{ "aboutHtml": "

GTE-large adalah model General Text Embeddings berukuran besar yang dilatih Alibaba DAMO Academy. Model ini merupakan encoder teks bahasa Inggris yang terutama berbasis kerangka BERT, dengan representasi dense 1024 dimensi untuk setiap masukan. Pembuat melatih keluarga GTE pada pasangan teks berbasis relevansi lintas domain dan mengidentifikasi temu kembali, kemiripan teks semantik, serta pemeringkatan ulang teks sebagai aplikasi berikutnya.

Representasikan konten suatu bagian

Siapkan bagian teks bahasa Inggris yang akan dibandingkan dengan kueri pencarian. Untuk koleksi laporan teknis, pertahankan subjek, pengamatan, dan kondisi relevan dari bagian singkat. Laporan yang menjelaskan getaran hanya pada beban tertentu harus mempertahankan kondisi tersebut, bukan meninggalkan pernyataan umum tentang getaran.

Simpan pengenal sumber, judul dokumen, dan lokasi bagian bersama vektor tersimpan. Kueri dapat menemukan bagian kandidat, sementara laporan asli tetap tersedia untuk memverifikasi peralatan, kondisi, dan kesimpulan. Embedding memberikan representasi numerik dari konten bagian tersebut.

Pooling, normalisasi, dan penggunaan vektor

Resep yang diterbitkan menggunakan average pooling pada representasi token dengan masker atensi, mengecualikan padding dari rata-rata. Resep juga menunjukkan normalisasi L2 opsional yang diikuti perbandingan hasil kali titik vektor ternormalisasi. Contoh Sentence Transformers menggunakan kemiripan kosinus.

Pertahankan persiapan, pooling, dan pengaturan perbandingan yang sama pada koleksi serta sisi kueri. Setiap representasi memuat 1024 komponen. Jumlah komponen yang lebih besar adalah detail edisi; hal itu tidak membuktikan bahwa vektor GTE-large dapat dicampur dengan representasi GTE-base 768 dimensi atau encoder 1024 dimensi lainnya.

Alur pemeringkatan ulang dapat membandingkan embedding kueri dengan himpunan embedding kandidat yang telah ditemukan dan mengurutkan ulang rekaman tersebut. Pertahankan perbedaan antara perbandingan vektor ini dan model terpisah yang mengevaluasi pasangan kueri–bagian teks secara bersama.

Panjang masukan dan batasan bahasa Inggris

Kartu secara eksplisit membatasi model yang tepat ini pada teks bahasa Inggris dan memotong masukan panjang hingga maksimum 512 token. Bagi laporan teknis panjang menjadi bagian koheren dan simpan konteks lokal yang cukup agar setiap bagian dapat dipahami sendiri. Jika suatu kalimat bergantung pada kondisi atau batasan sebelumnya, pertahankan kondisi atau batasan itu dalam unit terindeks yang sama ketika muat.

Batas token berbeda dari jumlah kata yang terlihat. Periksa panjang bagian yang disiapkan dan pastikan detail yang dibutuhkan pencarian tujuan tidak berada di luar bagian yang dipertahankan setelah pemotongan.

Periksa bukti hasil temu kembali

Untuk aplikasi pencarian laporan, sajikan bagian kandidat bersama lokasi sumber dan periksa konten sebenarnya. Pengamatan serupa dapat memiliki penyebab atau rekomendasi berbeda. Skor vektor membantu mengurutkan kandidat di bawah pengaturan perbandingan yang dipilih; skor tidak membuktikan bahwa kesimpulan laporan berlaku untuk situasi baru.

Untuk RAG, gunakan bagian terpilih sebagai konteks sumber bagi tahap penulisan jawaban dan pertahankan hubungannya dengan dokumen. Profil GTE-large yang tepat ini memberikan embedding dense bahasa Inggris dengan 1024 dimensi dan batas masukan 512 token. Edisi GTE multibahasa dan berkonteks lebih panjang yang lebih baru memiliki identitas terpisah, sehingga cakupan bahasa atau pengaturan masukannya tidak mengikuti nama keluarga checkpoint ini.

", "aboutText": "GTE-large adalah model General Text Embeddings berukuran besar yang dilatih Alibaba DAMO Academy. Model ini merupakan encoder teks bahasa Inggris yang terutama berbasis kerangka BERT, dengan representasi dense 1024 dimensi untuk setiap masukan. Pembuat melatih keluarga GTE pada pasangan teks berbasis relevansi lintas domain dan mengidentifikasi temu kembali, kemiripan teks semantik, serta pemeringkatan ulang teks sebagai aplikasi berikutnya.\n\n### Representasikan konten suatu bagian\n\nSiapkan bagian teks bahasa Inggris yang akan dibandingkan dengan kueri pencarian. Untuk koleksi laporan teknis, pertahankan subjek, pengamatan, dan kondisi relevan dari bagian singkat. Laporan yang menjelaskan getaran hanya pada beban tertentu harus mempertahankan kondisi tersebut, bukan meninggalkan pernyataan umum tentang getaran.\n\nSimpan pengenal sumber, judul dokumen, dan lokasi bagian bersama vektor tersimpan. Kueri dapat menemukan bagian kandidat, sementara laporan asli tetap tersedia untuk memverifikasi peralatan, kondisi, dan kesimpulan. Embedding memberikan representasi numerik dari konten bagian tersebut.\n\n### Pooling, normalisasi, dan penggunaan vektor\n\nResep yang diterbitkan menggunakan average pooling pada representasi token dengan masker atensi, mengecualikan padding dari rata-rata. Resep juga menunjukkan normalisasi L2 opsional yang diikuti perbandingan hasil kali titik vektor ternormalisasi. Contoh Sentence Transformers menggunakan kemiripan kosinus.\n\nPertahankan persiapan, pooling, dan pengaturan perbandingan yang sama pada koleksi serta sisi kueri. Setiap representasi memuat 1024 komponen. Jumlah komponen yang lebih besar adalah detail edisi; hal itu tidak membuktikan bahwa vektor GTE-large dapat dicampur dengan representasi GTE-base 768 dimensi atau encoder 1024 dimensi lainnya.\n\nAlur pemeringkatan ulang dapat membandingkan embedding kueri dengan himpunan embedding kandidat yang telah ditemukan dan mengurutkan ulang rekaman tersebut. Pertahankan perbedaan antara perbandingan vektor ini dan model terpisah yang mengevaluasi pasangan kueri–bagian teks secara bersama.\n\n### Panjang masukan dan batasan bahasa Inggris\n\nKartu secara eksplisit membatasi model yang tepat ini pada teks bahasa Inggris dan memotong masukan panjang hingga maksimum 512 token. Bagi laporan teknis panjang menjadi bagian koheren dan simpan konteks lokal yang cukup agar setiap bagian dapat dipahami sendiri. Jika suatu kalimat bergantung pada kondisi atau batasan sebelumnya, pertahankan kondisi atau batasan itu dalam unit terindeks yang sama ketika muat.\n\nBatas token berbeda dari jumlah kata yang terlihat. Periksa panjang bagian yang disiapkan dan pastikan detail yang dibutuhkan pencarian tujuan tidak berada di luar bagian yang dipertahankan setelah pemotongan.\n\n### Periksa bukti hasil temu kembali\n\nUntuk aplikasi pencarian laporan, sajikan bagian kandidat bersama lokasi sumber dan periksa konten sebenarnya. Pengamatan serupa dapat memiliki penyebab atau rekomendasi berbeda. Skor vektor membantu mengurutkan kandidat di bawah pengaturan perbandingan yang dipilih; skor tidak membuktikan bahwa kesimpulan laporan berlaku untuk situasi baru.\n\nUntuk RAG, gunakan bagian terpilih sebagai konteks sumber bagi tahap penulisan jawaban dan pertahankan hubungannya dengan dokumen. Profil GTE-large yang tepat ini memberikan embedding dense bahasa Inggris dengan 1024 dimensi dan batas masukan 512 token. Edisi GTE multibahasa dan berkonteks lebih panjang yang lebih baru memiliki identitas terpisah, sehingga cakupan bahasa atau pengaturan masukannya tidak mengikuti nama keluarga checkpoint ini.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "3c6e1429969c296b9739329e259e693a0cf67946de7cb466719e5c877da1bf51", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "id", "methods": [ { "html": "
•

Thenlper: GTE-Large

Thenlper /thenlper/gte-large

Mulai

Alibaba DAMO Academy GTE-large mengubah teks bahasa Inggris menjadi vektor 1024 dimensi untuk temu kembali, kemiripan semantik, dan pemeringkatan ulang berbasis embedding. Resep rujukannya menggunakan average pooling, normalisasi opsional, dan panjang urutan maksimum 512 token.

Masukan yang diterima
Teks · token_ids
Hasil
embedding
Tentang model

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

GTE-large adalah model General Text Embeddings berukuran besar yang dilatih Alibaba DAMO Academy. Model ini merupakan encoder teks bahasa Inggris yang terutama berbasis kerangka BERT, dengan representasi dense 1024 dimensi untuk setiap masukan. Pembuat melatih keluarga GTE pada pasangan teks berbasis relevansi lintas domain dan mengidentifikasi temu kembali, kemiripan teks semantik, serta pemeringkatan ulang teks sebagai aplikasi berikutnya.

Representasikan konten suatu bagian

Siapkan bagian teks bahasa Inggris yang akan dibandingkan dengan kueri pencarian. Untuk koleksi laporan teknis, pertahankan subjek, pengamatan, dan kondisi relevan dari bagian singkat. Laporan yang menjelaskan getaran hanya pada beban tertentu harus mempertahankan kondisi tersebut, bukan meninggalkan pernyataan umum tentang getaran.

Simpan pengenal sumber, judul dokumen, dan lokasi bagian bersama vektor tersimpan. Kueri dapat menemukan bagian kandidat, sementara laporan asli tetap tersedia untuk memverifikasi peralatan, kondisi, dan kesimpulan. Embedding memberikan representasi numerik dari konten bagian tersebut.

Pooling, normalisasi, dan penggunaan vektor

Resep yang diterbitkan menggunakan average pooling pada representasi token dengan masker atensi, mengecualikan padding dari rata-rata. Resep juga menunjukkan normalisasi L2 opsional yang diikuti perbandingan hasil kali titik vektor ternormalisasi. Contoh Sentence Transformers menggunakan kemiripan kosinus.

Pertahankan persiapan, pooling, dan pengaturan perbandingan yang sama pada koleksi serta sisi kueri. Setiap representasi memuat 1024 komponen. Jumlah komponen yang lebih besar adalah detail edisi; hal itu tidak membuktikan bahwa vektor GTE-large dapat dicampur dengan representasi GTE-base 768 dimensi atau encoder 1024 dimensi lainnya.

Alur pemeringkatan ulang dapat membandingkan embedding kueri dengan himpunan embedding kandidat yang telah ditemukan dan mengurutkan ulang rekaman tersebut. Pertahankan perbedaan antara perbandingan vektor ini dan model terpisah yang mengevaluasi pasangan kueri–bagian teks secara bersama.

Panjang masukan dan batasan bahasa Inggris

Kartu secara eksplisit membatasi model yang tepat ini pada teks bahasa Inggris dan memotong masukan panjang hingga maksimum 512 token. Bagi laporan teknis panjang menjadi bagian koheren dan simpan konteks lokal yang cukup agar setiap bagian dapat dipahami sendiri. Jika suatu kalimat bergantung pada kondisi atau batasan sebelumnya, pertahankan kondisi atau batasan itu dalam unit terindeks yang sama ketika muat.

Batas token berbeda dari jumlah kata yang terlihat. Periksa panjang bagian yang disiapkan dan pastikan detail yang dibutuhkan pencarian tujuan tidak berada di luar bagian yang dipertahankan setelah pemotongan.

Periksa bukti hasil temu kembali

Untuk aplikasi pencarian laporan, sajikan bagian kandidat bersama lokasi sumber dan periksa konten sebenarnya. Pengamatan serupa dapat memiliki penyebab atau rekomendasi berbeda. Skor vektor membantu mengurutkan kandidat di bawah pengaturan perbandingan yang dipilih; skor tidak membuktikan bahwa kesimpulan laporan berlaku untuk situasi baru.

Untuk RAG, gunakan bagian terpilih sebagai konteks sumber bagi tahap penulisan jawaban dan pertahankan hubungannya dengan dokumen. Profil GTE-large yang tepat ini memberikan embedding dense bahasa Inggris dengan 1024 dimensi dan batas masukan 512 token. Edisi GTE multibahasa dan berkonteks lebih panjang yang lebih baru memiliki identitas terpisah, sehingga cakupan bahasa atau pengaturan masukannya tidak mengikuti nama keluarga checkpoint ini.

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-large
Bawaan—
KolominputJenisstring|string[]|integer[]|integer[][]PersyaratanWajibNilai & batasan
Item minimum: 1
Kondisi: Batch homogen yang tidak kosong. ID token berupa bilangan bulat nonnegatif.
Anggaran masukan: Maksimum: 512 · Satuan teks: byte UTF8 · Satuan token: elemen array token
Bawaan—
Kolomencoding_formatJenisstringPersyaratanOpsionalNilai & batasan
float
Bawaanfloat
KolomdimensionsJenisintegerPersyaratanTidak didukungNilai & batasan
Minimum: 1
Bawaan—
KolomuserJenisjson_valuePersyaratanOpsionalNilai & batasan
Kondisi: Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.
Bawaan—
Kolomsession_idJenisjson_valuePersyaratanOpsionalNilai & batasan
Kondisi: Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.
Bawaan—
KolomtraceJenisjson_valuePersyaratanOpsionalNilai & batasan
Kondisi: Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.
Bawaan—
KolomproviderJenisobjectPersyaratanOpsionalNilai & batasan
Kondisi: provider.options ditolak
Bawaan—
Kombinasi bahan masukan

text_to_embedding

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

Siklus hidup: synchronous_json

Pertahankan index dan dimensi setiap vektor.

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

Paket

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

Mode Fast
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 $0.00002 / 1K token
Keluaran · Token keluaran $0 / 1K token
Masukan · Pembacaan cache — / 1K token
Masukan · Penulisan cache — / 1K token
Masukan · Penulisan cache, 1 jam — / 1K token

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

Contoh permintaan

Ailoot Ultra · Embedding

set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "thenlper/gte-large", "input": ["First document", "Second document"]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n  --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\n

Terima dan simpan hasil

Ailoot Ultra · Embedding

json

Simpan semua hasil yang selesai

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

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

Jika respons asli perlu diperiksa

Endpoint untuk tugas embedding tidak ditambahkan.

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

Alias

Alias model

Ailoot Ultra thenlper/gte-large

Alias jalur metode

Gunakan jalur metode yang ditampilkan di atas.

ID pemanggil terkait

thenlper/gte-large

", "method_identity": { "effective_request_model_id": "thenlper/gte-large", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "thenlper/gte-large", "route_label": "Ultra" }, "method_key": "Ultra|embeddings|/v1/embeddings|thenlper%2Fgte-large", "ordinal": 0, "rawMethod": { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Keep every vector with its index. Vector count must equal input count; dimensions must be consistent.", "errors": [ { "code": null, "condition": "Bidang wajib, representasi materi, atau nilai parameter tidak valid", "http_status": 400, "recovery": "Perbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Endpoint untuk tugas embedding tidak ditambahkan." }, "material_combinations": [ { "alternatives": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Simpan setiap vektor beserta index masing-masing. Jumlah vektor harus sama dengan jumlah input; dimensinya harus konsisten.", "default_dimensions": null, "family": "embedding", "fields": [ { "description": null, "name": "object", "type": "string" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "data[].index", "type": "integer" }, { "description": null, "name": "data[].embedding", "type": "finite float[]" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "thenlper/gte-large" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "budget": { "maximum": 512, "text_unit": "byte UTF8", "token_unit": "elemen array token" }, "conditions": "Batch homogen yang tidak kosong. ID token berupa bilangan bulat nonnegatif.", "default": null, "default_known": false, "enum": null, "enum_known": false, "min_items": 1, "name": "input", "required": true, "type": "string|string[]|integer[]|integer[][]" }, { "availability": "source_interface", "default": "float", "default_known": true, "enum": [ "float" ], "enum_known": true, "name": "encoding_format", "required": false, "type": "string" }, { "availability": "unsupported", "default": null, "default_known": false, "enum": null, "enum_known": false, "minimum": 1, "name": "dimensions", "required": false, "type": "integer" }, { "availability": "pass_through_metadata", "conditions": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "session_id", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "trace", "required": false, "type": "json_value" }, { "availability": "source_interface", "conditions": "provider.options ditolak", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "provider", "required": false, "type": "object" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "mixed input kinds", "empty input", "image/audio/file objects", "encoding_format=base64", "dimensions override" ] }, "hints": [ "Pertahankan index dan dimensi setiap vektor.", "Nama model multimodal tidak mengizinkan objek gambar pada jalur persis ini." ], "input": { "content_type": "application/json", "dimensions_override": false, "encoding_format": [ "float" ], "input_shapes": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "material_types": [ "text", "token_ids" ], "max_input_budget_units": 512, "multimodal_objects": false, "required": [ "model", "input" ] }, "lifecycle": { "mode": "synchronous_json", "unknown": "no embedding job endpoint inferred" }, "manufacturer_capability": null, "method": { "http": "POST", "path": "/v1/embeddings" }, "method_aliases": [], "operation_modes": [ "text_to_embedding" ], "output": { "default_dimensions": null, "family": "embedding", "format": "json", "http_success": 200, "vectors": "one dense float vector per input; indices/model/usage validated" } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Tarif dasar token", "units": [ { "amount": "0.00002000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000002", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"thenlper/gte-large\", \"input\": [\"First document\", \"Second document\"]}')\n\nPath(\"request.json\").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path(\"result.json\").read_text())\nfor x in r.get(\"data\",[]): print(json.dumps({\"index\":x.get(\"index\"),\"embedding\":x.get(\"embedding\")}))\nPY_RESULT\n", "label": "curl · retained exact creation", "language": "bash" }, { "code": "from openai import OpenAI\nimport os\n\nclient=OpenAI(base_url=\"https://api.ailoot.ai/v1\",api_key=os.environ[\"AILOOT_API_KEY\"],max_retries=0)\nresult=client.embeddings.create(model='thenlper/gte-large',input=[\"First document\",\"Second document\"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\n", "label": "Python SDK · all vectors", "language": "python" } ], "family": "openai", "fast_multiplier": 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": 0.02, "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": "0.00002000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000002", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "request_model_id": "thenlper/gte-large", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00002000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000002", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } } ], "model_id": "thenlper/gte-large", "nativeProvenance": { "input_facts_canonical_sha256": "5f750e875f46f62e5efec8eac9d7d5e7bbe5c5923596f5bccc8b7116ed3c7e32", "input_html_sha256": "9ecc95c6be309e857dd06dac5d268dc58e7325a5d723f26cd1f1e4e71e1eec10", "private_audit_sha256": "8cc37b9a4d6d49bf03503e8d3d3df4d457ce7578b2fc56958fc25a1418c2c74b", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/id/thenlper-gte-large/", "description": "Alibaba DAMO Academy GTE-large mengubah teks bahasa Inggris menjadi vektor 1024 dimensi untuk temu kembali, kemiripan semantik, dan pemeringkatan ulang berbasis embedding. Resep rujukannya menggunakan average pooling, normalisasi opsional, dan panjang urutan maksimum 512 token.", "locale": "id", "md_url": "https://ailoot.ai/models/id/thenlper-gte-large/index.md", "title": "Thenlper: GTE-Large — Ailoot", "url": "https://ailoot.ai/models/id/thenlper-gte-large/" }, "rawModel": { "about": "GTE-large adalah model General Text Embeddings berukuran besar yang dilatih Alibaba DAMO Academy. Model ini merupakan encoder teks bahasa Inggris yang terutama berbasis kerangka BERT, dengan representasi dense 1024 dimensi untuk setiap masukan. Pembuat melatih keluarga GTE pada pasangan teks berbasis relevansi lintas domain dan mengidentifikasi temu kembali, kemiripan teks semantik, serta pemeringkatan ulang teks sebagai aplikasi berikutnya.\n\n### Representasikan konten suatu bagian\n\nSiapkan bagian teks bahasa Inggris yang akan dibandingkan dengan kueri pencarian. Untuk koleksi laporan teknis, pertahankan subjek, pengamatan, dan kondisi relevan dari bagian singkat. Laporan yang menjelaskan getaran hanya pada beban tertentu harus mempertahankan kondisi tersebut, bukan meninggalkan pernyataan umum tentang getaran.\n\nSimpan pengenal sumber, judul dokumen, dan lokasi bagian bersama vektor tersimpan. Kueri dapat menemukan bagian kandidat, sementara laporan asli tetap tersedia untuk memverifikasi peralatan, kondisi, dan kesimpulan. Embedding memberikan representasi numerik dari konten bagian tersebut.\n\n### Pooling, normalisasi, dan penggunaan vektor\n\nResep yang diterbitkan menggunakan average pooling pada representasi token dengan masker atensi, mengecualikan padding dari rata-rata. Resep juga menunjukkan normalisasi L2 opsional yang diikuti perbandingan hasil kali titik vektor ternormalisasi. Contoh Sentence Transformers menggunakan kemiripan kosinus.\n\nPertahankan persiapan, pooling, dan pengaturan perbandingan yang sama pada koleksi serta sisi kueri. Setiap representasi memuat 1024 komponen. Jumlah komponen yang lebih besar adalah detail edisi; hal itu tidak membuktikan bahwa vektor GTE-large dapat dicampur dengan representasi GTE-base 768 dimensi atau encoder 1024 dimensi lainnya.\n\nAlur pemeringkatan ulang dapat membandingkan embedding kueri dengan himpunan embedding kandidat yang telah ditemukan dan mengurutkan ulang rekaman tersebut. Pertahankan perbedaan antara perbandingan vektor ini dan model terpisah yang mengevaluasi pasangan kueri–bagian teks secara bersama.\n\n### Panjang masukan dan batasan bahasa Inggris\n\nKartu secara eksplisit membatasi model yang tepat ini pada teks bahasa Inggris dan memotong masukan panjang hingga maksimum 512 token. Bagi laporan teknis panjang menjadi bagian koheren dan simpan konteks lokal yang cukup agar setiap bagian dapat dipahami sendiri. Jika suatu kalimat bergantung pada kondisi atau batasan sebelumnya, pertahankan kondisi atau batasan itu dalam unit terindeks yang sama ketika muat.\n\nBatas token berbeda dari jumlah kata yang terlihat. Periksa panjang bagian yang disiapkan dan pastikan detail yang dibutuhkan pencarian tujuan tidak berada di luar bagian yang dipertahankan setelah pemotongan.\n\n### Periksa bukti hasil temu kembali\n\nUntuk aplikasi pencarian laporan, sajikan bagian kandidat bersama lokasi sumber dan periksa konten sebenarnya. Pengamatan serupa dapat memiliki penyebab atau rekomendasi berbeda. Skor vektor membantu mengurutkan kandidat di bawah pengaturan perbandingan yang dipilih; skor tidak membuktikan bahwa kesimpulan laporan berlaku untuk situasi baru.\n\nUntuk RAG, gunakan bagian terpilih sebagai konteks sumber bagi tahap penulisan jawaban dan pertahankan hubungannya dengan dokumen. Profil GTE-large yang tepat ini memberikan embedding dense bahasa Inggris dengan 1024 dimensi dan batas masukan 512 token. Edisi GTE multibahasa dan berkonteks lebih panjang yang lebih baru memiliki identitas terpisah, sehingga cakupan bahasa atau pengaturan masukannya tidak mengikuti nama keluarga checkpoint ini.", "alias_of": null, "aliases": [], "author": "Thenlper", "available": null, "canonical_model": "thenlper/gte-large", "capabilities": { "context_length": 512, "manufacturer_input": [ "text" ], "manufacturer_output": [ "embeddings" ] }, "card_routes": [ { "label": "Ultra", "rates": [ { "amount": "0.00002000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000002", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" } ], "summary": "Informasi lengkap harga konfigurasi tersedia di bagian detail." } ], "ctx": null, "entity_type": "model", "formats": [ "embeddings" ], "id": "thenlper/gte-large", "input": [ "text", "token_ids" ], "kind": "embedding", "max_out": null, "methods": [ { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Keep every vector with its index. Vector count must equal input count; dimensions must be consistent.", "errors": [ { "code": null, "condition": "Bidang wajib, representasi materi, atau nilai parameter tidak valid", "http_status": 400, "recovery": "Perbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Endpoint untuk tugas embedding tidak ditambahkan." }, "material_combinations": [ { "alternatives": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Simpan setiap vektor beserta index masing-masing. Jumlah vektor harus sama dengan jumlah input; dimensinya harus konsisten.", "default_dimensions": null, "family": "embedding", "fields": [ { "description": null, "name": "object", "type": "string" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "data[].index", "type": "integer" }, { "description": null, "name": "data[].embedding", "type": "finite float[]" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "thenlper/gte-large" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "budget": { "maximum": 512, "text_unit": "byte UTF8", "token_unit": "elemen array token" }, "conditions": "Batch homogen yang tidak kosong. ID token berupa bilangan bulat nonnegatif.", "default": null, "default_known": false, "enum": null, "enum_known": false, "min_items": 1, "name": "input", "required": true, "type": "string|string[]|integer[]|integer[][]" }, { "availability": "source_interface", "default": "float", "default_known": true, "enum": [ "float" ], "enum_known": true, "name": "encoding_format", "required": false, "type": "string" }, { "availability": "unsupported", "default": null, "default_known": false, "enum": null, "enum_known": false, "minimum": 1, "name": "dimensions", "required": false, "type": "integer" }, { "availability": "pass_through_metadata", "conditions": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "session_id", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "trace", "required": false, "type": "json_value" }, { "availability": "source_interface", "conditions": "provider.options ditolak", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "provider", "required": false, "type": "object" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "mixed input kinds", "empty input", "image/audio/file objects", "encoding_format=base64", "dimensions override" ] }, "hints": [ "Pertahankan index dan dimensi setiap vektor.", "Nama model multimodal tidak mengizinkan objek gambar pada jalur persis ini." ], "input": { "content_type": "application/json", "dimensions_override": false, "encoding_format": [ "float" ], "input_shapes": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "material_types": [ "text", "token_ids" ], "max_input_budget_units": 512, "multimodal_objects": false, "required": [ "model", "input" ] }, "lifecycle": { "mode": "synchronous_json", "unknown": "no embedding job endpoint inferred" }, "manufacturer_capability": null, "method": { "http": "POST", "path": "/v1/embeddings" }, "method_aliases": [], "operation_modes": [ "text_to_embedding" ], "output": { "default_dimensions": null, "family": "embedding", "format": "json", "http_success": 200, "vectors": "one dense float vector per input; indices/model/usage validated" } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Tarif dasar token", "units": [ { "amount": "0.00002000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000002", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"thenlper/gte-large\", \"input\": [\"First document\", \"Second document\"]}')\n\nPath(\"request.json\").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path(\"result.json\").read_text())\nfor x in r.get(\"data\",[]): print(json.dumps({\"index\":x.get(\"index\"),\"embedding\":x.get(\"embedding\")}))\nPY_RESULT\n", "label": "curl · retained exact creation", "language": "bash" }, { "code": "from openai import OpenAI\nimport os\n\nclient=OpenAI(base_url=\"https://api.ailoot.ai/v1\",api_key=os.environ[\"AILOOT_API_KEY\"],max_retries=0)\nresult=client.embeddings.create(model='thenlper/gte-large',input=[\"First document\",\"Second document\"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\n", "label": "Python SDK · all vectors", "language": "python" } ], "family": "openai", "fast_multiplier": 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": 0.02, "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": "0.00002000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000002", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "request_model_id": "thenlper/gte-large", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00002000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000002", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "model_aliases": [ { "canonical_model_id": "thenlper/gte-large", "request_model_id": "thenlper/gte-large", "route_label": "Ultra" } ], "name": "Thenlper: GTE-Large", "price": { "in": 0.02, "in_label": null, "out": 0, "out_label": null, "scope_label": "Token rates", "sort_in": 0.02, "sort_out": 0, "varies": false }, "public_id": "thenlper/gte-large", "short": "Alibaba DAMO Academy GTE-large mengubah teks bahasa Inggris menjadi vektor 1024 dimensi untuk temu kembali, kemiripan semantik, dan pemeringkatan ulang berbasis embedding. Resep rujukannya menggunakan average pooling, normalisasi opsional, dan panjang urutan maksimum 512 token." }, "renderer_schema": { "method_order": "Original DTO methods order; every exact route/format/path/caller survives.", "prices": "Original public DTO fields and original native display HTML; no flattened or normalized offers." }, "representation": "exact-public-dto-and-native-renderer-html", "representationNotes": { "current_reference": { "about_json_pointer": "/aboutHtml", "methods": [ { "contract_json_pointer": "/methods/0/rawMethod/contract", "html_json_pointer": "/methods/0/html", "method_ordinal": 0 } ], "role": "current-semantic-reference" }, "raw_input": { "examples_role": "historical-input-not-current-ready-examples", "json_pointers": [ "/rawModel", "/methods/0/rawMethod" ], "role": "historical-owner-input" }, "schema": "ailoot-native-model-representations-v1" }, "schema": "ailoot-static-model-facts-v1", "schema_version": 1, "shortText": "Alibaba DAMO Academy GTE-large mengubah teks bahasa Inggris menjadi vektor 1024 dimensi untuk temu kembali, kemiripan semantik, dan pemeringkatan ulang berbasis embedding. Resep rujukannya menggunakan average pooling, normalisasi opsional, dan panjang urutan maksimum 512 token.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "31f02bc4ca24f863b7b5079a31f038b0dd87dac42d2a329957a346211c225c5b", "renderer_sha256": "2a0471475a29000c23db326ca1e315df73dee7524f6bc2907818ee3458813f2d" }, "sourceRevision": "cba74820a93b830be73c5600ba3482a5ae4aeeeaf1c37759a38cca3d84e93bb3" }