penggantian; perbedaan itu harus tetap terlihat dalam materi sumber.

GTE-base berbeda dari GTE-large yang menghasilkan vektor 1024 dimensi, dan dari edisi GTE multibahasa atau berkonteks lebih panjang yang lebih baru. Identitas model yang diterbitkan menetapkan cakupan bahasa Inggris, representasi 768 komponen, dan batas 512 token. Gunakan profil yang tepat ini dengan kueri representatif serta rekaman sumber saat menilai koleksi temu kembali.

Tersedia di Ailoot · masukan & metode

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

text_to_embedding

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

Siklus hidup: synchronous_json

Pertahankan index dan dimensi setiap vektor.

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

Paket

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

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

Tarif Ailoot

Harga menurut konfigurasi

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

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

Contoh permintaan

Ailoot Ultra · Embedding

set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "thenlper/gte-base", "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 thenlper/gte-base

Alias jalur metode

Gunakan jalur metode yang ditampilkan di atas.

ID pemanggil terkait

thenlper/gte-base

", "method_identity": { "effective_request_model_id": "thenlper/gte-base", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "thenlper/gte-base", "route_label": "Ultra" }, "method_key": "Ultra|embeddings|/v1/embeddings|thenlper%2Fgte-base", "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": [ "thenlper/gte-base" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "budget": { "maximum": 512, "text_unit": "byte UTF8", "token_unit": "elemen array token" }, "conditions": "Batch homogen yang tidak kosong. ID token berupa bilangan bulat nonnegatif.", "default": null, "default_known": false, "enum": null, "enum_known": false, "min_items": 1, "name": "input", "required": true, "type": "string|string[]|integer[]|integer[][]" }, { "availability": "source_interface", "default": "float", "default_known": true, "enum": [ "float" ], "enum_known": true, "name": "encoding_format", "required": false, "type": "string" }, { "availability": "unsupported", "default": null, "default_known": false, "enum": null, "enum_known": false, "minimum": 1, "name": "dimensions", "required": false, "type": "integer" }, { "availability": "pass_through_metadata", "conditions": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "session_id", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "trace", "required": false, "type": "json_value" }, { "availability": "source_interface", "conditions": "provider.options ditolak", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "provider", "required": false, "type": "object" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "mixed input kinds", "empty input", "image/audio/file objects", "encoding_format=base64", "dimensions override" ] }, "hints": [ "Pertahankan index dan dimensi setiap vektor.", "Nama model multimodal tidak mengizinkan objek gambar pada jalur persis ini." ], "input": { "content_type": "application/json", "dimensions_override": false, "encoding_format": [ "float" ], "input_shapes": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "material_types": [ "text", "token_ids" ], "max_input_budget_units": 512, "multimodal_objects": false, "required": [ "model", "input" ] }, "lifecycle": { "mode": "synchronous_json", "unknown": "no embedding job endpoint inferred" }, "manufacturer_capability": null, "method": { "http": "POST", "path": "/v1/embeddings" }, "method_aliases": [], "operation_modes": [ "text_to_embedding" ], "output": { "default_dimensions": null, "family": "embedding", "format": "json", "http_success": 200, "vectors": "one dense float vector per input; indices/model/usage validated" } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Tarif dasar token", "units": [ { "amount": "0.00001000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000001", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"thenlper/gte-base\", \"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='thenlper/gte-base',input=[\"First document\",\"Second document\"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\n", "label": "Python SDK · all vectors", "language": "python" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "embeddings", "hints": [ "Keep every vector index and dimension.", "Multimodal model name does not admit image objects on this exact path." ], "http": "POST", "in": 0.01, "input": [ "text", "token_ids" ], "label": "Эмбеддинги", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "token", "image_input_price": null, "image_output_price": null, "per_request_price": null }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": "0.00001000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000001", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "request_model_id": "thenlper/gte-base", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00001000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000001", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } } ], "model_id": "thenlper/gte-base", "nativeProvenance": { "input_facts_canonical_sha256": "7a4c3e4c672a4db859e38cb13ed56abc03fac3e6ee0959e7d4522d473ed6e803", "input_html_sha256": "34ea909c1d28fe98553548808d08bfc7b03d5e06d8372a9331868e3992e0ab40", "private_audit_sha256": "ed33a72a791f81d1ef0c828d08fabde679eca6b77a718c8bc18ded286ffa11c9", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/id/thenlper-gte-base/", "description": "Alibaba DAMO Academy GTE-base membuat embedding teks bahasa Inggris menjadi vektor 768 dimensi untuk temu kembali dan kemiripan semantik. Model yang tepat ini menggunakan average pooling, mendukung urutan hingga 512 token, dan mendokumentasikan perbandingan berbasis kosinus dengan normalisasi opsional.", "locale": "id", "md_url": "https://ailoot.ai/models/id/thenlper-gte-base/index.md", "title": "Thenlper: GTE-Base — Ailoot", "url": "https://ailoot.ai/models/id/thenlper-gte-base/" }, "rawModel": { "about": "GTE-base adalah model General Text Embeddings berukuran base yang dilatih Alibaba DAMO Academy. Encoder teks bahasa Inggris ini terutama berbasis kerangka BERT dan menghasilkan vektor dense 768 dimensi. Pelatihannya menggunakan korpus besar pasangan berbasis relevansi lintas domain, dengan temu kembali informasi, kemiripan teks semantik, dan pemeringkatan ulang teks berbasis embedding di antara aplikasi yang dinyatakan.\n\n### Siapkan kueri dan bagian teks bahasa Inggris\n\nGunakan teks bahasa Inggris yang dapat dibaca untuk kebutuhan informasi maupun materi yang akan dicari. Misalnya, kueri tentang penggantian komponen aus dapat dibandingkan dengan bagian pemeliharaan singkat yang menjelaskan kriteria penggantian, tahap inspeksi, dan instruksi pemesanan. Pertahankan nama komponen serta kondisi yang membedakan bagian-bagian tersebut.\n\nContoh yang diterbitkan mengodekan pertanyaan dan teks kandidat langsung, tanpa instruksi tugas tambahan. Jaga persiapan tersebut tetap konsisten pada koleksi dan kueri berikutnya. Simpan bagian asli dan pengenalnya di samping vektor agar hasil berperingkat dapat menunjukkan informasi yang direpresentasikan.\n\n### Average pooling dan perbandingan\n\nResep rujukan merata-ratakan representasi token model menggunakan masker atensi, sehingga posisi padding tidak berkontribusi pada hasil. Kemudian resep menunjukkan normalisasi L2 opsional dan membandingkan vektor ternormalisasi melalui hasil kali titik. Contoh terpisah menggunakan kemiripan kosinus.\n\nPilih dan pertahankan pengaturan normalisasi serta perbandingan yang konsisten untuk pengindeksan dan temu kembali. Keluaran memuat 768 komponen numerik; bukan jawaban yang dihasilkan. Untuk tahap pemeringkatan ulang kandidat, kodekan bagian kandidat dengan model yang sama dan urutkan berdasarkan kemiripannya dengan kueri. Ini tetap perbandingan berbasis embedding, bukan klaim bahwa model membaca setiap pasangan kueri–bagian secara bersama sebagai cross-encoder.\n\n### Cakupan bahasa Inggris dan masukan 512 token\n\nKartu yang tepat membatasi model ini pada teks bahasa Inggris dan menyatakan bahwa masukan panjang dipotong hingga maksimum 512 token. Karena itu, manual panjang harus dibagi menjadi bagian bermakna sebelum diindeks. Simpan peringatan, pengecualian, atau kondisi dan batasan bersama aturan yang diperjelasnya ketika detail tersebut diperlukan untuk menafsirkan bagian.\n\nUntuk kueri tentang interval pemeliharaan, bagian yang memuat interval serta kondisi operasi lebih berguna daripada fragmen yang hanya memuat angka. Pertahankan judul atau identitas peralatan ketika memperjelas instruksi. Periksa panjang tokenizer alih-alih mengandalkan jumlah kata yang terlihat.\n\n### Gunakan bagian sumber di balik skor\n\nTemu kembali mengembalikan kandidat dari koleksi terindeks. Periksa bagian teratas untuk tugas yang tepat dan simpan lokasi sumbernya ketika meneruskannya ke tahap penulisan jawaban RAG. Bagian terkait mungkin membahas inspeksi tanpa mengizinkan penggantian; perbedaan itu harus tetap terlihat dalam materi sumber.\n\nGTE-base berbeda dari GTE-large yang menghasilkan vektor 1024 dimensi, dan dari edisi GTE multibahasa atau berkonteks lebih panjang yang lebih baru. Identitas model yang diterbitkan menetapkan cakupan bahasa Inggris, representasi 768 komponen, dan batas 512 token. Gunakan profil yang tepat ini dengan kueri representatif serta rekaman sumber saat menilai koleksi temu kembali.", "alias_of": null, "aliases": [], "author": "Thenlper", "available": null, "canonical_model": "thenlper/gte-base", "capabilities": { "context_length": 512, "manufacturer_input": [ "text" ], "manufacturer_output": [ "embeddings" ] }, "card_routes": [ { "label": "Ultra", "rates": [ { "amount": "0.00001000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000001", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" } ], "summary": "Informasi lengkap harga konfigurasi tersedia di bagian detail." } ], "ctx": null, "entity_type": "model", "formats": [ "embeddings" ], "id": "thenlper/gte-base", "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": [ "thenlper/gte-base" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "budget": { "maximum": 512, "text_unit": "byte UTF8", "token_unit": "elemen array token" }, "conditions": "Batch homogen yang tidak kosong. ID token berupa bilangan bulat nonnegatif.", "default": null, "default_known": false, "enum": null, "enum_known": false, "min_items": 1, "name": "input", "required": true, "type": "string|string[]|integer[]|integer[][]" }, { "availability": "source_interface", "default": "float", "default_known": true, "enum": [ "float" ], "enum_known": true, "name": "encoding_format", "required": false, "type": "string" }, { "availability": "unsupported", "default": null, "default_known": false, "enum": null, "enum_known": false, "minimum": 1, "name": "dimensions", "required": false, "type": "integer" }, { "availability": "pass_through_metadata", "conditions": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "session_id", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "trace", "required": false, "type": "json_value" }, { "availability": "source_interface", "conditions": "provider.options ditolak", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "provider", "required": false, "type": "object" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "mixed input kinds", "empty input", "image/audio/file objects", "encoding_format=base64", "dimensions override" ] }, "hints": [ "Pertahankan index dan dimensi setiap vektor.", "Nama model multimodal tidak mengizinkan objek gambar pada jalur persis ini." ], "input": { "content_type": "application/json", "dimensions_override": false, "encoding_format": [ "float" ], "input_shapes": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "material_types": [ "text", "token_ids" ], "max_input_budget_units": 512, "multimodal_objects": false, "required": [ "model", "input" ] }, "lifecycle": { "mode": "synchronous_json", "unknown": "no embedding job endpoint inferred" }, "manufacturer_capability": null, "method": { "http": "POST", "path": "/v1/embeddings" }, "method_aliases": [], "operation_modes": [ "text_to_embedding" ], "output": { "default_dimensions": null, "family": "embedding", "format": "json", "http_success": 200, "vectors": "one dense float vector per input; indices/model/usage validated" } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Tarif dasar token", "units": [ { "amount": "0.00001000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000001", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"thenlper/gte-base\", \"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='thenlper/gte-base',input=[\"First document\",\"Second document\"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\n", "label": "Python SDK · all vectors", "language": "python" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "embeddings", "hints": [ "Keep every vector index and dimension.", "Multimodal model name does not admit image objects on this exact path." ], "http": "POST", "in": 0.01, "input": [ "text", "token_ids" ], "label": "Эмбеддинги", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "token", "image_input_price": null, "image_output_price": null, "per_request_price": null }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": "0.00001000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000001", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "request_model_id": "thenlper/gte-base", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00001000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000001", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "model_aliases": [ { "canonical_model_id": "thenlper/gte-base", "request_model_id": "thenlper/gte-base", "route_label": "Ultra" } ], "name": "Thenlper: GTE-Base", "price": { "in": 0.01, "in_label": null, "out": 0, "out_label": null, "scope_label": "Token rates", "sort_in": 0.01, "sort_out": 0, "varies": false }, "public_id": "thenlper/gte-base", "short": "Alibaba DAMO Academy GTE-base membuat embedding teks bahasa Inggris menjadi vektor 768 dimensi untuk temu kembali dan kemiripan semantik. Model yang tepat ini menggunakan average pooling, mendukung urutan hingga 512 token, dan mendokumentasikan perbandingan berbasis kosinus dengan normalisasi opsional." }, "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": "Alibaba DAMO Academy GTE-base membuat embedding teks bahasa Inggris menjadi vektor 768 dimensi untuk temu kembali dan kemiripan semantik. Model yang tepat ini menggunakan average pooling, mendukung urutan hingga 512 token, dan mendokumentasikan perbandingan berbasis kosinus dengan normalisasi opsional.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "0547b855ccb6f87e8d50f45eb259b5abe9eb6e1b735ed8ae0a05ad83d27b9be1", "renderer_sha256": "2a0471475a29000c23db326ca1e315df73dee7524f6bc2907818ee3458813f2d" }, "sourceRevision": "246b9f148248b19ed77372ec25d5ea71fa1d6edc2cf1a4f4675705bc0fe91eaf" }