Multilingual-E5-Large è il modello multilingue di embedding testuale denso di intfloat, con ventiquattro strati e un output a 1024 dimensioni. È inizializzato da XLM-RoBERTa Large e ulteriormente addestrato su dati multilingue. La scheda del modello descrive il supporto alle cento lingue comprese nell’ambito di XLM-R, segnalando prestazioni inferiori per le lingue con poche risorse. I suoi vettori rappresentano il testo per il recupero di informazioni, il confronto semantico e attività basate su caratteristiche numeriche.
I prefissi appresi sono «query:» e «passage:», anche per il testo non inglese. Una query di ricerca e i passaggi del suo corpus usano i rispettivi ruoli. I prefissi rimangono quelle stringhe inglesi, mentre il testo di partenza conserva la propria lingua. Per la similarità semantica simmetrica, la ricerca di parafrasi, l’estrazione di testi paralleli o l’uso come caratteristiche, il produttore raccomanda «query:».
Una raccolta concreta può contenere documentazione in diverse lingue supportate. Conserva la lingua, il testo originale e la posizione nella fonte di ogni passaggio insieme al suo vettore. Prepara domande di ricerca reali provenienti dal pubblico, anziché presumere che un test in inglese rappresenti l’intera raccolta. L’output dovrebbe restituire il passaggio effettivo e il suo contesto, affinché il lettore possa valutarne il contenuto.
Per un’attività di corrispondenza multilingue, mantieni chiaro lo scopo del confronto. Una coppia candidata di traduzioni e una query che cerca un passaggio di supporto richiedono preparazioni differenti. Le indicazioni del modello sui prefissi di ruolo forniscono una convenzione concreta per tali attività; omettere il prefisso non è l’equivalente documentato, perché cambia il formato di input usato nell’addestramento.
L’esempio del produttore calcola la media delle rappresentazioni dei token usando una maschera di attenzione per escludere il padding, quindi normalizza il vettore. I prodotti scalari normalizzati forniscono la similarità del coseno. L’array a 1024 dimensioni rappresenta un testo preparato. Mantieni associati il modello esatto e la preparazione ai vettori memorizzati, così che le query successive usino la rappresentazione corrispondente.
Questi vettori possono fornire ordinamenti di candidati o caratteristiche per una successiva fase di clustering o classificazione. Non traducono la fonte e non compongono una risposta. Restituisci il testo del passaggio sottostante quando un risultato di ricerca deve supportare un lettore o una successiva fase di generazione RAG.
La scheda del modello documenta un pre-addestramento contrastivo debolmente supervisionato, seguito da fine-tuning supervisionato. La preparazione multilingue comprende materiale come coppie titolo–passaggio, coppie conversazionali e coppie di traduzioni, mentre dati etichettati di recupero delle informazioni e comprensione linguistica alimentano la fase successiva. Ciò spiega le attività di rappresentazione del testo previste senza stabilire prestazioni equivalenti in tutte le lingue.
Il produttore identifica esplicitamente il degrado nelle lingue con poche risorse come una limitazione. Verifica le lingue e le formulazioni effettive della raccolta, comprese abbreviazioni, nomi e lessico specialistico. L’etichetta multilingue descrive utilmente l’ambito; la pertinenza del testo restituito deve comunque essere esaminata per il pubblico e l’attività previsti.
Gli input lunghi vengono troncati a un massimo di 512 token. Prepara un documento esteso in passaggi coerenti, includendo il prefisso di ruolo e i titoli pertinenti. Mantieni definizioni e precisazioni accanto all’affermazione su cui incidono, e conserva un identificatore del documento principale e una versione della fonte al di fuori del vettore.
Il produttore raccomanda di concentrarsi sull’ordine relativo dei punteggi del coseno, anziché trattare un valore assoluto come una misura universale di confidenza. Un risultato utile è un insieme di passaggi candidati, rappresentazioni testuali confrontabili o caratteristiche collegate ai record originali. Questo modello esatto rimane distinto dai checkpoint E5 v2 solo inglesi e dalle varianti E5 adattate alle istruzioni, anche quando un altro modello restituisce a sua volta 1024 valori.
", "aboutText": "Multilingual-E5-Large è il modello multilingue di embedding testuale denso di intfloat, con ventiquattro strati e un output a 1024 dimensioni. È inizializzato da XLM-RoBERTa Large e ulteriormente addestrato su dati multilingue. La scheda del modello descrive il supporto alle cento lingue comprese nell’ambito di XLM-R, segnalando prestazioni inferiori per le lingue con poche risorse. I suoi vettori rappresentano il testo per il recupero di informazioni, il confronto semantico e attività basate su caratteristiche numeriche.\n\n### Preservare il ruolo dell’input in ogni lingua\n\nI prefissi appresi sono «query:» e «passage:», anche per il testo non inglese. Una query di ricerca e i passaggi del suo corpus usano i rispettivi ruoli. I prefissi rimangono quelle stringhe inglesi, mentre il testo di partenza conserva la propria lingua. Per la similarità semantica simmetrica, la ricerca di parafrasi, l’estrazione di testi paralleli o l’uso come caratteristiche, il produttore raccomanda «query:».\n\nUna raccolta concreta può contenere documentazione in diverse lingue supportate. Conserva la lingua, il testo originale e la posizione nella fonte di ogni passaggio insieme al suo vettore. Prepara domande di ricerca reali provenienti dal pubblico, anziché presumere che un test in inglese rappresenti l’intera raccolta. L’output dovrebbe restituire il passaggio effettivo e il suo contesto, affinché il lettore possa valutarne il contenuto.\n\nPer un’attività di corrispondenza multilingue, mantieni chiaro lo scopo del confronto. Una coppia candidata di traduzioni e una query che cerca un passaggio di supporto richiedono preparazioni differenti. Le indicazioni del modello sui prefissi di ruolo forniscono una convenzione concreta per tali attività; omettere il prefisso non è l’equivalente documentato, perché cambia il formato di input usato nell’addestramento.\n\n### Pooling e confronto dei vettori\n\nL’esempio del produttore calcola la media delle rappresentazioni dei token usando una maschera di attenzione per escludere il padding, quindi normalizza il vettore. I prodotti scalari normalizzati forniscono la similarità del coseno. L’array a 1024 dimensioni rappresenta un testo preparato. Mantieni associati il modello esatto e la preparazione ai vettori memorizzati, così che le query successive usino la rappresentazione corrispondente.\n\nQuesti vettori possono fornire ordinamenti di candidati o caratteristiche per una successiva fase di clustering o classificazione. Non traducono la fonte e non compongono una risposta. Restituisci il testo del passaggio sottostante quando un risultato di ricerca deve supportare un lettore o una successiva fase di generazione RAG.\n\n### Addestramento e copertura linguistica\n\nLa scheda del modello documenta un pre-addestramento contrastivo debolmente supervisionato, seguito da fine-tuning supervisionato. La preparazione multilingue comprende materiale come coppie titolo–passaggio, coppie conversazionali e coppie di traduzioni, mentre dati etichettati di recupero delle informazioni e comprensione linguistica alimentano la fase successiva. Ciò spiega le attività di rappresentazione del testo previste senza stabilire prestazioni equivalenti in tutte le lingue.\n\nIl produttore identifica esplicitamente il degrado nelle lingue con poche risorse come una limitazione. Verifica le lingue e le formulazioni effettive della raccolta, comprese abbreviazioni, nomi e lessico specialistico. L’etichetta multilingue descrive utilmente l’ambito; la pertinenza del testo restituito deve comunque essere esaminata per il pubblico e l’attività previsti.\n\n### Lunghezza e risultati utili\n\nGli input lunghi vengono troncati a un massimo di 512 token. Prepara un documento esteso in passaggi coerenti, includendo il prefisso di ruolo e i titoli pertinenti. Mantieni definizioni e precisazioni accanto all’affermazione su cui incidono, e conserva un identificatore del documento principale e una versione della fonte al di fuori del vettore.\n\nIl produttore raccomanda di concentrarsi sull’ordine relativo dei punteggi del coseno, anziché trattare un valore assoluto come una misura universale di confidenza. Un risultato utile è un insieme di passaggi candidati, rappresentazioni testuali confrontabili o caratteristiche collegate ai record originali. Questo modello esatto rimane distinto dai checkpoint E5 v2 solo inglesi e dalle varianti E5 adattate alle istruzioni, anche quando un altro modello restituisce a sua volta 1024 valori.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "b699653c330c4ed3e712e9f5fde7a42bee84bf08cef331acc612d034d6099dca", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "it", "methods": [ { "html": "intfloat/multilingual-e5-largeintfloat Multilingual-E5-Large codifica testo multilingue in vettori a 1024 dimensioni con un modello a 24 strati. Copre le cento lingue di XLM-R, usa i prefissi inglesi query/passage per ogni lingua e tronca gli input a 512 token.
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.
Multilingual-E5-Large è il modello multilingue di embedding testuale denso di intfloat, con ventiquattro strati e un output a 1024 dimensioni. È inizializzato da XLM-RoBERTa Large e ulteriormente addestrato su dati multilingue. La scheda del modello descrive il supporto alle cento lingue comprese nell’ambito di XLM-R, segnalando prestazioni inferiori per le lingue con poche risorse. I suoi vettori rappresentano il testo per il recupero di informazioni, il confronto semantico e attività basate su caratteristiche numeriche.
I prefissi appresi sono «query:» e «passage:», anche per il testo non inglese. Una query di ricerca e i passaggi del suo corpus usano i rispettivi ruoli. I prefissi rimangono quelle stringhe inglesi, mentre il testo di partenza conserva la propria lingua. Per la similarità semantica simmetrica, la ricerca di parafrasi, l’estrazione di testi paralleli o l’uso come caratteristiche, il produttore raccomanda «query:».
Una raccolta concreta può contenere documentazione in diverse lingue supportate. Conserva la lingua, il testo originale e la posizione nella fonte di ogni passaggio insieme al suo vettore. Prepara domande di ricerca reali provenienti dal pubblico, anziché presumere che un test in inglese rappresenti l’intera raccolta. L’output dovrebbe restituire il passaggio effettivo e il suo contesto, affinché il lettore possa valutarne il contenuto.
Per un’attività di corrispondenza multilingue, mantieni chiaro lo scopo del confronto. Una coppia candidata di traduzioni e una query che cerca un passaggio di supporto richiedono preparazioni differenti. Le indicazioni del modello sui prefissi di ruolo forniscono una convenzione concreta per tali attività; omettere il prefisso non è l’equivalente documentato, perché cambia il formato di input usato nell’addestramento.
L’esempio del produttore calcola la media delle rappresentazioni dei token usando una maschera di attenzione per escludere il padding, quindi normalizza il vettore. I prodotti scalari normalizzati forniscono la similarità del coseno. L’array a 1024 dimensioni rappresenta un testo preparato. Mantieni associati il modello esatto e la preparazione ai vettori memorizzati, così che le query successive usino la rappresentazione corrispondente.
Questi vettori possono fornire ordinamenti di candidati o caratteristiche per una successiva fase di clustering o classificazione. Non traducono la fonte e non compongono una risposta. Restituisci il testo del passaggio sottostante quando un risultato di ricerca deve supportare un lettore o una successiva fase di generazione RAG.
La scheda del modello documenta un pre-addestramento contrastivo debolmente supervisionato, seguito da fine-tuning supervisionato. La preparazione multilingue comprende materiale come coppie titolo–passaggio, coppie conversazionali e coppie di traduzioni, mentre dati etichettati di recupero delle informazioni e comprensione linguistica alimentano la fase successiva. Ciò spiega le attività di rappresentazione del testo previste senza stabilire prestazioni equivalenti in tutte le lingue.
Il produttore identifica esplicitamente il degrado nelle lingue con poche risorse come una limitazione. Verifica le lingue e le formulazioni effettive della raccolta, comprese abbreviazioni, nomi e lessico specialistico. L’etichetta multilingue descrive utilmente l’ambito; la pertinenza del testo restituito deve comunque essere esaminata per il pubblico e l’attività previsti.
Gli input lunghi vengono troncati a un massimo di 512 token. Prepara un documento esteso in passaggi coerenti, includendo il prefisso di ruolo e i titoli pertinenti. Mantieni definizioni e precisazioni accanto all’affermazione su cui incidono, e conserva un identificatore del documento principale e una versione della fonte al di fuori del vettore.
Il produttore raccomanda di concentrarsi sull’ordine relativo dei punteggi del coseno, anziché trattare un valore assoluto come una misura universale di confidenza. Un risultato utile è un insieme di passaggi candidati, rappresentazioni testuali confrontabili o caratteristiche collegate ai record originali. Questo modello esatto rimane distinto dai checkpoint E5 v2 solo inglesi e dalle varianti E5 adattate alle istruzioni, anche quando un altro modello restituisce a sua volta 1024 valori.
POST /v1/embeddingstext, token_idsembedding| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti intfloat/multilingual-e5-large | 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/multilingual-e5-large", "input": ["First document", "Second document"]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\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/multilingual-e5-large',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/multilingual-e5-large
Usa i percorsi dei metodi indicati sopra.