Source: https://ailoot.ai/models/it/liquid-lfm-2-5-embedding-350m-u003a-free/ Canonical: https://ailoot.ai/models/it/liquid-lfm-2-5-embedding-350m-u003a-free/ Language: it # LiquidAI: LFM2.5-Embedding-350M (free) [Markdown](https://ailoot.ai/models/it/liquid-lfm-2-5-embedding-350m-u003a-free/index.md) · [JSON](https://ailoot.ai/models/it/liquid-lfm-2-5-embedding-350m-u003a-free/facts.json) ## [LiquidAI: LFM2.5-Embedding-350M (free)](https://ailoot.ai/models/it/liquid-lfm-2-5-embedding-350m-u003a-free/) LiquidAI LFM2.5-Embedding-350M produce un vettore di 1024 dimensioni per ogni testo, per il recupero multilingue e tra lingue diverse. È pensato per 11 lingue e ingressi brevi di 512 token, con prefissi distinti per query e documenti. - [**Ailoot Ultra · Embedding** `POST /v1/embeddings` `liquid/lfm-2.5-embedding-350m:free`](https://ailoot.ai/models/it/liquid-lfm-2-5-embedding-350m-u003a-free/#method-0) Informazioni sul modello 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. LFM2.5-Embedding-350M è il bi-encoder denso di LiquidAI per recupero multilingue e tra lingue diverse. Produce un vettore a 1024 dimensioni per ogni testo e mira alla ricerca a contesto breve in undici lingue. La famiglia denominata 350M usa un adattamento bidirezionale di LFM2.5-350M-Base; la tabella dettagliata del modello indica circa 354 milioni di parametri per questa edizione di embedding. #### Una rappresentazione bidirezionale per il recupero Il produttore adatta l’architettura di base affinché attenzione e convoluzioni locali possano usare il contesto su entrambi i lati di un token. Il pooling di tipo CLS trasforma il testo elaborato in un vettore denso. La tabella del modello descrive diciassette strati: dieci blocchi di convoluzione, sei blocchi di attenzione e una fase di pooling. È un encoder di recupero con propria preparazione e output, anziché l’attività di generazione testuale del modello base. Il modello denominato separatamente LFM2.5-ColBERT-350M conserva vettori per token per l’interazione tardiva. Quella rappresentazione richiede un indice e un metodo di confronto diversi. Il modello Embedding qui descritto fornisce un vettore per documento o query, con la similarità del coseno come confronto documentato. #### Usare i prompt asimmetrici corretti Prepara le query di ricerca con «query:» e i passaggi di origine con «document:». Il produttore memorizza questi prompt nella configurazione e il flusso di riferimento applica il nome di prompt corrispondente. Raccomanda specificamente di usare il ruolo appropriato su ogni lato, perché il modello è stato addestrato con questi prefissi. Questo prefisso di documento è diverso dalla convenzione «passage:» dei modelli E5. Una raccolta concreta di ricerca di prodotti può contenere descrizioni nelle lingue supportate. Prepara la formulazione di ricerca dell’utente come query e ogni descrizione di prodotto come documento. Memorizza testo originale, identificatore del prodotto e lingua insieme al vettore, affinché un risultato di ricerca possa restituire il record corrispondente. Per una raccolta di assistenza, conserva la regola o l’istruzione pertinente alla domanda anziché sostituirla con un’etichetta breve non correlata. #### Lingue e dimensione dei passaggi L’insieme linguistico documentato comprende inglese, spagnolo, tedesco, francese, italiano, portoghese, arabo, svedese, norvegese, giapponese e coreano. Il produttore mira esplicitamente sia al recupero all’interno di una lingua sia al recupero tra lingue diverse. Prepara domande reali del pubblico previsto ed esamina il testo dei documenti restituiti in quelle lingue. La specifica di lunghezza del documento è di 512 token. Dividi una fonte lunga in passaggi coerenti che preservino titolo, definizioni e condizioni necessari a un risultato recuperato. Il prefisso di ruolo e il contesto aggiunto fanno parte dell’input preparato. Una risposta di FAQ, una spiegazione di prodotto o una sezione mirata di un documento tecnico sono unità più adatte di un intero manuale eccessivamente grande. #### Addestramento e corrispondenza Il produttore descrive tre fasi di addestramento: pre-addestramento contrastivo inglese, distillazione multilingue e tra lingue diverse, quindi fine-tuning con esempi negativi difficili selezionati. Il modello risultante è destinato a cataloghi di prodotti, raccolte di FAQ e assistenza, ricerca in file o note e recupero di conoscenze aziendali. Sono attività per le rappresentazioni testuali, non affermazioni sul deployment di una particolare applicazione. L’esempio del produttore normalizza i vettori di query e documenti e li ordina con un prodotto scalare, equivalente alla similarità del coseno. Precalcola le rappresentazioni del corpus quando il materiale di origine è preparato, poi codifica una query di ricerca e restituisci documenti candidati con testo e identificatori. Mantieni il modello selezionato e la convenzione di ruolo insieme all’indice, affinché il confronto numerico usi rappresentazioni compatibili. Il risultato utile è un indice di ricerca denso e compatto o un vettore di query che recupera materiale di origine nell’insieme linguistico documentato. Questa esatta edizione LFM2.5 Embedding rimane distinta dal modello compagno ColBERT, dai precedenti modelli di recupero LFM2 e dalle implementazioni quantizzate esternamente. Il testo del passaggio selezionato è l’evidenza usata da un lettore o da una successiva fase di risposta RAG. **Ailoot Ultra · Embedding** `POST /v1/embeddings` `liquid/lfm-2.5-embedding-350m:free` [`liquid/lfm-2.5-embedding-350m:free`](https://ailoot.ai/models/it/#m=liquid%2Flfm-2.5-embedding-350m%3Afree&route=Ultra&caller=liquid%2Flfm-2.5-embedding-350m%3Afree&fmt=embeddings) LiquidAI /`liquid/lfm-2.5-embedding-350m:free` ### Introduzione LiquidAI LFM2.5-Embedding-350M produce un vettore di 1024 dimensioni per ogni testo, per il recupero multilingue e tra lingue diverse. È pensato per 11 lingue e ingressi brevi di 512 token, con prefissi distinti per query e documenti. Input accettati Testo · token\_ids Risultati embedding ### Disponibile in Ailoot · input e metodi **Ailoot Ultra · Embedding** `POST /v1/embeddings` Tipi di input `text`, `token_ids` Tipi di output `embedding` Contesto 512 tokens Formato di output json | Campo | Tipo | Requisito | Valori e limiti | Predefinito | | --- | --- | --- | --- | --- | | Campo`model` | Tipo`string` | RequisitoObbligatorio | Valori e limiti liquid/lfm-2.5-embedding-350m:free | Predefinito— | | Campo`input` | Tipo`string\|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— | | Campo`encoding_format` | Tipo`string` | RequisitoFacoltativo | Valori e limiti float | Predefinitofloat | | Campo`dimensions` | Tipo`integer` | RequisitoNon supportato | Valori e limiti Minimo: 1 | Predefinito— | | Campo`user` | Tipo`json_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— | | Campo`session_id` | Tipo`json_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— | | Campo`trace` | Tipo`json_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— | | Campo`provider` | Tipo`object` | RequisitoFacoltativo | Valori e limiti Condizioni: provider.options rifiutato | Predefinito— | Combinazioni di materiali in input **text\_to\_embedding** Parametri e ciclo di vita del metodo | Parametro | Contratto | | --- | --- | | Parametro`content_type` | Contrattoapplication/json | | Parametro`required` | Contrattomodel, input | | Parametro`input_shapes` | Contrattostring, string\[\], nonnegative\_integer\_token\_array, nonnegative\_integer\_token\_array\[\] | | Parametro`encoding_format` | Contrattofloat | | Parametro`dimensions_override` | Contrattofalse | | Parametro`max_input_budget_units` | Contratto512 | | Parametro`multimodal_objects` | Contrattofalse | | Parametro`material_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. ### Tariffe Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato. Modalità rapida Tariffa standard Quando è selezionata la modalità rapida Modalità flex Tariffa standard Quando è selezionata la modalità flex Sforzo massimo di ragionamento Tariffa standard Quando lo sforzo massimo di ragionamento usa l'adeguamento predefinito (default) #### Tariffe Ailoot #### Prezzi per configurazione | Configurazione | Listino delle tariffe | Costo | | --- | --- | --- | | ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Costo Input · Token in input **$0** / 1K token Output · Token in output **$0** / 1K token Input · Lettura dalla cache **—** / 1K token Input · Scrittura nella cache **—** / 1K token Input · Scrittura nella cache, 1 ora **—** / 1K token | Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. [Come funzionano la prenotazione e l’addebito finale →](https://ailoot.ai/docs/it/billing/reserve/) ### Esempi di richieste #### Ailoot Ultra · Embedding curlPython SDK ```bash set -eu : "${AILOOT_API_KEY:?Set your Ailoot API key}" python3 - <<'PY_REQUEST' import json,os from pathlib import Path p=json.loads('{"model": "liquid/lfm-2.5-embedding-350m:free", "input": ["First document", "Second document"]}') Path("request.json").write_text(json.dumps(p,ensure_ascii=False)) PY_REQUEST curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \ -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \ --data-binary @request.json -D response-headers.txt -o result.json python3 - <<'PY_RESULT' import json from pathlib import Path r=json.loads(Path("result.json").read_text()) for x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")})) PY_RESULT ``` ```python from openai import OpenAI import os client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0) result=client.embeddings.create(model='liquid/lfm-2.5-embedding-350m:free',input=["First document","Second document"]) print(result) for item in result.data:print(item.index,item.embedding) ``` ### Ricevi e salva i risultati #### Ailoot Ultra · Embedding json ##### Conserva tutti i risultati completati 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. ##### Se occorre verificare la risposta originale Non viene introdotto alcun endpoint per i job di embedding. Campi della risposta | Campo | Tipo | | --- | --- | | Campo`object` | Tipostring | | Campo`model` | Tipostring | | Campo`data[].index` | Tipointeger | | Campo`data[].embedding` | Tipofinite float\[\] | | Campo`usage` | Tipoobject | Errori e passaggi successivi | 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. | ### Alias #### Alias del modello **Ailoot Ultra** [`liquid/lfm-2.5-embedding-350m:free`](https://ailoot.ai/models/it/#m=liquid%2Flfm-2.5-embedding-350m%3Afree&route=Ultra&caller=liquid%2Flfm-2.5-embedding-350m%3Afree&fmt=embeddings) #### Alias dei percorsi dei metodi Usa i percorsi dei metodi indicati sopra. #### ID di chiamata correlati [`liquid/lfm-2.5-embedding-350m:free`](https://ailoot.ai/models/it/#m=liquid%2Flfm-2.5-embedding-350m%3Afree&route=Ultra&caller=liquid%2Flfm-2.5-embedding-350m%3Afree&fmt=embeddings) FAQ · LiquidAI: LFM2.5-Embedding-350M (free) Quali input e risultati sono disponibili? `POST /v1/embeddings` · `liquid/lfm-2.5-embedding-350m:free`: `text`, `token_ids` → `embedding` Quali campi usa la richiesta? `POST /v1/embeddings` · `liquid/lfm-2.5-embedding-350m:free`: `model`, `input`, `encoding_format`, `provider` Quali limiti si applicano? `POST /v1/embeddings` · `liquid/lfm-2.5-embedding-350m:free`: `ctx`: `512`; `input.budget.maximum`: `512` (byte UTF8); `input.min_items`: `1` Collega Ailoot a Claude Code, OpenCode, Hermes o alla tua applicazione. ## L’azienda e il suo portafoglio di progetti L’azienda e il suo portafoglio di progetti: milioni di clienti; vendite nell’ordine dei miliardi ogni mese. ## Acquista token con uno sconto. Sconto con abbonamento per lavoro regolare. Codici fino al 50% sull’acquisto di token. Abbonamento Scegli un piano scontato per richieste regolari. Codice fino al 50% Inserisci il codice all’acquisto. Il prezzo si aggiorna secondo la promozione. Spese nella cronologia Modello, token e importo sono salvati per ogni richiesta. [Scegli abbonamento](https://ailoot.ai/docs/it/billing/subscriptions/) · [Consulta prezzi dei modelli](https://ailoot.ai/models/it/) ## Collega l’API al prodotto che vendi. SaaS, app e bot secondo offerta e accordo di licenza Ailoot. Per rivendere, richiedi una licenza reseller. Applicazione commerciale Integra generazione di testo, immagini, video e suono nelle funzioni a pagamento. Licenza reseller Invia descrizione del progetto e schema di accesso. Richiedi condizioni scritte per uso e rivendita. Documenti sul sito Offerta, accordo di licenza e politica sui dati sono disponibili prima della connessione. [Richiedi licenza reseller](mailto:support@ailoot.ai) · [Offerta e accordo di licenza](https://ailoot.ai/legal/offer?lang=it) ## Ailoot · L’azienda e il suo portafoglio di progetti Ailoot si basa su un’esperienza operativa consolidata, un’ampia base di clienti, un servizio stabile e un controllo costante dei KPI. L’azienda e il suo portafoglio di progetti: milioni di clienti; vendite nell’ordine dei miliardi ogni mese. Ailoot mette questa esperienza operativa al servizio dell’accesso API alle funzioni AI nei prodotti dei clienti, negli agenti, nelle applicazioni e nelle automazioni.