E5-Large-v2 è il modello di embedding testuale inglese a ventiquattro strati di intfloat, con un output a 1024 dimensioni. È progettato per rappresentare numericamente query e passaggi per il recupero di informazioni e altre attività di embedding. La convenzione di preparazione E5 fa parte del suo addestramento: il testo di input porta un prefisso di ruolo e le rappresentazioni codificate dei token vengono aggregate in un vettore per quel testo.
Per il recupero asimmetrico, inizia la domanda con «query:» e il testo del corpus con «passage:». Questi ruoli distinguono ciò che l’utente cerca dal materiale che potrebbe rispondergli. Per un confronto simmetrico, la ricerca di parafrasi, il clustering o le caratteristiche di classificazione, il produttore raccomanda «query:» per i testi da codificare.
Una raccolta concreta può indicizzare spiegazioni di assistenza in inglese. Prepara una domanda come «query: What should I check before replacing the connector?» e abbinala a passaggi di origine che descrivono controlli ed eccezioni. Il testo del passaggio conserva il prefisso corrispondente. Memorizza l’identificatore della fonte e la formulazione originale accanto a ogni vettore, affinché il risultato possa restituire il materiale che un utente deve leggere.
I prefissi non sono etichette decorative da rimuovere da un lato dell’attività. Il produttore afferma che ometterli degrada le prestazioni di recupero, perché il modello è stato addestrato con quella preparazione. Applica il ruolo scelto in modo coerente quando costruisci il corpus e quando successivamente codifichi una query.
L’esempio ufficiale di codifica calcola la media delle rappresentazioni dei token escludendo le posizioni di padding con la maschera di attenzione. Normalizza poi il vettore risultante. Un prodotto scalare tra i vettori normalizzati della query e del passaggio fornisce la similarità del coseno per ordinare i candidati. Questa ricetta di pooling medio appartiene a E5-Large-v2; una ricetta basata sul primo token di una famiglia diversa è una scelta di preparazione separata.
I 1024 valori di output costituiscono l’embedding, non una risposta scritta né un’etichetta di categoria diretta. Una fase di ricerca confronta quei valori con rappresentazioni compatibili del corpus, e una fase successiva usa il testo del passaggio selezionato. Se i vettori servono come caratteristiche per clustering o classificazione, conserva l’associazione tra ogni vettore e il record di input di cui rappresenta le caratteristiche.
La scheda del modello specifica testo solo in inglese e il troncamento degli input lunghi a un massimo di 512 token. Mantieni coerente ogni passaggio del documento entro quella finestra, includendo il prefisso di ruolo e il contesto utile della fonte. Un manuale lungo dovrebbe essere preparato in sezioni i cui titoli, condizioni e istruzioni possano essere compresi quando vengono recuperati separatamente.
Per esempio, una clausola che descrive un’impostazione può richiedere la definizione di quella stessa impostazione e un’eccezione nella frase successiva. Preserva insieme questa piccola unità anziché dividere il testo soltanto in base al numero di caratteri. Mantieni il documento principale e la versione della fonte insieme al passaggio, così che un aggiornamento sostituisca il materiale corretto.
Il produttore spiega che l’ordine dei punteggi del coseno conta più dei loro valori assoluti. Un punteggio non dovrebbe essere interpretato come una probabilità calibrata che un passaggio risponda alla domanda. Verifica passaggi noti per contenere la risposta e materiale irrilevante vicino quando scegli quanti risultati conservare o dove filtrare un insieme di candidati.
L’output utile è una rappresentazione del corpus o della query, un segnale di confronto semantico o caratteristiche numeriche per un’altra attività. Questo checkpoint inglese Large v2 esatto rimane distinto da E5-Base-v2 e Multilingual-E5-Large. Dimensioni uguali, da sole, non rendono i loro vettori uno spazio di embedding comune documentato.
", "aboutText": "E5-Large-v2 è il modello di embedding testuale inglese a ventiquattro strati di intfloat, con un output a 1024 dimensioni. È progettato per rappresentare numericamente query e passaggi per il recupero di informazioni e altre attività di embedding. La convenzione di preparazione E5 fa parte del suo addestramento: il testo di input porta un prefisso di ruolo e le rappresentazioni codificate dei token vengono aggregate in un vettore per quel testo.\n\n### Mantenere espliciti i ruoli di query e passaggio\n\nPer il recupero asimmetrico, inizia la domanda con «query:» e il testo del corpus con «passage:». Questi ruoli distinguono ciò che l’utente cerca dal materiale che potrebbe rispondergli. Per un confronto simmetrico, la ricerca di parafrasi, il clustering o le caratteristiche di classificazione, il produttore raccomanda «query:» per i testi da codificare.\n\nUna raccolta concreta può indicizzare spiegazioni di assistenza in inglese. Prepara una domanda come «query: What should I check before replacing the connector?» e abbinala a passaggi di origine che descrivono controlli ed eccezioni. Il testo del passaggio conserva il prefisso corrispondente. Memorizza l’identificatore della fonte e la formulazione originale accanto a ogni vettore, affinché il risultato possa restituire il materiale che un utente deve leggere.\n\nI prefissi non sono etichette decorative da rimuovere da un lato dell’attività. Il produttore afferma che ometterli degrada le prestazioni di recupero, perché il modello è stato addestrato con quella preparazione. Applica il ruolo scelto in modo coerente quando costruisci il corpus e quando successivamente codifichi una query.\n\n### Pooling medio e vettori normalizzati\n\nL’esempio ufficiale di codifica calcola la media delle rappresentazioni dei token escludendo le posizioni di padding con la maschera di attenzione. Normalizza poi il vettore risultante. Un prodotto scalare tra i vettori normalizzati della query e del passaggio fornisce la similarità del coseno per ordinare i candidati. Questa ricetta di pooling medio appartiene a E5-Large-v2; una ricetta basata sul primo token di una famiglia diversa è una scelta di preparazione separata.\n\nI 1024 valori di output costituiscono l’embedding, non una risposta scritta né un’etichetta di categoria diretta. Una fase di ricerca confronta quei valori con rappresentazioni compatibili del corpus, e una fase successiva usa il testo del passaggio selezionato. Se i vettori servono come caratteristiche per clustering o classificazione, conserva l’associazione tra ogni vettore e il record di input di cui rappresenta le caratteristiche.\n\n### Testo inglese entro la finestra\n\nLa scheda del modello specifica testo solo in inglese e il troncamento degli input lunghi a un massimo di 512 token. Mantieni coerente ogni passaggio del documento entro quella finestra, includendo il prefisso di ruolo e il contesto utile della fonte. Un manuale lungo dovrebbe essere preparato in sezioni i cui titoli, condizioni e istruzioni possano essere compresi quando vengono recuperati separatamente.\n\nPer esempio, una clausola che descrive un’impostazione può richiedere la definizione di quella stessa impostazione e un’eccezione nella frase successiva. Preserva insieme questa piccola unità anziché dividere il testo soltanto in base al numero di caratteri. Mantieni il documento principale e la versione della fonte insieme al passaggio, così che un aggiornamento sostituisca il materiale corretto.\n\n### Leggere l’ordinamento come evidenza di recupero\n\nIl produttore spiega che l’ordine dei punteggi del coseno conta più dei loro valori assoluti. Un punteggio non dovrebbe essere interpretato come una probabilità calibrata che un passaggio risponda alla domanda. Verifica passaggi noti per contenere la risposta e materiale irrilevante vicino quando scegli quanti risultati conservare o dove filtrare un insieme di candidati.\n\nL’output utile è una rappresentazione del corpus o della query, un segnale di confronto semantico o caratteristiche numeriche per un’altra attività. Questo checkpoint inglese Large v2 esatto rimane distinto da E5-Base-v2 e Multilingual-E5-Large. Dimensioni uguali, da sole, non rendono i loro vettori uno spazio di embedding comune documentato.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "21f4dccfd68efdb59d77b2cc7189d4057805cb2743547456e32f02c4a2d02b4a", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "it", "methods": [ { "html": "intfloat/e5-large-v2intfloat E5-Large-v2 codifica query e passaggi in inglese come vettori a 1024 dimensioni. Il suo modello a 24 strati usa i ruoli query/passage, il pooling medio e un limite di input di 512 token per ricerca, similarità semantica e caratteristiche numeriche del testo.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
E5-Large-v2 è il modello di embedding testuale inglese a ventiquattro strati di intfloat, con un output a 1024 dimensioni. È progettato per rappresentare numericamente query e passaggi per il recupero di informazioni e altre attività di embedding. La convenzione di preparazione E5 fa parte del suo addestramento: il testo di input porta un prefisso di ruolo e le rappresentazioni codificate dei token vengono aggregate in un vettore per quel testo.
Per il recupero asimmetrico, inizia la domanda con «query:» e il testo del corpus con «passage:». Questi ruoli distinguono ciò che l’utente cerca dal materiale che potrebbe rispondergli. Per un confronto simmetrico, la ricerca di parafrasi, il clustering o le caratteristiche di classificazione, il produttore raccomanda «query:» per i testi da codificare.
Una raccolta concreta può indicizzare spiegazioni di assistenza in inglese. Prepara una domanda come «query: What should I check before replacing the connector?» e abbinala a passaggi di origine che descrivono controlli ed eccezioni. Il testo del passaggio conserva il prefisso corrispondente. Memorizza l’identificatore della fonte e la formulazione originale accanto a ogni vettore, affinché il risultato possa restituire il materiale che un utente deve leggere.
I prefissi non sono etichette decorative da rimuovere da un lato dell’attività. Il produttore afferma che ometterli degrada le prestazioni di recupero, perché il modello è stato addestrato con quella preparazione. Applica il ruolo scelto in modo coerente quando costruisci il corpus e quando successivamente codifichi una query.
L’esempio ufficiale di codifica calcola la media delle rappresentazioni dei token escludendo le posizioni di padding con la maschera di attenzione. Normalizza poi il vettore risultante. Un prodotto scalare tra i vettori normalizzati della query e del passaggio fornisce la similarità del coseno per ordinare i candidati. Questa ricetta di pooling medio appartiene a E5-Large-v2; una ricetta basata sul primo token di una famiglia diversa è una scelta di preparazione separata.
I 1024 valori di output costituiscono l’embedding, non una risposta scritta né un’etichetta di categoria diretta. Una fase di ricerca confronta quei valori con rappresentazioni compatibili del corpus, e una fase successiva usa il testo del passaggio selezionato. Se i vettori servono come caratteristiche per clustering o classificazione, conserva l’associazione tra ogni vettore e il record di input di cui rappresenta le caratteristiche.
La scheda del modello specifica testo solo in inglese e il troncamento degli input lunghi a un massimo di 512 token. Mantieni coerente ogni passaggio del documento entro quella finestra, includendo il prefisso di ruolo e il contesto utile della fonte. Un manuale lungo dovrebbe essere preparato in sezioni i cui titoli, condizioni e istruzioni possano essere compresi quando vengono recuperati separatamente.
Per esempio, una clausola che descrive un’impostazione può richiedere la definizione di quella stessa impostazione e un’eccezione nella frase successiva. Preserva insieme questa piccola unità anziché dividere il testo soltanto in base al numero di caratteri. Mantieni il documento principale e la versione della fonte insieme al passaggio, così che un aggiornamento sostituisca il materiale corretto.
Il produttore spiega che l’ordine dei punteggi del coseno conta più dei loro valori assoluti. Un punteggio non dovrebbe essere interpretato come una probabilità calibrata che un passaggio risponda alla domanda. Verifica passaggi noti per contenere la risposta e materiale irrilevante vicino quando scegli quanti risultati conservare o dove filtrare un insieme di candidati.
L’output utile è una rappresentazione del corpus o della query, un segnale di confronto semantico o caratteristiche numeriche per un’altra attività. Questo checkpoint inglese Large v2 esatto rimane distinto da E5-Base-v2 e Multilingual-E5-Large. Dimensioni uguali, da sole, non rendono i loro vettori uno spazio di embedding comune documentato.
POST /v1/embeddingstext, token_idsembedding| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti intfloat/e5-large-v2 | Predefinito— |
Campoinput | Tipostring|string[]|integer[]|integer[][] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 Condizioni: Batch omogeneo non vuoto. Gli ID dei token sono numeri interi non negativi. Budget di input: Massimo: 512 · Unità di testo: byte UTF8 · Unità di token: elementi dell’array di token | Predefinito— |
Campoencoding_format | Tipostring | RequisitoFacoltativo | Valori e limiti float | Predefinitofloat |
Campodimensions | Tipointeger | RequisitoNon supportato | Valori e limiti Minimo: 1 | Predefinito— |
Campouser | Tipojson_value | RequisitoFacoltativo | Valori e limiti Condizioni: La fonte consente questo campo di metadati JSON; la semantica esatta del fornitore a monte dipende dal modello. | Predefinito— |
Camposession_id | Tipojson_value | RequisitoFacoltativo | Valori e limiti Condizioni: La fonte consente questo campo di metadati JSON; la semantica esatta del fornitore a monte dipende dal modello. | Predefinito— |
Campotrace | Tipojson_value | RequisitoFacoltativo | Valori e limiti Condizioni: La fonte consente questo campo di metadati JSON; la semantica esatta del fornitore a monte dipende dal modello. | Predefinito— |
Campoprovider | Tipoobject | RequisitoFacoltativo | Valori e limiti Condizioni: provider.options rifiutato | Predefinito— |
text_to_embedding
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, input |
Parametroinput_shapes | Contrattostring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parametroencoding_format | Contrattofloat |
Parametrodimensions_override | Contrattofalse |
Parametromax_input_budget_units | Contratto512 |
Parametromultimodal_objects | Contrattofalse |
Parametromaterial_types | Contrattotext, token_ids |
Ciclo di vita: synchronous_json
Conserva l'indice e la dimensione di ogni vettore.
Il nome del modello multimodale non consente oggetti immagine su questo percorso specifico.
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
| Configurazione | Listino delle tariffe | Costo |
|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Costo Input · Token in input $0.00002 / 1K token Output · Token in output $0 / 1K token Input · Lettura dalla cache — / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "intfloat/e5-large-v2", "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\nfrom openai import OpenAI\nimport os\n\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.embeddings.create(model='intfloat/e5-large-v2',input=["First document","Second document"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\njson
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva ogni vettore con il suo indice. Il numero di vettori deve coincidere con il numero di input; le dimensioni devono essere coerenti.
Non viene introdotto alcun endpoint per i job di embedding.
| Campo | Tipo |
|---|---|
Campoobject | Tipostring |
Campomodel | Tipostring |
Campodata[].index | Tipointeger |
Campodata[].embedding | Tipofinite float[] |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra intfloat/e5-large-v2
Usa i percorsi dei metodi indicati sopra.