GTE-large è il modello di taglia large General Text Embeddings addestrato da Alibaba DAMO Academy. È un encoder di testo inglese principalmente basato sull’architettura BERT, con una rappresentazione densa a 1024 dimensioni per ogni input. Il produttore addestra la famiglia GTE su coppie di testi legati dalla pertinenza in più domini e identifica recupero, similarità semantica testuale e reranking del testo come applicazioni a valle.
Prepara il passaggio inglese che dovrebbe essere confrontato con una query di ricerca. Per una raccolta di rapporti tecnici, conserva soggetto, osservazione e condizione pertinente di una breve sezione. Un rapporto che descrive vibrazioni soltanto sotto un determinato carico dovrebbe preservare quella condizione, anziché lasciare un’affermazione generica sulle vibrazioni.
Mantieni identificatori delle fonti, titoli dei documenti e posizioni delle sezioni insieme ai vettori memorizzati. Una query può recuperare sezioni candidate, mentre il rapporto originale rimane disponibile per verificare apparecchiatura, condizione e conclusione. L’embedding fornisce una rappresentazione numerica del contenuto del passaggio.
La ricetta pubblicata usa pooling medio sulle rappresentazioni dei token con la maschera di attenzione, escludendo il padding dalla media. Mostra anche una normalizzazione L2 facoltativa seguita da un confronto a prodotto scalare tra vettori normalizzati. L’esempio Sentence Transformers usa la similarità del coseno.
Mantieni le stesse impostazioni di preparazione, pooling e confronto tra la raccolta e il lato query. Ogni rappresentazione contiene 1024 componenti. Il numero maggiore di componenti è un dettaglio dell’edizione; non stabilisce che i vettori GTE-large possano essere mescolati con la rappresentazione GTE-base a 768 dimensioni o con un altro encoder a 1024 dimensioni.
Un flusso di reranking può confrontare un embedding di query con un insieme di embedding candidati già recuperati e riordinare quei record. Mantieni la distinzione tra quel confronto vettoriale e un modello separato che valuta congiuntamente una coppia query–passaggio.
La scheda limita esplicitamente questo modello esatto al testo inglese e tronca gli input lunghi a un massimo di 512 token. Suddividi un rapporto tecnico lungo in sezioni coerenti e mantieni abbastanza contesto locale affinché ogni sezione sia comprensibile autonomamente. Se una frase dipende da una precisazione precedente, conserva tale precisazione nella stessa unità indicizzata quando rientra nel limite.
Un confine in token è diverso da un conteggio visibile di parole. Verifica la lunghezza della sezione preparata e assicurati che il dettaglio necessario alla ricerca prevista non sia posizionato oltre la parte conservata dopo il troncamento.
Per un’applicazione di ricerca nei rapporti, presenta sezioni candidate con le posizioni nelle fonti ed esaminane il contenuto effettivo. Osservazioni simili possono avere cause o raccomandazioni differenti. Un punteggio vettoriale aiuta a ordinare i candidati con la configurazione di confronto scelta; non stabilisce che la conclusione di un rapporto si applichi a una nuova situazione.
Per il RAG, usa le sezioni selezionate come contesto di origine per la fase di scrittura della risposta e conserva i collegamenti ai documenti. Questo profilo esatto GTE-large fornisce embedding densi inglesi a 1024 dimensioni e un confine di input di 512 token. Le successive edizioni GTE multilingue e a contesto esteso hanno identità separate, quindi la loro copertura linguistica o le loro impostazioni di input non derivano dal nome di famiglia di questo checkpoint.
", "aboutText": "GTE-large è il modello di taglia large General Text Embeddings addestrato da Alibaba DAMO Academy. È un encoder di testo inglese principalmente basato sull’architettura BERT, con una rappresentazione densa a 1024 dimensioni per ogni input. Il produttore addestra la famiglia GTE su coppie di testi legati dalla pertinenza in più domini e identifica recupero, similarità semantica testuale e reranking del testo come applicazioni a valle.\n\n### Rappresentare il contenuto di una sezione\n\nPrepara il passaggio inglese che dovrebbe essere confrontato con una query di ricerca. Per una raccolta di rapporti tecnici, conserva soggetto, osservazione e condizione pertinente di una breve sezione. Un rapporto che descrive vibrazioni soltanto sotto un determinato carico dovrebbe preservare quella condizione, anziché lasciare un’affermazione generica sulle vibrazioni.\n\nMantieni identificatori delle fonti, titoli dei documenti e posizioni delle sezioni insieme ai vettori memorizzati. Una query può recuperare sezioni candidate, mentre il rapporto originale rimane disponibile per verificare apparecchiatura, condizione e conclusione. L’embedding fornisce una rappresentazione numerica del contenuto del passaggio.\n\n### Pooling, normalizzazione e uso dei vettori\n\nLa ricetta pubblicata usa pooling medio sulle rappresentazioni dei token con la maschera di attenzione, escludendo il padding dalla media. Mostra anche una normalizzazione L2 facoltativa seguita da un confronto a prodotto scalare tra vettori normalizzati. L’esempio Sentence Transformers usa la similarità del coseno.\n\nMantieni le stesse impostazioni di preparazione, pooling e confronto tra la raccolta e il lato query. Ogni rappresentazione contiene 1024 componenti. Il numero maggiore di componenti è un dettaglio dell’edizione; non stabilisce che i vettori GTE-large possano essere mescolati con la rappresentazione GTE-base a 768 dimensioni o con un altro encoder a 1024 dimensioni.\n\nUn flusso di reranking può confrontare un embedding di query con un insieme di embedding candidati già recuperati e riordinare quei record. Mantieni la distinzione tra quel confronto vettoriale e un modello separato che valuta congiuntamente una coppia query–passaggio.\n\n### Lunghezza dell’input e limitazione all’inglese\n\nLa scheda limita esplicitamente questo modello esatto al testo inglese e tronca gli input lunghi a un massimo di 512 token. Suddividi un rapporto tecnico lungo in sezioni coerenti e mantieni abbastanza contesto locale affinché ogni sezione sia comprensibile autonomamente. Se una frase dipende da una precisazione precedente, conserva tale precisazione nella stessa unità indicizzata quando rientra nel limite.\n\nUn confine in token è diverso da un conteggio visibile di parole. Verifica la lunghezza della sezione preparata e assicurati che il dettaglio necessario alla ricerca prevista non sia posizionato oltre la parte conservata dopo il troncamento.\n\n### Esaminare l’evidenza recuperata\n\nPer un’applicazione di ricerca nei rapporti, presenta sezioni candidate con le posizioni nelle fonti ed esaminane il contenuto effettivo. Osservazioni simili possono avere cause o raccomandazioni differenti. Un punteggio vettoriale aiuta a ordinare i candidati con la configurazione di confronto scelta; non stabilisce che la conclusione di un rapporto si applichi a una nuova situazione.\n\nPer il RAG, usa le sezioni selezionate come contesto di origine per la fase di scrittura della risposta e conserva i collegamenti ai documenti. Questo profilo esatto GTE-large fornisce embedding densi inglesi a 1024 dimensioni e un confine di input di 512 token. Le successive edizioni GTE multilingue e a contesto esteso hanno identità separate, quindi la loro copertura linguistica o le loro impostazioni di input non derivano dal nome di famiglia di questo checkpoint.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "3abb3c02b5b4e8956ec3dd67410cf210f125b33253c35d96b019b58207d2aadf", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "it", "methods": [ { "html": "thenlper/gte-largeGTE-large di Alibaba DAMO Academy converte testo inglese in vettori a 1024 dimensioni per recupero, similarità semantica e reranking basato sugli embedding. La sua ricetta di riferimento usa pooling medio, normalizzazione facoltativa e una lunghezza massima di sequenza di 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.
GTE-large è il modello di taglia large General Text Embeddings addestrato da Alibaba DAMO Academy. È un encoder di testo inglese principalmente basato sull’architettura BERT, con una rappresentazione densa a 1024 dimensioni per ogni input. Il produttore addestra la famiglia GTE su coppie di testi legati dalla pertinenza in più domini e identifica recupero, similarità semantica testuale e reranking del testo come applicazioni a valle.
Prepara il passaggio inglese che dovrebbe essere confrontato con una query di ricerca. Per una raccolta di rapporti tecnici, conserva soggetto, osservazione e condizione pertinente di una breve sezione. Un rapporto che descrive vibrazioni soltanto sotto un determinato carico dovrebbe preservare quella condizione, anziché lasciare un’affermazione generica sulle vibrazioni.
Mantieni identificatori delle fonti, titoli dei documenti e posizioni delle sezioni insieme ai vettori memorizzati. Una query può recuperare sezioni candidate, mentre il rapporto originale rimane disponibile per verificare apparecchiatura, condizione e conclusione. L’embedding fornisce una rappresentazione numerica del contenuto del passaggio.
La ricetta pubblicata usa pooling medio sulle rappresentazioni dei token con la maschera di attenzione, escludendo il padding dalla media. Mostra anche una normalizzazione L2 facoltativa seguita da un confronto a prodotto scalare tra vettori normalizzati. L’esempio Sentence Transformers usa la similarità del coseno.
Mantieni le stesse impostazioni di preparazione, pooling e confronto tra la raccolta e il lato query. Ogni rappresentazione contiene 1024 componenti. Il numero maggiore di componenti è un dettaglio dell’edizione; non stabilisce che i vettori GTE-large possano essere mescolati con la rappresentazione GTE-base a 768 dimensioni o con un altro encoder a 1024 dimensioni.
Un flusso di reranking può confrontare un embedding di query con un insieme di embedding candidati già recuperati e riordinare quei record. Mantieni la distinzione tra quel confronto vettoriale e un modello separato che valuta congiuntamente una coppia query–passaggio.
La scheda limita esplicitamente questo modello esatto al testo inglese e tronca gli input lunghi a un massimo di 512 token. Suddividi un rapporto tecnico lungo in sezioni coerenti e mantieni abbastanza contesto locale affinché ogni sezione sia comprensibile autonomamente. Se una frase dipende da una precisazione precedente, conserva tale precisazione nella stessa unità indicizzata quando rientra nel limite.
Un confine in token è diverso da un conteggio visibile di parole. Verifica la lunghezza della sezione preparata e assicurati che il dettaglio necessario alla ricerca prevista non sia posizionato oltre la parte conservata dopo il troncamento.
Per un’applicazione di ricerca nei rapporti, presenta sezioni candidate con le posizioni nelle fonti ed esaminane il contenuto effettivo. Osservazioni simili possono avere cause o raccomandazioni differenti. Un punteggio vettoriale aiuta a ordinare i candidati con la configurazione di confronto scelta; non stabilisce che la conclusione di un rapporto si applichi a una nuova situazione.
Per il RAG, usa le sezioni selezionate come contesto di origine per la fase di scrittura della risposta e conserva i collegamenti ai documenti. Questo profilo esatto GTE-large fornisce embedding densi inglesi a 1024 dimensioni e un confine di input di 512 token. Le successive edizioni GTE multilingue e a contesto esteso hanno identità separate, quindi la loro copertura linguistica o le loro impostazioni di input non derivano dal nome di famiglia di questo checkpoint.
POST /v1/embeddingstext, token_idsembedding| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti thenlper/gte-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": "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\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-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 thenlper/gte-large
Usa i percorsi dei metodi indicati sopra.