Source: https://ailoot.ai/models/ko/liquid-lfm-2-5-embedding-350m-u003a-free/
Canonical: https://ailoot.ai/models/ko/liquid-lfm-2-5-embedding-350m-u003a-free/
Language: ko

# LiquidAI: LFM2.5-Embedding-350M (free)

[Markdown](https://ailoot.ai/models/ko/liquid-lfm-2-5-embedding-350m-u003a-free/index.md) · [JSON](https://ailoot.ai/models/ko/liquid-lfm-2-5-embedding-350m-u003a-free/facts.json)

## [LiquidAI: LFM2.5-Embedding-350M (free)](https://ailoot.ai/models/ko/liquid-lfm-2-5-embedding-350m-u003a-free/)

LiquidAI LFM2.5-Embedding-350M은 다국어 및 언어 간 검색을 위해 텍스트마다 1024차원 벡터 하나를 생성합니다. 11개 언어와 512토큰의 짧은 입력을 대상으로 하며, 쿼리와 문서에 서로 다른 접두어를 사용합니다.

- [**Ailoot Ultra · 임베딩** `POST /v1/embeddings` `liquid/lfm-2.5-embedding-350m:free`](https://ailoot.ai/models/ko/liquid-lfm-2-5-embedding-350m-u003a-free/#method-0)

모델 소개

이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.

LFM2.5-Embedding-350M은 다국어 및 언어 간 검색을 위한 LiquidAI의 밀집 바이인코더입니다. 텍스트마다 1024차원 벡터 하나를 생성하며, 11개 언어의 짧은 컨텍스트 검색을 대상으로 합니다. 350M이라는 이름의 모델 계열은 LFM2.5-350M-Base를 양방향으로 조정한 구조를 사용합니다. 상세 모델 표는 이 임베딩 에디션의 매개변수를 약 3억 5,400만 개로 제시합니다.

#### 양방향 검색 표현

제조사는 어텐션과 지역 합성곱이 토큰 양쪽의 맥락을 사용할 수 있도록 백본을 조정합니다. CLS 방식 풀링은 처리된 텍스트를 밀집 벡터 하나로 바꿉니다. 모델 표는 합성곱 블록 10개, 어텐션 블록 6개, 풀링 단계로 구성된 17개 레이어를 설명합니다. 이는 고유한 준비와 출력을 갖춘 검색 인코더이며, 기반 모델의 텍스트 생성 작업과 다릅니다.

별도 이름의 LFM2.5-ColBERT-350M은 후기 상호작용을 위해 토큰별 벡터를 유지합니다. 그 표현에는 다른 색인과 비교 방법이 필요합니다. 여기의 Embedding 모델은 문서나 질의마다 벡터 하나를 제공하며, 문서화된 비교 방식은 코사인 유사도입니다.

#### 올바른 비대칭 프롬프트 사용하기

검색 질의에는 “query:”를, 원문 지문에는 “document:”를 붙여 준비하세요. 제조사는 구성에 이 프롬프트를 저장하며, 참조 워크플로는 해당 프롬프트 이름을 적용합니다. 모델이 이러한 접두사로 학습됐기 때문에 양쪽에 알맞은 역할을 사용할 것을 구체적으로 권장합니다. 이 document 접두사는 E5 모델의 “passage:” 규칙과 다릅니다.

실제 제품 검색 컬렉션은 지원 언어의 설명을 담을 수 있습니다. 사용자의 검색 표현을 질의로 준비하고 각 제품 설명을 문서로 준비하세요. 검색 결과가 해당 레코드를 반환할 수 있도록 원문, 제품 식별자, 언어를 벡터와 함께 저장하세요. 지원 컬렉션에서는 질문에 관련된 정책이나 지침을 무관한 짧은 레이블로 바꾸지 말고 유지하세요.

#### 언어와 지문 크기

문서에 명시된 언어 집합은 영어, 스페인어, 독일어, 프랑스어, 이탈리아어, 포르투갈어, 아랍어, 스웨덴어, 노르웨이어, 일본어, 한국어입니다. 제조사는 같은 언어 내 검색과 언어 경계를 넘는 검색을 모두 대상으로 명시합니다. 대상 이용자의 실제 질문을 준비하고, 해당 언어로 반환된 문서 텍스트를 살펴보세요.

문서 길이 명세는 512토큰입니다. 긴 원문은 검색 결과에 필요한 제목, 정의, 조건을 보존하는 의미적으로 연결된 지문으로 나누세요. 역할 접두사와 추가 맥락은 준비된 입력의 일부입니다. FAQ 답변, 제품 설명, 기술 문서의 집중된 섹션이 지나치게 큰 매뉴얼 전체보다 적합한 단위입니다.

#### 학습과 매칭

제조사는 영어 대조 사전학습, 다국어 및 언어 간 증류, 하드 네거티브 마이닝으로 선별한 부정 예제를 사용한 미세조정이라는 세 학습 단계를 설명합니다. 결과 모델은 제품 카탈로그, FAQ 및 지원 컬렉션, 파일이나 메모 검색, 기업 지식 검색을 위한 것입니다. 이는 텍스트 표현의 작업 범위이며, 특정 애플리케이션이 배포됐다는 주장이 아닙니다.

제공자의 예제는 질의와 문서 벡터를 정규화하고 내적으로 순위를 매기며, 이는 코사인 유사도와 같습니다. 원본 자료를 준비할 때 코퍼스 표현을 미리 계산한 뒤, 검색 질의를 임베딩하고 텍스트 및 식별자와 함께 후보 문서를 반환하세요. 수치 비교가 호환되는 표현을 사용하도록 선택한 모델과 역할 규칙을 색인과 함께 유지하세요.

유용한 결과는 문서화된 언어 집합 전반에서 원본 자료를 검색하는 간결한 밀집 검색 색인이나 질의 벡터입니다. 이 정확한 LFM2.5 Embedding 에디션은 함께 제공되는 ColBERT 모델, 이전 LFM2 검색 모델, 외부에서 양자화한 구현과 구분됩니다. 선택된 지문 텍스트는 독자나 후속 RAG 답변 단계가 사용하는 근거입니다.

**Ailoot Ultra · 임베딩** `POST /v1/embeddings` `liquid/lfm-2.5-embedding-350m:free`

[`liquid/lfm-2.5-embedding-350m:free`](https://ailoot.ai/models/ko/#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`

### 시작하기

LiquidAI LFM2.5-Embedding-350M은 다국어 및 언어 간 검색을 위해 텍스트마다 1024차원 벡터 하나를 생성합니다. 11개 언어와 512토큰의 짧은 입력을 대상으로 하며, 쿼리와 문서에 서로 다른 접두어를 사용합니다.

허용 입력

텍스트 · token\_ids

결과

embedding

### Ailoot에서 사용 가능 · 입력 및 메서드

**Ailoot Ultra · 임베딩** `POST /v1/embeddings`

입력

`text`, `token_ids`

출력

`embedding`

컨텍스트

512 tokens

출력 형식

json

| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
| --- | --- | --- | --- | --- |
| 필드`model` | 유형`string` | 요건필수 | 값과 한도 liquid/lfm-2.5-embedding-350m:free | 기본값— |
| 필드`input` | 유형`string\|string[]\|integer[]\|integer[][]` | 요건필수 | 값과 한도 최소 항목 수: 1 조건: 비어 있지 않은 동일 형식의 배치입니다. 토큰 ID는 0 이상의 정수입니다. 입력 허용량: 최댓값: 512 · 텍스트 단위: UTF8 바이트 · 토큰 단위: 토큰 배열 요소 | 기본값— |
| 필드`encoding_format` | 유형`string` | 요건선택 사항 | 값과 한도 float | 기본값float |
| 필드`dimensions` | 유형`integer` | 요건지원되지 않음 | 값과 한도 최솟값: 1 | 기본값— |
| 필드`user` | 유형`json_value` | 요건선택 사항 | 값과 한도 조건: 원본에서 이 JSON 메타데이터 필드를 허용하며, 정확한 업스트림 동작은 모델별로 다릅니다. | 기본값— |
| 필드`session_id` | 유형`json_value` | 요건선택 사항 | 값과 한도 조건: 원본에서 이 JSON 메타데이터 필드를 허용하며, 정확한 업스트림 동작은 모델별로 다릅니다. | 기본값— |
| 필드`trace` | 유형`json_value` | 요건선택 사항 | 값과 한도 조건: 원본에서 이 JSON 메타데이터 필드를 허용하며, 정확한 업스트림 동작은 모델별로 다릅니다. | 기본값— |
| 필드`provider` | 유형`object` | 요건선택 사항 | 값과 한도 조건: provider.options가 거부됨 | 기본값— |

입력 자료 조합

**text\_to\_embedding**

메서드 매개변수와 수명 주기

| 매개변수 | 명세 |
| --- | --- |
| 매개변수`content_type` | 명세application/json |
| 매개변수`required` | 명세model, input |
| 매개변수`input_shapes` | 명세string, string\[\], nonnegative\_integer\_token\_array, nonnegative\_integer\_token\_array\[\] |
| 매개변수`encoding_format` | 명세float |
| 매개변수`dimensions_override` | 명세false |
| 매개변수`max_input_budget_units` | 명세512 |
| 매개변수`multimodal_objects` | 명세false |
| 매개변수`material_types` | 명세text, token\_ids |

수명 주기: `synchronous_json`

모든 벡터의 인덱스와 차원을 보관하세요.

모델 이름이 멀티모달이어도 이 특정 경로에서 이미지 객체를 사용할 수 있는 것은 아닙니다.

### 요금

요금 정보는 요청 옵션을 추가하지 않습니다. 지원되는 매개변수는 선택한 메서드에 표시됩니다.

빠른 모드

표준 요금 빠른 모드를 선택한 경우

Flex 모드

표준 요금 flex 모드를 선택한 경우

최대 추론 수준

표준 요금 최대 추론 수준에 default 조정값을 적용하는 경우

#### Ailoot 요금

#### 설정별 가격

| 설정 | 요금표 | 요금 |
| --- | --- | --- |
| 설정토큰의 기본 단가 | 요금표기본 요금 | 요금 입력 · 입력 토큰 **$0** / 1K 토큰 출력 · 출력 토큰 **$0** / 1K 토큰 입력 · 캐시 읽기 **—** / 1K 토큰 입력 · 캐시 쓰기 **—** / 1K 토큰 입력 · 캐시 쓰기, 1시간 **—** / 1K 토큰 |

Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. [금액 확보와 정산 방식 →](https://ailoot.ai/docs/ko/billing/reserve/)

### 요청 예제

#### Ailoot Ultra · 임베딩

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)
```

### 결과 수신 및 저장

#### Ailoot Ultra · 임베딩

json

##### 완료된 결과 모두 보관

반환된 완전한 응답, 파일, 콘텐츠 부분을 모두 보관하세요.

모든 벡터를 인덱스와 함께 보관하세요. 벡터 수는 입력 수와 같아야 하며 차원은 일관되어야 합니다.

##### 원래 응답을 확인해야 할 경우

임베딩 작업 엔드포인트는 추가되지 않습니다.

응답 필드

| 필드 | 유형 |
| --- | --- |
| 필드`object` | 유형string |
| 필드`model` | 유형string |
| 필드`data[].index` | 유형integer |
| 필드`data[].embedding` | 유형finite float\[\] |
| 필드`usage` | 유형object |

오류와 다음 단계

| 응답 | 조건 | 다음 단계 |
| --- | --- | --- |
| 응답400 · `invalid_request_error` | 조건필수 필드, 자료 표현 방식 또는 파라미터 값이 올바르지 않음 | 다음 단계새 생성 요청 전에 표시된 필드를 수정하세요. |

### 별칭

#### 모델 별칭

**Ailoot Ultra** [`liquid/lfm-2.5-embedding-350m:free`](https://ailoot.ai/models/ko/#m=liquid%2Flfm-2.5-embedding-350m%3Afree&route=Ultra&caller=liquid%2Flfm-2.5-embedding-350m%3Afree&fmt=embeddings)

#### 메서드 경로 별칭

위에 표시된 메서드 경로를 사용하세요.

#### 관련 호출용 ID

[`liquid/lfm-2.5-embedding-350m:free`](https://ailoot.ai/models/ko/#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)

어떤 입력과 결과를 사용할 수 있나요?

`POST /v1/embeddings` · `liquid/lfm-2.5-embedding-350m:free`: `text`, `token_ids` → `embedding`

요청은 어떤 필드를 사용하나요?

`POST /v1/embeddings` · `liquid/lfm-2.5-embedding-350m:free`: `model`, `input`, `encoding_format`, `provider`

어떤 제한이 적용되나요?

`POST /v1/embeddings` · `liquid/lfm-2.5-embedding-350m:free`: `ctx`: `512`; `input.budget.maximum`: `512` (UTF8 바이트); `input.min_items`: `1`

Claude Code, OpenCode, Hermes, 자체 앱에 Ailoot를 연결하세요.

## 회사와 그 프로젝트 포트폴리오

회사와 그 프로젝트 포트폴리오: 수백만 고객, 매월 수십억 규모의 매출.

## 할인받아 토큰을 구매하세요.

정기 작업에는 구독 할인, 토큰 구매에는 최대 50% 프로모션 코드.

구독

정기 요청에 맞는 할인 요금제를 선택하세요.

최대 50% 프로모션 코드

구매할 때 코드를 넣으면 진행 중 행사에 따라 가격을 다시 계산합니다.

이력의 지출

요청마다 모델, 토큰, 금액을 저장합니다.

[구독 선택](https://ailoot.ai/docs/ko/billing/subscriptions/) · [모델 가격 보기](https://ailoot.ai/models/ko/)

## 판매하는 제품에 API를 연결하세요.

Ailoot 공식 이용 조건과 라이선스 계약으로 SaaS, 앱, 봇에 사용하세요. 재판매에는 리셀러 라이선스를 요청하세요.

상업용 앱

서비스의 유료 기능에 텍스트, 이미지, 영상, 소리 생성을 넣으세요.

리셀러 라이선스

프로젝트 설명과 접근 구조를 보내 사용·재판매의 서면 조건을 요청하세요.

사이트의 문서

연결 전에 공식 이용 조건, 라이선스 계약, 데이터 처리 정책을 읽을 수 있습니다.

[리셀러 라이선스 요청](mailto:support@ailoot.ai) · [공식 이용 조건과 라이선스 계약](https://ailoot.ai/legal/offer?lang=ko)

## Ailoot · 회사와 그 프로젝트 포트폴리오





Ailoot는 축적된 운영 경험, 폭넓은 고객 기반, 안정적인 서비스, 지속적인 KPI 관리를 바탕으로 합니다.





회사와 그 프로젝트 포트폴리오: 수백만 고객, 매월 수십억 규모의 매출.





Ailoot는 이러한 운영 경험을 고객의 제품, 에이전트, 애플리케이션, 자동화에서 AI 기능을 이용할 수 있는 API 접근에 활용합니다.