GTE-base è il modello di taglia base General Text Embeddings addestrato da Alibaba DAMO Academy. Questo encoder di testo inglese è principalmente basato sull’architettura BERT e produce vettori densi a 768 dimensioni. Il suo addestramento usa un grande corpus di coppie legate dalla pertinenza in più domini, con recupero di informazioni, similarità semantica testuale e reranking del testo basato sugli embedding tra le applicazioni dichiarate.
Usa testo inglese leggibile sia per il bisogno informativo sia per il materiale da cercare. Per esempio, una query sulla sostituzione di un componente usurato può essere confrontata con brevi sezioni di manutenzione che descrivono criteri di sostituzione, passaggi di ispezione e istruzioni per l’ordine. Conserva il nome del componente e le condizioni che distinguono quelle sezioni.
L’esempio pubblicato codifica direttamente domande e testo candidato, senza un’istruzione di attività aggiunta. Mantieni quella preparazione coerente tra la raccolta e le query successive. Memorizza il passaggio originale e il suo identificatore accanto al vettore, affinché un risultato ordinato possa mostrare le informazioni rappresentate.
La ricetta di riferimento calcola la media delle rappresentazioni dei token del modello usando la maschera di attenzione, impedendo alle posizioni di padding di contribuire al risultato. Mostra poi una normalizzazione L2 facoltativa e confronta i vettori normalizzati tramite il loro prodotto scalare. Un esempio separato usa la similarità del coseno.
Scegli e mantieni una configurazione coerente di normalizzazione e confronto per indicizzazione e recupero. L’output contiene 768 componenti numeriche; non contiene una risposta generata. Per una fase di reranking dei candidati, codifica i passaggi candidati con lo stesso modello e ordinali in base alla similarità con la query. Rimane un confronto basato sugli embedding, anziché un’affermazione che il modello legga congiuntamente ogni coppia query–passaggio come un cross-encoder.
La scheda esatta limita questo modello al testo inglese e afferma che gli input lunghi vengono troncati a un massimo di 512 token. Un manuale lungo dovrebbe quindi diventare sezioni significative prima dell’indicizzazione. Mantieni un’avvertenza, un’eccezione o una precisazione insieme alla regola che modifica quando quei dettagli sono necessari per interpretare il passaggio.
Per una query sugli intervalli di manutenzione, una sezione contenente l’intervallo e la condizione operativa è più utile di un frammento che contiene soltanto un numero. Conserva il titolo o l’identità dell’apparecchiatura quando disambigua l’istruzione. Verifica la lunghezza con il tokenizer anziché affidarti al numero visibile di parole.
Il recupero restituisce candidati dalla raccolta indicizzata. Esamina i passaggi in testa rispetto all’attività esatta e conserva le posizioni nelle fonti quando li passi a una fase RAG di scrittura della risposta. Un passaggio correlato può discutere un’ispezione senza autorizzare la sostituzione; tale distinzione deve rimanere visibile nel materiale di origine.
GTE-base è distinto da GTE-large, che produce vettori a 1024 dimensioni, e dalle successive edizioni GTE multilingue o a contesto esteso. La sua identità pubblicata di modello definisce l’ambito inglese, la rappresentazione a 768 componenti e il confine di 512 token. Usa questo profilo esatto con query rappresentative e record di origine quando valuti una raccolta di recupero.
", "aboutText": "GTE-base è il modello di taglia base General Text Embeddings addestrato da Alibaba DAMO Academy. Questo encoder di testo inglese è principalmente basato sull’architettura BERT e produce vettori densi a 768 dimensioni. Il suo addestramento usa un grande corpus di coppie legate dalla pertinenza in più domini, con recupero di informazioni, similarità semantica testuale e reranking del testo basato sugli embedding tra le applicazioni dichiarate.\n\n### Preparare query e passaggi in inglese\n\nUsa testo inglese leggibile sia per il bisogno informativo sia per il materiale da cercare. Per esempio, una query sulla sostituzione di un componente usurato può essere confrontata con brevi sezioni di manutenzione che descrivono criteri di sostituzione, passaggi di ispezione e istruzioni per l’ordine. Conserva il nome del componente e le condizioni che distinguono quelle sezioni.\n\nL’esempio pubblicato codifica direttamente domande e testo candidato, senza un’istruzione di attività aggiunta. Mantieni quella preparazione coerente tra la raccolta e le query successive. Memorizza il passaggio originale e il suo identificatore accanto al vettore, affinché un risultato ordinato possa mostrare le informazioni rappresentate.\n\n### Pooling medio e confronto\n\nLa ricetta di riferimento calcola la media delle rappresentazioni dei token del modello usando la maschera di attenzione, impedendo alle posizioni di padding di contribuire al risultato. Mostra poi una normalizzazione L2 facoltativa e confronta i vettori normalizzati tramite il loro prodotto scalare. Un esempio separato usa la similarità del coseno.\n\nScegli e mantieni una configurazione coerente di normalizzazione e confronto per indicizzazione e recupero. L’output contiene 768 componenti numeriche; non contiene una risposta generata. Per una fase di reranking dei candidati, codifica i passaggi candidati con lo stesso modello e ordinali in base alla similarità con la query. Rimane un confronto basato sugli embedding, anziché un’affermazione che il modello legga congiuntamente ogni coppia query–passaggio come un cross-encoder.\n\n### Ambito inglese e input di 512 token\n\nLa scheda esatta limita questo modello al testo inglese e afferma che gli input lunghi vengono troncati a un massimo di 512 token. Un manuale lungo dovrebbe quindi diventare sezioni significative prima dell’indicizzazione. Mantieni un’avvertenza, un’eccezione o una precisazione insieme alla regola che modifica quando quei dettagli sono necessari per interpretare il passaggio.\n\nPer una query sugli intervalli di manutenzione, una sezione contenente l’intervallo e la condizione operativa è più utile di un frammento che contiene soltanto un numero. Conserva il titolo o l’identità dell’apparecchiatura quando disambigua l’istruzione. Verifica la lunghezza con il tokenizer anziché affidarti al numero visibile di parole.\n\n### Usare i passaggi di origine dietro il punteggio\n\nIl recupero restituisce candidati dalla raccolta indicizzata. Esamina i passaggi in testa rispetto all’attività esatta e conserva le posizioni nelle fonti quando li passi a una fase RAG di scrittura della risposta. Un passaggio correlato può discutere un’ispezione senza autorizzare la sostituzione; tale distinzione deve rimanere visibile nel materiale di origine.\n\nGTE-base è distinto da GTE-large, che produce vettori a 1024 dimensioni, e dalle successive edizioni GTE multilingue o a contesto esteso. La sua identità pubblicata di modello definisce l’ambito inglese, la rappresentazione a 768 componenti e il confine di 512 token. Usa questo profilo esatto con query rappresentative e record di origine quando valuti una raccolta di recupero.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "a726fcd3a9eee0e8b1f2f4a3341cbde361365f7338c5c9fbf304bb741c650e68", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "it", "methods": [ { "html": "thenlper/gte-baseGTE-base di Alibaba DAMO Academy codifica testo inglese in vettori a 768 dimensioni per recupero e similarità semantica. Il modello esatto usa pooling medio, supporta sequenze fino a 512 token e documenta un confronto di tipo coseno con normalizzazione facoltativa.
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.
GTE-base è il modello di taglia base General Text Embeddings addestrato da Alibaba DAMO Academy. Questo encoder di testo inglese è principalmente basato sull’architettura BERT e produce vettori densi a 768 dimensioni. Il suo addestramento usa un grande corpus di coppie legate dalla pertinenza in più domini, con recupero di informazioni, similarità semantica testuale e reranking del testo basato sugli embedding tra le applicazioni dichiarate.
Usa testo inglese leggibile sia per il bisogno informativo sia per il materiale da cercare. Per esempio, una query sulla sostituzione di un componente usurato può essere confrontata con brevi sezioni di manutenzione che descrivono criteri di sostituzione, passaggi di ispezione e istruzioni per l’ordine. Conserva il nome del componente e le condizioni che distinguono quelle sezioni.
L’esempio pubblicato codifica direttamente domande e testo candidato, senza un’istruzione di attività aggiunta. Mantieni quella preparazione coerente tra la raccolta e le query successive. Memorizza il passaggio originale e il suo identificatore accanto al vettore, affinché un risultato ordinato possa mostrare le informazioni rappresentate.
La ricetta di riferimento calcola la media delle rappresentazioni dei token del modello usando la maschera di attenzione, impedendo alle posizioni di padding di contribuire al risultato. Mostra poi una normalizzazione L2 facoltativa e confronta i vettori normalizzati tramite il loro prodotto scalare. Un esempio separato usa la similarità del coseno.
Scegli e mantieni una configurazione coerente di normalizzazione e confronto per indicizzazione e recupero. L’output contiene 768 componenti numeriche; non contiene una risposta generata. Per una fase di reranking dei candidati, codifica i passaggi candidati con lo stesso modello e ordinali in base alla similarità con la query. Rimane un confronto basato sugli embedding, anziché un’affermazione che il modello legga congiuntamente ogni coppia query–passaggio come un cross-encoder.
La scheda esatta limita questo modello al testo inglese e afferma che gli input lunghi vengono troncati a un massimo di 512 token. Un manuale lungo dovrebbe quindi diventare sezioni significative prima dell’indicizzazione. Mantieni un’avvertenza, un’eccezione o una precisazione insieme alla regola che modifica quando quei dettagli sono necessari per interpretare il passaggio.
Per una query sugli intervalli di manutenzione, una sezione contenente l’intervallo e la condizione operativa è più utile di un frammento che contiene soltanto un numero. Conserva il titolo o l’identità dell’apparecchiatura quando disambigua l’istruzione. Verifica la lunghezza con il tokenizer anziché affidarti al numero visibile di parole.
Il recupero restituisce candidati dalla raccolta indicizzata. Esamina i passaggi in testa rispetto all’attività esatta e conserva le posizioni nelle fonti quando li passi a una fase RAG di scrittura della risposta. Un passaggio correlato può discutere un’ispezione senza autorizzare la sostituzione; tale distinzione deve rimanere visibile nel materiale di origine.
GTE-base è distinto da GTE-large, che produce vettori a 1024 dimensioni, e dalle successive edizioni GTE multilingue o a contesto esteso. La sua identità pubblicata di modello definisce l’ambito inglese, la rappresentazione a 768 componenti e il confine di 512 token. Usa questo profilo esatto con query rappresentative e record di origine quando valuti una raccolta di recupero.
POST /v1/embeddingstext, token_idsembedding| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti thenlper/gte-base | 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 $0.00001 / 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": "thenlper/gte-base", "input": ["First document", "Second document"]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\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='thenlper/gte-base',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 thenlper/gte-base
Usa i percorsi dei metodi indicati sopra.