{
  "aboutHtml": "<p>Multilingual-E5-Large – intfloat daugiakalbis tankiųjų teksto įterpinių modelis, turintis dvidešimt keturis sluoksnius ir 1024 matmenų išvestį. Jis inicijuotas iš XLM-RoBERTa Large ir toliau mokytas naudojant daugiakalbius duomenis. Modelio kortelėje aprašomas šimto XLM-R kalbų palaikymas, kartu pažymint silpnesnius rezultatus kalboms, kurių ištekliai nedideli. Jo vektoriai atvaizduoja tekstą paieškai, semantiniam palyginimui ir skaitinių požymių užduotims.</p><h4>Išlaikykite įvesties vaidmenį kiekviena kalba</h4><p>Mokymo metu naudoti prefiksai yra „query:“ ir „passage:“, taip pat ir neangliškam tekstui. Paieškos užklausa ir jos tekstyno ištraukos naudoja atitinkamus vaidmenis. Prefiksai lieka šiomis angliškomis eilutėmis, o pirminė formuluotė išlaiko savo kalbą. Simetriniam semantiniam panašumui, perfrazuotų tekstų paieškai, dvikalbių tekstų porų gavybai ar požymių naudojimui gamintojas rekomenduoja „query:“.</p><p>Praktiniame rinkinyje gali būti dokumentacija keliomis palaikomomis kalbomis. Su kiekvienos ištraukos vektoriumi išsaugokite jos kalbą, pirminį tekstą ir šaltinio vietą. Paruoškite tikrus auditorijos paieškos klausimus, užuot manę, kad vienas angliškas bandymas atspindi visą rinkinį. Išvestis turėtų grąžinti tikrąją ištrauką ir jos kontekstą, kad skaitytojas galėtų įvertinti jos turinį.</p><p>Daugiakalbėje atitikčių užduotyje aiškiai išlaikykite palyginimo tikslą. Galima vertimų pora ir užklausa, ieškanti pagrindžiančios ištraukos, reikalauja skirtingo paruošimo. Modelio vaidmenų prefiksų gairės pateikia konkrečią šių užduočių konvenciją; prefikso praleidimas nėra dokumentuotas lygiavertis variantas, nes pakeičia mokyme naudotą įvesties šabloną.</p><h4>Agregavimas ir vektorių palyginimas</h4><p>Gamintojo pavyzdyje žetonų reprezentacijos vidurkinamos naudojant dėmesio kaukę užpildymo pozicijoms atmesti, o tada vektorius normalizuojamas. Normalizuotų vektorių skaliarinės sandaugos duoda kosinusinį panašumą. 1024 komponentų masyvas atvaizduoja vieną paruoštą tekstą. Išsaugokite tikslų modelį ir paruošimą susietus su saugomais vektoriais, kad vėlesnės užklausos naudotų atitinkamą reprezentaciją.</p><p>Šie vektoriai gali teikti kandidatų reitingus arba požymius vėlesniam grupavimo į klasterius ar klasifikavimo etapui. Jie neverčia šaltinio ir nekuria atsakymo. Grąžinkite pirminį ištraukos tekstą, kai paieškos rezultatas skirtas padėti skaitytojui arba vėlesniam RAG generavimo etapui.</p><h4>Mokymas ir kalbų aprėptis</h4><p>Modelio kortelėje dokumentuotas silpnai prižiūrimas kontrastinis išankstinis mokymas, po kurio atliekamas prižiūrimas tikslinimas. Daugiakalbis paruošimas apima tokią medžiagą kaip antraštės ir ištraukos poros, pokalbių poros ir vertimų poros, o žymėti paieškos bei kalbos supratimo duomenys naudojami vėlesniame etape. Tai paaiškina numatytas teksto reprezentavimo užduotis, bet nepatvirtina vienodų rezultatų kiekviena kalba.</p><p>Gamintojas aiškiai nurodo rezultatų pablogėjimą mažai išteklių turinčioms kalboms kaip ribojimą. Tikrinkite tikrąsias rinkinio kalbas ir formuluotes, įskaitant santrumpas, vardus bei pavadinimus ir specializuotą žodyną. Daugiakalbystės žyma naudingai apibūdina aprėptį; grąžinto teksto tinkamumą auditorijai ir užduočiai vis tiek reikia įvertinti.</p><h4>Ilgis ir naudingi rezultatai</h4><p>Ilga įvestis nukerpama iki ne daugiau kaip 512 žetonų. Ilgą dokumentą paruoškite kaip nuoseklias ištraukas su vaidmens prefiksu ir susijusiomis antraštėmis. Apibrėžimus ir išlygas išlaikykite šalia teiginio, kurį jie veikia, o pirminio dokumento identifikatorių ir šaltinio versiją saugokite už vektoriaus ribų.</p><p>Gamintojas rekomenduoja susitelkti į santykinę kosinusinių balų tvarką, o ne laikyti absoliučią reikšmę universaliu pasitikėjimo matu. Naudingas rezultatas – galimų ištraukų rinkinys, palyginamos teksto reprezentacijos arba su pirminiais įrašais susieti požymiai. Šis konkretus modelis lieka atskiras nuo tik angliškų E5 v2 kontrolinių taškų ir pagal instrukcijas tikslintų E5 variantų, net jei kitas modelis taip pat grąžina 1024 reikšmes.</p>",
  "aboutText": "Multilingual-E5-Large – intfloat daugiakalbis tankiųjų teksto įterpinių modelis, turintis dvidešimt keturis sluoksnius ir 1024 matmenų išvestį. Jis inicijuotas iš XLM-RoBERTa Large ir toliau mokytas naudojant daugiakalbius duomenis. Modelio kortelėje aprašomas šimto XLM-R kalbų palaikymas, kartu pažymint silpnesnius rezultatus kalboms, kurių ištekliai nedideli. Jo vektoriai atvaizduoja tekstą paieškai, semantiniam palyginimui ir skaitinių požymių užduotims.\n\n### Išlaikykite įvesties vaidmenį kiekviena kalba\n\nMokymo metu naudoti prefiksai yra „query:“ ir „passage:“, taip pat ir neangliškam tekstui. Paieškos užklausa ir jos tekstyno ištraukos naudoja atitinkamus vaidmenis. Prefiksai lieka šiomis angliškomis eilutėmis, o pirminė formuluotė išlaiko savo kalbą. Simetriniam semantiniam panašumui, perfrazuotų tekstų paieškai, dvikalbių tekstų porų gavybai ar požymių naudojimui gamintojas rekomenduoja „query:“.\n\nPraktiniame rinkinyje gali būti dokumentacija keliomis palaikomomis kalbomis. Su kiekvienos ištraukos vektoriumi išsaugokite jos kalbą, pirminį tekstą ir šaltinio vietą. Paruoškite tikrus auditorijos paieškos klausimus, užuot manę, kad vienas angliškas bandymas atspindi visą rinkinį. Išvestis turėtų grąžinti tikrąją ištrauką ir jos kontekstą, kad skaitytojas galėtų įvertinti jos turinį.\n\nDaugiakalbėje atitikčių užduotyje aiškiai išlaikykite palyginimo tikslą. Galima vertimų pora ir užklausa, ieškanti pagrindžiančios ištraukos, reikalauja skirtingo paruošimo. Modelio vaidmenų prefiksų gairės pateikia konkrečią šių užduočių konvenciją; prefikso praleidimas nėra dokumentuotas lygiavertis variantas, nes pakeičia mokyme naudotą įvesties šabloną.\n\n### Agregavimas ir vektorių palyginimas\n\nGamintojo pavyzdyje žetonų reprezentacijos vidurkinamos naudojant dėmesio kaukę užpildymo pozicijoms atmesti, o tada vektorius normalizuojamas. Normalizuotų vektorių skaliarinės sandaugos duoda kosinusinį panašumą. 1024 komponentų masyvas atvaizduoja vieną paruoštą tekstą. Išsaugokite tikslų modelį ir paruošimą susietus su saugomais vektoriais, kad vėlesnės užklausos naudotų atitinkamą reprezentaciją.\n\nŠie vektoriai gali teikti kandidatų reitingus arba požymius vėlesniam grupavimo į klasterius ar klasifikavimo etapui. Jie neverčia šaltinio ir nekuria atsakymo. Grąžinkite pirminį ištraukos tekstą, kai paieškos rezultatas skirtas padėti skaitytojui arba vėlesniam RAG generavimo etapui.\n\n### Mokymas ir kalbų aprėptis\n\nModelio kortelėje dokumentuotas silpnai prižiūrimas kontrastinis išankstinis mokymas, po kurio atliekamas prižiūrimas tikslinimas. Daugiakalbis paruošimas apima tokią medžiagą kaip antraštės ir ištraukos poros, pokalbių poros ir vertimų poros, o žymėti paieškos bei kalbos supratimo duomenys naudojami vėlesniame etape. Tai paaiškina numatytas teksto reprezentavimo užduotis, bet nepatvirtina vienodų rezultatų kiekviena kalba.\n\nGamintojas aiškiai nurodo rezultatų pablogėjimą mažai išteklių turinčioms kalboms kaip ribojimą. Tikrinkite tikrąsias rinkinio kalbas ir formuluotes, įskaitant santrumpas, vardus bei pavadinimus ir specializuotą žodyną. Daugiakalbystės žyma naudingai apibūdina aprėptį; grąžinto teksto tinkamumą auditorijai ir užduočiai vis tiek reikia įvertinti.\n\n### Ilgis ir naudingi rezultatai\n\nIlga įvestis nukerpama iki ne daugiau kaip 512 žetonų. Ilgą dokumentą paruoškite kaip nuoseklias ištraukas su vaidmens prefiksu ir susijusiomis antraštėmis. Apibrėžimus ir išlygas išlaikykite šalia teiginio, kurį jie veikia, o pirminio dokumento identifikatorių ir šaltinio versiją saugokite už vektoriaus ribų.\n\nGamintojas rekomenduoja susitelkti į santykinę kosinusinių balų tvarką, o ne laikyti absoliučią reikšmę universaliu pasitikėjimo matu. Naudingas rezultatas – galimų ištraukų rinkinys, palyginamos teksto reprezentacijos arba su pirminiais įrašais susieti požymiai. Šis konkretus modelis lieka atskiras nuo tik angliškų E5 v2 kontrolinių taškų ir pagal instrukcijas tikslintų E5 variantų, net jei kitas modelis taip pat grąžina 1024 reikšmes.",
  "editorialOverlay": {
    "copy_fields": null,
    "copy_sha256": null,
    "copy_source": null,
    "html_sha256": "f2b920a529cc50eb40aa686c95ead4d6a6ee4ef9af3f8145b29345530f94cd91",
    "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06",
    "raw_model_unchanged": true,
    "schema": "ailoot-native-model-editorial-v1"
  },
  "locale": "lt",
  "methods": [
    {
      "html": "<div class=\"sheet-head\"><span class=\"mav\" aria-hidden=\"true\">•</span><h2 id=\"sheet-title\">Intfloat: Multilingual-E5-Large</h2><button class=\"icon-btn\" type=\"button\" data-close-sheet aria-label=\"Uždaryti\">×</button></div><div class=\"idline\"><span>Intfloat /</span><code>intfloat/multilingual-e5-large</code><button type=\"button\" id=\"copy-id\">Kopijuoti ID</button></div><nav class=\"card-jump-nav\" aria-label=\"Modelio kortelės skyriai\"><button type=\"button\" data-card-jump=\"overview\">Pradžia</button><button type=\"button\" data-card-jump=\"methods\">Įvestys ir metodai</button><button type=\"button\" data-card-jump=\"pricing\">Planai</button><button type=\"button\" data-card-jump=\"examples\">Pavyzdžiai</button><button type=\"button\" data-card-jump=\"results\">Rezultatai</button><button type=\"button\" data-card-jump=\"aliases\">Pseudonimai</button></nav><div class=\"card-method-tabs\" role=\"tablist\" aria-label=\"API metodai\"><button type=\"button\" role=\"tab\" tabindex=\"0\" aria-controls=\"card-method-content\" aria-selected=\"true\" id=\"card-method-tab-0\" data-card-method=\"Ultra|embeddings|/v1/embeddings|intfloat%2Fmultilingual-e5-large\">Įterpiniai</button></div><div id=\"card-method-content\" role=\"tabpanel\" aria-labelledby=\"card-method-tab-0\"><section class=\"card-section\" data-card-section=\"overview\"><h3 tabindex=\"-1\">Pradžia</h3><p class=\"mdesc-full\">intfloat Multilingual-E5-Large koduoja daugiakalbį tekstą į 1024 matmenų vektorius naudodamas 24 sluoksnių modelį. Jis palaiko šimto XLM-R kalbų aprėptį, visoms kalboms naudoja angliškus query/passage prefiksus ir nukerpa įvestis ties 512 žetonų riba.</p><dl class=\"card-io\" data-card-io><div><dt>Leidžiamos įvestys</dt><dd>Tekstas · token_ids</dd></div><div><dt>Rezultatai</dt><dd>embedding</dd></div></dl><details class=\"card-about\"><summary>Apie modelį</summary><p class=\"note-s\" data-model-method-boundary>Šis aprašas apima modelio galimybes. Pasirinktam metodui Ailoot prieinamos įvestys, išvestys ir parinktys nurodytos toliau.</p><div class=\"mabout\" id=\"m-about\"><p>Multilingual-E5-Large – intfloat daugiakalbis tankiųjų teksto įterpinių modelis, turintis dvidešimt keturis sluoksnius ir 1024 matmenų išvestį. Jis inicijuotas iš XLM-RoBERTa Large ir toliau mokytas naudojant daugiakalbius duomenis. Modelio kortelėje aprašomas šimto XLM-R kalbų palaikymas, kartu pažymint silpnesnius rezultatus kalboms, kurių ištekliai nedideli. Jo vektoriai atvaizduoja tekstą paieškai, semantiniam palyginimui ir skaitinių požymių užduotims.</p><h4>Išlaikykite įvesties vaidmenį kiekviena kalba</h4><p>Mokymo metu naudoti prefiksai yra „query:“ ir „passage:“, taip pat ir neangliškam tekstui. Paieškos užklausa ir jos tekstyno ištraukos naudoja atitinkamus vaidmenis. Prefiksai lieka šiomis angliškomis eilutėmis, o pirminė formuluotė išlaiko savo kalbą. Simetriniam semantiniam panašumui, perfrazuotų tekstų paieškai, dvikalbių tekstų porų gavybai ar požymių naudojimui gamintojas rekomenduoja „query:“.</p><p>Praktiniame rinkinyje gali būti dokumentacija keliomis palaikomomis kalbomis. Su kiekvienos ištraukos vektoriumi išsaugokite jos kalbą, pirminį tekstą ir šaltinio vietą. Paruoškite tikrus auditorijos paieškos klausimus, užuot manę, kad vienas angliškas bandymas atspindi visą rinkinį. Išvestis turėtų grąžinti tikrąją ištrauką ir jos kontekstą, kad skaitytojas galėtų įvertinti jos turinį.</p><p>Daugiakalbėje atitikčių užduotyje aiškiai išlaikykite palyginimo tikslą. Galima vertimų pora ir užklausa, ieškanti pagrindžiančios ištraukos, reikalauja skirtingo paruošimo. Modelio vaidmenų prefiksų gairės pateikia konkrečią šių užduočių konvenciją; prefikso praleidimas nėra dokumentuotas lygiavertis variantas, nes pakeičia mokyme naudotą įvesties šabloną.</p><h4>Agregavimas ir vektorių palyginimas</h4><p>Gamintojo pavyzdyje žetonų reprezentacijos vidurkinamos naudojant dėmesio kaukę užpildymo pozicijoms atmesti, o tada vektorius normalizuojamas. Normalizuotų vektorių skaliarinės sandaugos duoda kosinusinį panašumą. 1024 komponentų masyvas atvaizduoja vieną paruoštą tekstą. Išsaugokite tikslų modelį ir paruošimą susietus su saugomais vektoriais, kad vėlesnės užklausos naudotų atitinkamą reprezentaciją.</p><p>Šie vektoriai gali teikti kandidatų reitingus arba požymius vėlesniam grupavimo į klasterius ar klasifikavimo etapui. Jie neverčia šaltinio ir nekuria atsakymo. Grąžinkite pirminį ištraukos tekstą, kai paieškos rezultatas skirtas padėti skaitytojui arba vėlesniam RAG generavimo etapui.</p><h4>Mokymas ir kalbų aprėptis</h4><p>Modelio kortelėje dokumentuotas silpnai prižiūrimas kontrastinis išankstinis mokymas, po kurio atliekamas prižiūrimas tikslinimas. Daugiakalbis paruošimas apima tokią medžiagą kaip antraštės ir ištraukos poros, pokalbių poros ir vertimų poros, o žymėti paieškos bei kalbos supratimo duomenys naudojami vėlesniame etape. Tai paaiškina numatytas teksto reprezentavimo užduotis, bet nepatvirtina vienodų rezultatų kiekviena kalba.</p><p>Gamintojas aiškiai nurodo rezultatų pablogėjimą mažai išteklių turinčioms kalboms kaip ribojimą. Tikrinkite tikrąsias rinkinio kalbas ir formuluotes, įskaitant santrumpas, vardus bei pavadinimus ir specializuotą žodyną. Daugiakalbystės žyma naudingai apibūdina aprėptį; grąžinto teksto tinkamumą auditorijai ir užduočiai vis tiek reikia įvertinti.</p><h4>Ilgis ir naudingi rezultatai</h4><p>Ilga įvestis nukerpama iki ne daugiau kaip 512 žetonų. Ilgą dokumentą paruoškite kaip nuoseklias ištraukas su vaidmens prefiksu ir susijusiomis antraštėmis. Apibrėžimus ir išlygas išlaikykite šalia teiginio, kurį jie veikia, o pirminio dokumento identifikatorių ir šaltinio versiją saugokite už vektoriaus ribų.</p><p>Gamintojas rekomenduoja susitelkti į santykinę kosinusinių balų tvarką, o ne laikyti absoliučią reikšmę universaliu pasitikėjimo matu. Naudingas rezultatas – galimų ištraukų rinkinys, palyginamos teksto reprezentacijos arba su pirminiais įrašais susieti požymiai. Šis konkretus modelis lieka atskiras nuo tik angliškų E5 v2 kontrolinių taškų ir pagal instrukcijas tikslintų E5 variantų, net jei kitas modelis taip pat grąžina 1024 reikšmes.</p></div></details></section><section class=\"card-section\" data-card-section=\"methods\"><h3 tabindex=\"-1\">Prieinama Ailoot · įvestys ir metodai</h3><details class=\"card-method\" open><summary><b>Ailoot Ultra · Įterpiniai</b> <code>POST /v1/embeddings</code></summary><dl class=\"method-capabilities\"><div><dt>Įvestis</dt><dd><code>text</code>, <code>token_ids</code></dd></div><div><dt>Išvestis</dt><dd><code>embedding</code></dd></div><div><dt>Kontekstas</dt><dd>512 tokens</dd></div><div><dt>Išvesties formatas</dt><dd>json</dd></div></dl><div class=\"tw\" data-card-parameters data-typed-parameters><table><thead><tr><th>Laukas</th><th>Tipas</th><th>Reikalavimas</th><th>Reikšmės ir ribos</th><th>Numatyta</th></tr></thead><tbody><tr data-parameter-availability=\"source_interface\"><th data-cell-label=\"Laukas\" scope=\"row\"><span class=\"card-cell-label\">Laukas</span><code class=\"card-field-name\">model</code></th><td data-cell-label=\"Tipas\" data-field-type><span class=\"card-cell-label\">Tipas</span><code>string</code></td><td data-cell-label=\"Reikalavimas\"><span class=\"card-cell-label\">Reikalavimas</span>Privaloma</td><td data-cell-label=\"Reikšmės ir ribos\"><span class=\"card-cell-label\">Reikšmės ir ribos</span><div>intfloat/multilingual-e5-large</div></td><td data-cell-label=\"Numatyta\" data-default=\"unspecified\"><span class=\"card-cell-label\">Numatyta</span>—</td></tr><tr data-parameter-availability=\"source_interface\"><th data-cell-label=\"Laukas\" scope=\"row\"><span class=\"card-cell-label\">Laukas</span><code class=\"card-field-name\">input</code></th><td data-cell-label=\"Tipas\" data-field-type><span class=\"card-cell-label\">Tipas</span><code>string|string[]|integer[]|integer[][]</code></td><td data-cell-label=\"Reikalavimas\"><span class=\"card-cell-label\">Reikalavimas</span>Privaloma</td><td data-cell-label=\"Reikšmės ir ribos\"><span class=\"card-cell-label\">Reikšmės ir ribos</span><div>Mažiausias elementų skaičius: 1</div><div>Sąlygos: Netuščias vienalyčių įvesčių paketas. Žetonų ID yra neneigiami sveikieji skaičiai.</div><div>Įvesties biudžetas: Didžiausia reikšmė: 512 · Teksto vienetas: UTF8 baitai · Tokenų vienetas: žetonų masyvo elementai</div></td><td data-cell-label=\"Numatyta\" data-default=\"unspecified\"><span class=\"card-cell-label\">Numatyta</span>—</td></tr><tr data-parameter-availability=\"source_interface\"><th data-cell-label=\"Laukas\" scope=\"row\"><span class=\"card-cell-label\">Laukas</span><code class=\"card-field-name\">encoding_format</code></th><td data-cell-label=\"Tipas\" data-field-type><span class=\"card-cell-label\">Tipas</span><code>string</code></td><td data-cell-label=\"Reikalavimas\"><span class=\"card-cell-label\">Reikalavimas</span>Neprivaloma</td><td data-cell-label=\"Reikšmės ir ribos\"><span class=\"card-cell-label\">Reikšmės ir ribos</span><div>float</div></td><td data-cell-label=\"Numatyta\" data-default=\"known\"><span class=\"card-cell-label\">Numatyta</span>float</td></tr><tr data-parameter-availability=\"unsupported\"><th data-cell-label=\"Laukas\" scope=\"row\"><span class=\"card-cell-label\">Laukas</span><code class=\"card-field-name\">dimensions</code></th><td data-cell-label=\"Tipas\" data-field-type><span class=\"card-cell-label\">Tipas</span><code>integer</code></td><td data-cell-label=\"Reikalavimas\"><span class=\"card-cell-label\">Reikalavimas</span>Nepalaikoma</td><td data-cell-label=\"Reikšmės ir ribos\"><span class=\"card-cell-label\">Reikšmės ir ribos</span><div>Mažiausia reikšmė: 1</div></td><td data-cell-label=\"Numatyta\" data-default=\"unspecified\"><span class=\"card-cell-label\">Numatyta</span>—</td></tr><tr data-parameter-availability=\"pass_through_metadata\"><th data-cell-label=\"Laukas\" scope=\"row\"><span class=\"card-cell-label\">Laukas</span><code class=\"card-field-name\">user</code></th><td data-cell-label=\"Tipas\" data-field-type><span class=\"card-cell-label\">Tipas</span><code>json_value</code></td><td data-cell-label=\"Reikalavimas\"><span class=\"card-cell-label\">Reikalavimas</span>Neprivaloma</td><td data-cell-label=\"Reikšmės ir ribos\"><span class=\"card-cell-label\">Reikšmės ir ribos</span><div>Sąlygos: Šaltinis leidžia šį JSON metaduomenų lauką; tiksli jo reikšmė tiekėjo sistemoje priklauso nuo modelio.</div></td><td data-cell-label=\"Numatyta\" data-default=\"unspecified\"><span class=\"card-cell-label\">Numatyta</span>—</td></tr><tr data-parameter-availability=\"pass_through_metadata\"><th data-cell-label=\"Laukas\" scope=\"row\"><span class=\"card-cell-label\">Laukas</span><code class=\"card-field-name\">session_id</code></th><td data-cell-label=\"Tipas\" data-field-type><span class=\"card-cell-label\">Tipas</span><code>json_value</code></td><td data-cell-label=\"Reikalavimas\"><span class=\"card-cell-label\">Reikalavimas</span>Neprivaloma</td><td data-cell-label=\"Reikšmės ir ribos\"><span class=\"card-cell-label\">Reikšmės ir ribos</span><div>Sąlygos: Šaltinis leidžia šį JSON metaduomenų lauką; tiksli jo reikšmė tiekėjo sistemoje priklauso nuo modelio.</div></td><td data-cell-label=\"Numatyta\" data-default=\"unspecified\"><span class=\"card-cell-label\">Numatyta</span>—</td></tr><tr data-parameter-availability=\"pass_through_metadata\"><th data-cell-label=\"Laukas\" scope=\"row\"><span class=\"card-cell-label\">Laukas</span><code class=\"card-field-name\">trace</code></th><td data-cell-label=\"Tipas\" data-field-type><span class=\"card-cell-label\">Tipas</span><code>json_value</code></td><td data-cell-label=\"Reikalavimas\"><span class=\"card-cell-label\">Reikalavimas</span>Neprivaloma</td><td data-cell-label=\"Reikšmės ir ribos\"><span class=\"card-cell-label\">Reikšmės ir ribos</span><div>Sąlygos: Šaltinis leidžia šį JSON metaduomenų lauką; tiksli jo reikšmė tiekėjo sistemoje priklauso nuo modelio.</div></td><td data-cell-label=\"Numatyta\" data-default=\"unspecified\"><span class=\"card-cell-label\">Numatyta</span>—</td></tr><tr data-parameter-availability=\"source_interface\"><th data-cell-label=\"Laukas\" scope=\"row\"><span class=\"card-cell-label\">Laukas</span><code class=\"card-field-name\">provider</code></th><td data-cell-label=\"Tipas\" data-field-type><span class=\"card-cell-label\">Tipas</span><code>object</code></td><td data-cell-label=\"Reikalavimas\"><span class=\"card-cell-label\">Reikalavimas</span>Neprivaloma</td><td data-cell-label=\"Reikšmės ir ribos\"><span class=\"card-cell-label\">Reikšmės ir ribos</span><div>Sąlygos: provider.options atmetamas</div></td><td data-cell-label=\"Numatyta\" data-default=\"unspecified\"><span class=\"card-cell-label\">Numatyta</span>—</td></tr></tbody></table></div><details class=\"card-about\" data-material-combinations><summary>Įvesties medžiagos deriniai</summary><p class=\"note-s\"><b>text_to_embedding</b></p></details><details class=\"note-s\" data-method-contract><summary>Metodo parametrai ir gyvavimo ciklas</summary><div class=\"tw\" data-card-table=\"contract\"><table><thead><tr><th>Parametras</th><th>Specifikacija</th></tr></thead><tbody><tr><th data-cell-label=\"Parametras\" scope=\"row\"><span class=\"card-cell-label\">Parametras</span><code>content_type</code></th><td data-cell-label=\"Specifikacija\"><span class=\"card-cell-label\">Specifikacija</span>application/json</td></tr><tr><th data-cell-label=\"Parametras\" scope=\"row\"><span class=\"card-cell-label\">Parametras</span><code>required</code></th><td data-cell-label=\"Specifikacija\"><span class=\"card-cell-label\">Specifikacija</span>model, input</td></tr><tr><th data-cell-label=\"Parametras\" scope=\"row\"><span class=\"card-cell-label\">Parametras</span><code>input_shapes</code></th><td data-cell-label=\"Specifikacija\"><span class=\"card-cell-label\">Specifikacija</span>string, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[]</td></tr><tr><th data-cell-label=\"Parametras\" scope=\"row\"><span class=\"card-cell-label\">Parametras</span><code>encoding_format</code></th><td data-cell-label=\"Specifikacija\"><span class=\"card-cell-label\">Specifikacija</span>float</td></tr><tr><th data-cell-label=\"Parametras\" scope=\"row\"><span class=\"card-cell-label\">Parametras</span><code>dimensions_override</code></th><td data-cell-label=\"Specifikacija\"><span class=\"card-cell-label\">Specifikacija</span>false</td></tr><tr><th data-cell-label=\"Parametras\" scope=\"row\"><span class=\"card-cell-label\">Parametras</span><code>max_input_budget_units</code></th><td data-cell-label=\"Specifikacija\"><span class=\"card-cell-label\">Specifikacija</span>512</td></tr><tr><th data-cell-label=\"Parametras\" scope=\"row\"><span class=\"card-cell-label\">Parametras</span><code>multimodal_objects</code></th><td data-cell-label=\"Specifikacija\"><span class=\"card-cell-label\">Specifikacija</span>false</td></tr><tr><th data-cell-label=\"Parametras\" scope=\"row\"><span class=\"card-cell-label\">Parametras</span><code>material_types</code></th><td data-cell-label=\"Specifikacija\"><span class=\"card-cell-label\">Specifikacija</span>text, token_ids</td></tr></tbody></table></div><p>Gyvavimo ciklas: <code>synchronous_json</code></p><p class=\"note-s\">Išsaugokite kiekvieną vektoriaus indeksą ir matmenį.</p><p class=\"note-s\">Tai, kad modelio pavadinimas nurodo multimodalumą, nereiškia, jog šiuo konkrečiu keliu priimami vaizdų objektai.</p></details></details></section><section class=\"card-section\" data-card-section=\"pricing\"><h3 tabindex=\"-1\">Planai</h3><div data-native-semantic-method=\"v1\" data-tariff-reference-only><p class=\"note-s\" data-rate-support-note>Tarifų informacija neprideda užklausos parinkčių. Palaikomi parametrai nurodyti prie pasirinkto metodo.</p><dl data-price-conditions><dt>Spartusis režimas</dt><dd>Standartinis įkainis <span class=\"note-s\">Pasirinkus spartųjį režimą</span></dd><dt>Flex režimas</dt><dd>Standartinis įkainis <span class=\"note-s\">Pasirinkus flex režimą</span></dd><dt>Didžiausios samprotavimo pastangos</dt><dd>Standartinis įkainis <span class=\"note-s\">Kai didžiausioms samprotavimo pastangoms taikomas numatytasis koregavimas (default)</span></dd></dl></div><div data-declared-tariff-pricing><h4>Ailoot įkainiai</h4><h4>Kainos pagal konfigūraciją</h4><div class=\"tw\" data-pricing-profiles><table><thead><tr><th>Konfigūracija</th><th>Įkainių lentelė</th><th>Mokestis</th></tr></thead><tbody><tr><th data-cell-label=\"Konfigūracija\" scope=\"row\"><span class=\"card-cell-label\">Konfigūracija</span>Baziniai žetonų įkainiai</th><td data-cell-label=\"Įkainių lentelė\"><span class=\"card-cell-label\">Įkainių lentelė</span>Bazinis įkainis</td><td data-cell-label=\"Mokestis\"><span class=\"card-cell-label\">Mokestis</span><div><span>Įvestis · Įvesties tokenai</span> <b>$0.00002</b> <span class=\"price-unit\">/ 1K tokenų</span></div><div><span>Išvestis · Išvesties tokenai</span> <b>$0</b> <span class=\"price-unit\">/ 1K tokenų</span></div><div><span>Įvestis · Talpyklos skaitymas</span> <b>—</b> <span class=\"price-unit\">/ 1K tokenų</span></div><div><span>Įvestis · Rašymas į talpyklą</span> <b>—</b> <span class=\"price-unit\">/ 1K tokenų</span></div><div><span>Įvestis · Rašymas į talpyklą, 1 val</span> <b>—</b> <span class=\"price-unit\">/ 1K tokenų</span></div></td></tr></tbody></table></div></div><p class=\"note-s\">Ailoot prieš užklausą rezervuoja numatomą sumą. Gavus rezultatą, galutinis mokestis nuskaitomas pagal išmatuotą naudojimą. Srautinio atsakymo atsiskaitymui naudojamas galutinis naudojimo įrašas. <a href=\"/docs/lt/billing/reserve/\">Kaip veikia rezervavimas ir atsiskaitymas →</a></p></section><section class=\"card-section\" data-card-section=\"examples\"><h3 tabindex=\"-1\">Užklausų pavyzdžiai</h3><h4>Ailoot Ultra · Įterpiniai</h4><div class=\"code-group\"><div class=\"cg-bar\"><div class=\"cg-tabs\" role=\"tablist\" aria-label=\"Kodo variantai\"><button class=\"cg-tab\" id=\"model-code-1766-tab-0\" role=\"tab\" type=\"button\" aria-controls=\"model-code-1766-panel-0\" aria-selected=\"true\" tabindex=\"0\">curl</button><button class=\"cg-tab\" id=\"model-code-1766-tab-1\" role=\"tab\" type=\"button\" aria-controls=\"model-code-1766-panel-1\" aria-selected=\"false\" tabindex=\"-1\">Python SDK</button></div><div class=\"cg-tools\"><button class=\"cg-btn cg-copy\" type=\"button\" aria-label=\"Kopijuoti kodą\"><svg class=\"cp\" viewBox=\"0 0 16 16\" fill=\"none\" stroke=\"currentColor\" stroke-width=\"1.4\"><rect x=\"5.25\" y=\"5.25\" width=\"8.5\" height=\"8.5\" rx=\"1.75\"/><path d=\"M10.75 5.25V3.5a1.25 1.25 0 0 0-1.25-1.25H3.5A1.25 1.25 0 0 0 2.25 3.5v6a1.25 1.25 0 0 0 1.25 1.25h1.75\"/></svg><svg class=\"ok\" viewBox=\"0 0 16 16\" fill=\"none\" stroke=\"currentColor\" stroke-width=\"1.4\"><path d=\"m3 8.5 3.25 3.25L13 5\"/></svg></button></div></div><div class=\"cg-body\"><div class=\"cg-pane\" id=\"model-code-1766-panel-0\" role=\"tabpanel\" aria-labelledby=\"model-code-1766-tab-0\"><pre data-lang=\"bash\"><code>set -eu\n: &quot;${AILOOT_API_KEY:?Set your Ailoot API key}&quot;\npython3 - &lt;&lt;&#39;PY_REQUEST&#39;\nimport json,os\nfrom pathlib import Path\np=json.loads(&#39;{&quot;model&quot;: &quot;intfloat/multilingual-e5-large&quot;, &quot;input&quot;: [&quot;First document&quot;, &quot;Second document&quot;]}&#39;)\n\nPath(&quot;request.json&quot;).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 &quot;Authorization: Bearer $AILOOT_API_KEY&quot; -H &#39;Content-Type: application/json&#39; \\\n  --data-binary @request.json -D response-headers.txt -o result.json\npython3 - &lt;&lt;&#39;PY_RESULT&#39;\nimport json\nfrom pathlib import Path\nr=json.loads(Path(&quot;result.json&quot;).read_text())\nfor x in r.get(&quot;data&quot;,[]): print(json.dumps({&quot;index&quot;:x.get(&quot;index&quot;),&quot;embedding&quot;:x.get(&quot;embedding&quot;)}))\nPY_RESULT\n</code></pre></div><div class=\"cg-pane\" id=\"model-code-1766-panel-1\" role=\"tabpanel\" aria-labelledby=\"model-code-1766-tab-1\" hidden><pre data-lang=\"python\"><code>from openai import OpenAI\nimport os\n\nclient=OpenAI(base_url=&quot;https://api.ailoot.ai/v1&quot;,api_key=os.environ[&quot;AILOOT_API_KEY&quot;],max_retries=0)\nresult=client.embeddings.create(model=&#39;intfloat/multilingual-e5-large&#39;,input=[&quot;First document&quot;,&quot;Second document&quot;])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\n</code></pre></div></div></div></section><section class=\"card-section\" data-card-section=\"results\"><h3 tabindex=\"-1\">Gauti ir išsaugoti rezultatus</h3><h4>Ailoot Ultra · Įterpiniai</h4><p class=\"note-s\">json</p><div class=\"card-result-process\" data-all-results><h5>Išsaugoti visus baigtus rezultatus</h5><p class=\"note-s\">Išsaugokite kiekvieną visą grąžintą atsakymą, failą ir turinio dalį.</p><p class=\"note-s\">Išsaugokite kiekvieną vektorių su jo indeksu. Vektorių skaičius turi sutapti su įvesčių skaičiumi; jų matmenų skaičius turi būti vienodas.</p></div><div class=\"card-result-process\" data-unknown-recovery><h5>Jei reikia patikrinti pradinį atsakymą</h5><p class=\"note-s\">Vektorių generavimo užduotims atskiras API galinis taškas neįvedamas.</p></div><details class=\"card-about\" data-output-fields><summary>Atsakymo laukai</summary><div class=\"tw\" data-card-table=\"output\"><table><thead><tr><th>Laukas</th><th>Tipas</th></tr></thead><tbody><tr><th data-cell-label=\"Laukas\" scope=\"row\"><span class=\"card-cell-label\">Laukas</span><code class=\"card-field-name\">object</code></th><td data-cell-label=\"Tipas\" data-field-type><span class=\"card-cell-label\">Tipas</span>string</td></tr><tr><th data-cell-label=\"Laukas\" scope=\"row\"><span class=\"card-cell-label\">Laukas</span><code class=\"card-field-name\">model</code></th><td data-cell-label=\"Tipas\" data-field-type><span class=\"card-cell-label\">Tipas</span>string</td></tr><tr><th data-cell-label=\"Laukas\" scope=\"row\"><span class=\"card-cell-label\">Laukas</span><code class=\"card-field-name\">data[].index</code></th><td data-cell-label=\"Tipas\" data-field-type><span class=\"card-cell-label\">Tipas</span>integer</td></tr><tr><th data-cell-label=\"Laukas\" scope=\"row\"><span class=\"card-cell-label\">Laukas</span><code class=\"card-field-name\">data[].embedding</code></th><td data-cell-label=\"Tipas\" data-field-type><span class=\"card-cell-label\">Tipas</span>finite float[]</td></tr><tr><th data-cell-label=\"Laukas\" scope=\"row\"><span class=\"card-cell-label\">Laukas</span><code class=\"card-field-name\">usage</code></th><td data-cell-label=\"Tipas\" data-field-type><span class=\"card-cell-label\">Tipas</span>object</td></tr></tbody></table></div></details><details class=\"card-about\" data-method-errors><summary>Klaidos ir tolesni veiksmai</summary><div class=\"tw\" data-card-table=\"errors\"><table><thead><tr><th>Atsakymas</th><th>Sąlyga</th><th>Kitas žingsnis</th></tr></thead><tbody><tr><th data-cell-label=\"Atsakymas\" scope=\"row\"><span class=\"card-cell-label\">Atsakymas</span>400 · <code>invalid_request_error</code></th><td data-cell-label=\"Sąlyga\"><span class=\"card-cell-label\">Sąlyga</span>Netinkami privalomi laukai, medžiagos pateikimo forma arba parametro reikšmė</td><td data-cell-label=\"Kitas žingsnis\"><span class=\"card-cell-label\">Kitas žingsnis</span>Prieš naują kūrimo užklausą pataisykite nurodytus laukus.</td></tr></tbody></table></div></details></section><section class=\"card-section\" data-card-section=\"aliases\"><h3 tabindex=\"-1\">Pseudonimai</h3><h4>Modelių pseudonimai</h4><p class=\"note-s\"><span data-model-alias-route=\"Ultra\"><b>Ailoot Ultra</b> <a href=\"#m=intfloat%2Fmultilingual-e5-large&amp;route=Ultra&amp;caller=intfloat%2Fmultilingual-e5-large&amp;fmt=embeddings\"><code>intfloat/multilingual-e5-large</code></a></span></p><h4>Metodų kelių pseudonimai</h4><p class=\"note-s\">Naudokite aukščiau nurodytus metodų kelius.</p><h4>Susiję ID iškvietimui</h4><p class=\"note-s\"><a href=\"#m=intfloat%2Fmultilingual-e5-large&amp;route=Ultra&amp;caller=intfloat%2Fmultilingual-e5-large&amp;fmt=embeddings\"><code>intfloat/multilingual-e5-large</code></a></p></section></div>",
      "method_identity": {
        "effective_request_model_id": "intfloat/multilingual-e5-large",
        "fmt": "embeddings",
        "http": "POST",
        "path": "/v1/embeddings",
        "request_model_id": "intfloat/multilingual-e5-large",
        "route_label": "Ultra"
      },
      "method_key": "Ultra|embeddings|/v1/embeddings|intfloat%2Fmultilingual-e5-large",
      "ordinal": 0,
      "rawMethod": {
        "available": null,
        "cache_read": null,
        "cache_write": null,
        "cache_write_1h": null,
        "contract": {
          "data": {
            "all_results": "Keep every vector with its index. Vector count must equal input count; dimensions must be consistent.",
            "errors": [
              {
                "code": null,
                "condition": "Netinkami privalomi laukai, medžiagos pateikimo forma arba parametro reikšmė",
                "http_status": 400,
                "recovery": "Prieš naują kūrimo užklausą pataisykite nurodytus laukus.",
                "type": "invalid_request_error"
              }
            ],
            "hints": [],
            "ignored_fields": [],
            "lifecycle": {
              "create": {
                "http": "POST",
                "path": "/v1/embeddings"
              },
              "job_read": null,
              "mode": "synchronous_json",
              "unknown": "Vektorių generavimo užduotims atskiras API galinis taškas neįvedamas."
            },
            "material_combinations": [
              {
                "alternatives": [
                  "string",
                  "string[]",
                  "nonnegative_integer_token_array",
                  "nonnegative_integer_token_array[]"
                ],
                "mode": "text_to_embedding"
              }
            ],
            "operation_modes": [
              "single_embedding",
              "batched_embeddings"
            ],
            "outputs": {
              "all_results": "Išsaugokite kiekvieną vektorių su jo indeksu. Vektorių skaičius turi sutapti su įvesčių skaičiumi; jų matmenų skaičius turi būti vienodas.",
              "default_dimensions": null,
              "family": "embedding",
              "fields": [
                {
                  "description": null,
                  "name": "object",
                  "type": "string"
                },
                {
                  "description": null,
                  "name": "model",
                  "type": "string"
                },
                {
                  "description": null,
                  "name": "data[].index",
                  "type": "integer"
                },
                {
                  "description": null,
                  "name": "data[].embedding",
                  "type": "finite float[]"
                },
                {
                  "description": null,
                  "name": "usage",
                  "type": "object"
                }
              ],
              "format": "json"
            },
            "parameters": [
              {
                "availability": "source_interface",
                "default": null,
                "default_known": false,
                "enum": [
                  "intfloat/multilingual-e5-large"
                ],
                "enum_known": true,
                "name": "model",
                "required": true,
                "type": "string"
              },
              {
                "availability": "source_interface",
                "budget": {
                  "maximum": 512,
                  "text_unit": "UTF8 baitai",
                  "token_unit": "žetonų masyvo elementai"
                },
                "conditions": "Netuščias vienalyčių įvesčių paketas. Žetonų ID yra neneigiami sveikieji skaičiai.",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "min_items": 1,
                "name": "input",
                "required": true,
                "type": "string|string[]|integer[]|integer[][]"
              },
              {
                "availability": "source_interface",
                "default": "float",
                "default_known": true,
                "enum": [
                  "float"
                ],
                "enum_known": true,
                "name": "encoding_format",
                "required": false,
                "type": "string"
              },
              {
                "availability": "unsupported",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "minimum": 1,
                "name": "dimensions",
                "required": false,
                "type": "integer"
              },
              {
                "availability": "pass_through_metadata",
                "conditions": "Šaltinis leidžia šį JSON metaduomenų lauką; tiksli jo reikšmė tiekėjo sistemoje priklauso nuo modelio.",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "name": "user",
                "required": false,
                "type": "json_value"
              },
              {
                "availability": "pass_through_metadata",
                "conditions": "Šaltinis leidžia šį JSON metaduomenų lauką; tiksli jo reikšmė tiekėjo sistemoje priklauso nuo modelio.",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "name": "session_id",
                "required": false,
                "type": "json_value"
              },
              {
                "availability": "pass_through_metadata",
                "conditions": "Šaltinis leidžia šį JSON metaduomenų lauką; tiksli jo reikšmė tiekėjo sistemoje priklauso nuo modelio.",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "name": "trace",
                "required": false,
                "type": "json_value"
              },
              {
                "availability": "source_interface",
                "conditions": "provider.options atmetamas",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "name": "provider",
                "required": false,
                "type": "object"
              }
            ],
            "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.",
            "unsupported": [
              "mixed input kinds",
              "empty input",
              "image/audio/file objects",
              "encoding_format=base64",
              "dimensions override"
            ]
          },
          "hints": [
            "Išsaugokite kiekvieną vektoriaus indeksą ir matmenį.",
            "Tai, kad modelio pavadinimas nurodo multimodalumą, nereiškia, jog šiuo konkrečiu keliu priimami vaizdų objektai."
          ],
          "input": {
            "content_type": "application/json",
            "dimensions_override": false,
            "encoding_format": [
              "float"
            ],
            "input_shapes": [
              "string",
              "string[]",
              "nonnegative_integer_token_array",
              "nonnegative_integer_token_array[]"
            ],
            "material_types": [
              "text",
              "token_ids"
            ],
            "max_input_budget_units": 512,
            "multimodal_objects": false,
            "required": [
              "model",
              "input"
            ]
          },
          "lifecycle": {
            "mode": "synchronous_json",
            "unknown": "no embedding job endpoint inferred"
          },
          "manufacturer_capability": null,
          "method": {
            "http": "POST",
            "path": "/v1/embeddings"
          },
          "method_aliases": [],
          "operation_modes": [
            "text_to_embedding"
          ],
          "output": {
            "default_dimensions": null,
            "family": "embedding",
            "format": "json",
            "http_success": 200,
            "vectors": "one dense float vector per input; indices/model/usage validated"
          }
        },
        "ctx": 512,
        "declared_pricing_profiles": [
          {
            "dimensions": {
              "regime": "base"
            },
            "label": "Baziniai žetonų įkainiai",
            "units": [
              {
                "amount": "0.00002000",
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "input_price",
                "label": "Input tokens",
                "native_amount_usd_per_unit": "0.00000002",
                "native_quantity": 1,
                "native_unit": "input_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "input_token"
              },
              {
                "amount": "0",
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "output_price",
                "label": "Output tokens",
                "native_amount_usd_per_unit": "0",
                "native_quantity": 1,
                "native_unit": "output_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "out",
                "unit": "output_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_read_price",
                "label": "Cache read",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "cached_input_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "cached_input_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_write_price",
                "label": "Cache write",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "generic_cache_creation_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "generic_cache_creation_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_write_1h_price",
                "label": "Cache write, 1 hour",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "one_hour_cache_creation_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "one_hour_cache_creation_token"
              }
            ]
          }
        ],
        "examples": [
          {
            "code": "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\n",
            "label": "curl · retained exact creation",
            "language": "bash"
          },
          {
            "code": "from 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)\n",
            "label": "Python SDK · all vectors",
            "language": "python"
          }
        ],
        "family": "openai",
        "fast_multiplier": 1,
        "flex_multiplier": 1,
        "fmt": "embeddings",
        "hints": [
          "Keep every vector index and dimension.",
          "Multimodal model name does not admit image objects on this exact path."
        ],
        "http": "POST",
        "in": 0.02,
        "input": [
          "text",
          "token_ids"
        ],
        "label": "Эмбеддинги",
        "max_out": null,
        "max_reasoning_effort_multiplier": 1,
        "method_aliases": [],
        "out": 0,
        "output": [
          "embedding"
        ],
        "path": "/v1/embeddings",
        "price_conditions": [
          {
            "label": "Spartusis režimas",
            "value": "Standartinis įkainis",
            "when": "Pasirinkus spartųjį režimą"
          },
          {
            "label": "Flex režimas",
            "value": "Standartinis įkainis",
            "when": "Pasirinkus flex režimą"
          },
          {
            "label": "Didžiausios samprotavimo pastangos",
            "value": "Standartinis įkainis",
            "when": "Kai didžiausioms samprotavimo pastangoms taikomas numatytasis koregavimas (default)"
          }
        ],
        "pricing": {
          "billing_mode": "token",
          "image_input_price": null,
          "image_output_price": null,
          "per_request_price": null
        },
        "pricing_profiles": [
          {
            "dimensions": {
              "regime": "base"
            },
            "label": "Base token rates",
            "units": [
              {
                "amount": "0.00002000",
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "input_price",
                "label": "Input tokens",
                "native_amount_usd_per_unit": "0.00000002",
                "native_quantity": 1,
                "native_unit": "input_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "input_token"
              },
              {
                "amount": "0",
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "output_price",
                "label": "Output tokens",
                "native_amount_usd_per_unit": "0",
                "native_quantity": 1,
                "native_unit": "output_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "out",
                "unit": "output_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_read_price",
                "label": "Cache read",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "cached_input_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "cached_input_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_write_price",
                "label": "Cache write",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "generic_cache_creation_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "generic_cache_creation_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_write_1h_price",
                "label": "Cache write, 1 hour",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "one_hour_cache_creation_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "one_hour_cache_creation_token"
              }
            ]
          }
        ],
        "request_model_id": "intfloat/multilingual-e5-large",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "units": [
          {
            "amount": "0.00002000",
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "input_price",
            "label": "Input tokens",
            "native_amount_usd_per_unit": "0.00000002",
            "native_quantity": 1,
            "native_unit": "input_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "input_token"
          },
          {
            "amount": "0",
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "output_price",
            "label": "Output tokens",
            "native_amount_usd_per_unit": "0",
            "native_quantity": 1,
            "native_unit": "output_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "out",
            "unit": "output_token"
          },
          {
            "amount": null,
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "cache_read_price",
            "label": "Cache read",
            "native_amount_usd_per_unit": null,
            "native_quantity": 1,
            "native_unit": "cached_input_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "cached_input_token"
          },
          {
            "amount": null,
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "cache_write_price",
            "label": "Cache write",
            "native_amount_usd_per_unit": null,
            "native_quantity": 1,
            "native_unit": "generic_cache_creation_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "generic_cache_creation_token"
          },
          {
            "amount": null,
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "cache_write_1h_price",
            "label": "Cache write, 1 hour",
            "native_amount_usd_per_unit": null,
            "native_quantity": 1,
            "native_unit": "one_hour_cache_creation_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "one_hour_cache_creation_token"
          }
        ]
      }
    }
  ],
  "model_id": "intfloat/multilingual-e5-large",
  "nativeProvenance": {
    "input_facts_canonical_sha256": "eb8be5cc2df2121debd08e1f9acd25e6054097434bc06acd617dc852efb127a6",
    "input_html_sha256": "ab5aa27819f3491a0ab66948e4d2e70305ad5f86609af5186ac3e5b5a3a8fac0",
    "private_audit_sha256": "893872ac0792c6f63e9c7d29685be5030feb7a6ea64f7a341be33b1f646efa4c",
    "role": "historical-normalized-input-audit-hashes",
    "schema": "ailoot-native-model-provenance-v2"
  },
  "page": {
    "canonical": "https://ailoot.ai/models/lt/intfloat-multilingual-e5-large/",
    "description": "intfloat Multilingual-E5-Large koduoja daugiakalbį tekstą į 1024 matmenų vektorius naudodamas 24 sluoksnių modelį. Jis palaiko šimto XLM-R kalbų aprėptį, visoms kalboms naudoja angliškus query/passage prefiksus ir nukerpa įvestis ties 512 žetonų riba.",
    "locale": "lt",
    "md_url": "https://ailoot.ai/models/lt/intfloat-multilingual-e5-large/index.md",
    "title": "Intfloat: Multilingual-E5-Large — Ailoot",
    "url": "https://ailoot.ai/models/lt/intfloat-multilingual-e5-large/"
  },
  "rawModel": {
    "about": "Multilingual-E5-Large – intfloat daugiakalbis tankiųjų teksto įterpinių modelis, turintis dvidešimt keturis sluoksnius ir 1024 matmenų išvestį. Jis inicijuotas iš XLM-RoBERTa Large ir toliau mokytas naudojant daugiakalbius duomenis. Modelio kortelėje aprašomas šimto XLM-R kalbų palaikymas, kartu pažymint silpnesnius rezultatus kalboms, kurių ištekliai nedideli. Jo vektoriai atvaizduoja tekstą paieškai, semantiniam palyginimui ir skaitinių požymių užduotims.\n\n### Išlaikykite įvesties vaidmenį kiekviena kalba\n\nMokymo metu naudoti prefiksai yra „query:“ ir „passage:“, taip pat ir neangliškam tekstui. Paieškos užklausa ir jos tekstyno ištraukos naudoja atitinkamus vaidmenis. Prefiksai lieka šiomis angliškomis eilutėmis, o pirminė formuluotė išlaiko savo kalbą. Simetriniam semantiniam panašumui, perfrazuotų tekstų paieškai, dvikalbių tekstų porų gavybai ar požymių naudojimui gamintojas rekomenduoja „query:“.\n\nPraktiniame rinkinyje gali būti dokumentacija keliomis palaikomomis kalbomis. Su kiekvienos ištraukos vektoriumi išsaugokite jos kalbą, pirminį tekstą ir šaltinio vietą. Paruoškite tikrus auditorijos paieškos klausimus, užuot manę, kad vienas angliškas bandymas atspindi visą rinkinį. Išvestis turėtų grąžinti tikrąją ištrauką ir jos kontekstą, kad skaitytojas galėtų įvertinti jos turinį.\n\nDaugiakalbėje atitikčių užduotyje aiškiai išlaikykite palyginimo tikslą. Galima vertimų pora ir užklausa, ieškanti pagrindžiančios ištraukos, reikalauja skirtingo paruošimo. Modelio vaidmenų prefiksų gairės pateikia konkrečią šių užduočių konvenciją; prefikso praleidimas nėra dokumentuotas lygiavertis variantas, nes pakeičia mokyme naudotą įvesties šabloną.\n\n### Agregavimas ir vektorių palyginimas\n\nGamintojo pavyzdyje žetonų reprezentacijos vidurkinamos naudojant dėmesio kaukę užpildymo pozicijoms atmesti, o tada vektorius normalizuojamas. Normalizuotų vektorių skaliarinės sandaugos duoda kosinusinį panašumą. 1024 komponentų masyvas atvaizduoja vieną paruoštą tekstą. Išsaugokite tikslų modelį ir paruošimą susietus su saugomais vektoriais, kad vėlesnės užklausos naudotų atitinkamą reprezentaciją.\n\nŠie vektoriai gali teikti kandidatų reitingus arba požymius vėlesniam grupavimo į klasterius ar klasifikavimo etapui. Jie neverčia šaltinio ir nekuria atsakymo. Grąžinkite pirminį ištraukos tekstą, kai paieškos rezultatas skirtas padėti skaitytojui arba vėlesniam RAG generavimo etapui.\n\n### Mokymas ir kalbų aprėptis\n\nModelio kortelėje dokumentuotas silpnai prižiūrimas kontrastinis išankstinis mokymas, po kurio atliekamas prižiūrimas tikslinimas. Daugiakalbis paruošimas apima tokią medžiagą kaip antraštės ir ištraukos poros, pokalbių poros ir vertimų poros, o žymėti paieškos bei kalbos supratimo duomenys naudojami vėlesniame etape. Tai paaiškina numatytas teksto reprezentavimo užduotis, bet nepatvirtina vienodų rezultatų kiekviena kalba.\n\nGamintojas aiškiai nurodo rezultatų pablogėjimą mažai išteklių turinčioms kalboms kaip ribojimą. Tikrinkite tikrąsias rinkinio kalbas ir formuluotes, įskaitant santrumpas, vardus bei pavadinimus ir specializuotą žodyną. Daugiakalbystės žyma naudingai apibūdina aprėptį; grąžinto teksto tinkamumą auditorijai ir užduočiai vis tiek reikia įvertinti.\n\n### Ilgis ir naudingi rezultatai\n\nIlga įvestis nukerpama iki ne daugiau kaip 512 žetonų. Ilgą dokumentą paruoškite kaip nuoseklias ištraukas su vaidmens prefiksu ir susijusiomis antraštėmis. Apibrėžimus ir išlygas išlaikykite šalia teiginio, kurį jie veikia, o pirminio dokumento identifikatorių ir šaltinio versiją saugokite už vektoriaus ribų.\n\nGamintojas rekomenduoja susitelkti į santykinę kosinusinių balų tvarką, o ne laikyti absoliučią reikšmę universaliu pasitikėjimo matu. Naudingas rezultatas – galimų ištraukų rinkinys, palyginamos teksto reprezentacijos arba su pirminiais įrašais susieti požymiai. Šis konkretus modelis lieka atskiras nuo tik angliškų E5 v2 kontrolinių taškų ir pagal instrukcijas tikslintų E5 variantų, net jei kitas modelis taip pat grąžina 1024 reikšmes.",
    "alias_of": null,
    "aliases": [],
    "author": "Intfloat",
    "available": null,
    "canonical_model": "intfloat/multilingual-e5-large",
    "capabilities": {
      "context_length": 512,
      "manufacturer_input": [
        "text"
      ],
      "manufacturer_output": [
        "embeddings"
      ]
    },
    "card_routes": [
      {
        "label": "Ultra",
        "rates": [
          {
            "amount": "0.00002000",
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "input_price",
            "label": "Input tokens",
            "native_amount_usd_per_unit": "0.00000002",
            "native_quantity": 1,
            "native_unit": "input_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "input_token"
          },
          {
            "amount": "0",
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "output_price",
            "label": "Output tokens",
            "native_amount_usd_per_unit": "0",
            "native_quantity": 1,
            "native_unit": "output_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "out",
            "unit": "output_token"
          }
        ],
        "summary": "Visa konfigūracijos kainodara pateikta išsamioje informacijoje."
      }
    ],
    "ctx": 512,
    "entity_type": "model",
    "formats": [
      "embeddings"
    ],
    "id": "intfloat/multilingual-e5-large",
    "input": [
      "text",
      "token_ids"
    ],
    "kind": "embedding",
    "max_out": null,
    "methods": [
      {
        "available": null,
        "cache_read": null,
        "cache_write": null,
        "cache_write_1h": null,
        "contract": {
          "data": {
            "all_results": "Keep every vector with its index. Vector count must equal input count; dimensions must be consistent.",
            "errors": [
              {
                "code": null,
                "condition": "Netinkami privalomi laukai, medžiagos pateikimo forma arba parametro reikšmė",
                "http_status": 400,
                "recovery": "Prieš naują kūrimo užklausą pataisykite nurodytus laukus.",
                "type": "invalid_request_error"
              }
            ],
            "hints": [],
            "ignored_fields": [],
            "lifecycle": {
              "create": {
                "http": "POST",
                "path": "/v1/embeddings"
              },
              "job_read": null,
              "mode": "synchronous_json",
              "unknown": "Vektorių generavimo užduotims atskiras API galinis taškas neįvedamas."
            },
            "material_combinations": [
              {
                "alternatives": [
                  "string",
                  "string[]",
                  "nonnegative_integer_token_array",
                  "nonnegative_integer_token_array[]"
                ],
                "mode": "text_to_embedding"
              }
            ],
            "operation_modes": [
              "single_embedding",
              "batched_embeddings"
            ],
            "outputs": {
              "all_results": "Išsaugokite kiekvieną vektorių su jo indeksu. Vektorių skaičius turi sutapti su įvesčių skaičiumi; jų matmenų skaičius turi būti vienodas.",
              "default_dimensions": null,
              "family": "embedding",
              "fields": [
                {
                  "description": null,
                  "name": "object",
                  "type": "string"
                },
                {
                  "description": null,
                  "name": "model",
                  "type": "string"
                },
                {
                  "description": null,
                  "name": "data[].index",
                  "type": "integer"
                },
                {
                  "description": null,
                  "name": "data[].embedding",
                  "type": "finite float[]"
                },
                {
                  "description": null,
                  "name": "usage",
                  "type": "object"
                }
              ],
              "format": "json"
            },
            "parameters": [
              {
                "availability": "source_interface",
                "default": null,
                "default_known": false,
                "enum": [
                  "intfloat/multilingual-e5-large"
                ],
                "enum_known": true,
                "name": "model",
                "required": true,
                "type": "string"
              },
              {
                "availability": "source_interface",
                "budget": {
                  "maximum": 512,
                  "text_unit": "UTF8 baitai",
                  "token_unit": "žetonų masyvo elementai"
                },
                "conditions": "Netuščias vienalyčių įvesčių paketas. Žetonų ID yra neneigiami sveikieji skaičiai.",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "min_items": 1,
                "name": "input",
                "required": true,
                "type": "string|string[]|integer[]|integer[][]"
              },
              {
                "availability": "source_interface",
                "default": "float",
                "default_known": true,
                "enum": [
                  "float"
                ],
                "enum_known": true,
                "name": "encoding_format",
                "required": false,
                "type": "string"
              },
              {
                "availability": "unsupported",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "minimum": 1,
                "name": "dimensions",
                "required": false,
                "type": "integer"
              },
              {
                "availability": "pass_through_metadata",
                "conditions": "Šaltinis leidžia šį JSON metaduomenų lauką; tiksli jo reikšmė tiekėjo sistemoje priklauso nuo modelio.",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "name": "user",
                "required": false,
                "type": "json_value"
              },
              {
                "availability": "pass_through_metadata",
                "conditions": "Šaltinis leidžia šį JSON metaduomenų lauką; tiksli jo reikšmė tiekėjo sistemoje priklauso nuo modelio.",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "name": "session_id",
                "required": false,
                "type": "json_value"
              },
              {
                "availability": "pass_through_metadata",
                "conditions": "Šaltinis leidžia šį JSON metaduomenų lauką; tiksli jo reikšmė tiekėjo sistemoje priklauso nuo modelio.",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "name": "trace",
                "required": false,
                "type": "json_value"
              },
              {
                "availability": "source_interface",
                "conditions": "provider.options atmetamas",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "name": "provider",
                "required": false,
                "type": "object"
              }
            ],
            "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.",
            "unsupported": [
              "mixed input kinds",
              "empty input",
              "image/audio/file objects",
              "encoding_format=base64",
              "dimensions override"
            ]
          },
          "hints": [
            "Išsaugokite kiekvieną vektoriaus indeksą ir matmenį.",
            "Tai, kad modelio pavadinimas nurodo multimodalumą, nereiškia, jog šiuo konkrečiu keliu priimami vaizdų objektai."
          ],
          "input": {
            "content_type": "application/json",
            "dimensions_override": false,
            "encoding_format": [
              "float"
            ],
            "input_shapes": [
              "string",
              "string[]",
              "nonnegative_integer_token_array",
              "nonnegative_integer_token_array[]"
            ],
            "material_types": [
              "text",
              "token_ids"
            ],
            "max_input_budget_units": 512,
            "multimodal_objects": false,
            "required": [
              "model",
              "input"
            ]
          },
          "lifecycle": {
            "mode": "synchronous_json",
            "unknown": "no embedding job endpoint inferred"
          },
          "manufacturer_capability": null,
          "method": {
            "http": "POST",
            "path": "/v1/embeddings"
          },
          "method_aliases": [],
          "operation_modes": [
            "text_to_embedding"
          ],
          "output": {
            "default_dimensions": null,
            "family": "embedding",
            "format": "json",
            "http_success": 200,
            "vectors": "one dense float vector per input; indices/model/usage validated"
          }
        },
        "ctx": 512,
        "declared_pricing_profiles": [
          {
            "dimensions": {
              "regime": "base"
            },
            "label": "Baziniai žetonų įkainiai",
            "units": [
              {
                "amount": "0.00002000",
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "input_price",
                "label": "Input tokens",
                "native_amount_usd_per_unit": "0.00000002",
                "native_quantity": 1,
                "native_unit": "input_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "input_token"
              },
              {
                "amount": "0",
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "output_price",
                "label": "Output tokens",
                "native_amount_usd_per_unit": "0",
                "native_quantity": 1,
                "native_unit": "output_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "out",
                "unit": "output_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_read_price",
                "label": "Cache read",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "cached_input_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "cached_input_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_write_price",
                "label": "Cache write",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "generic_cache_creation_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "generic_cache_creation_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_write_1h_price",
                "label": "Cache write, 1 hour",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "one_hour_cache_creation_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "one_hour_cache_creation_token"
              }
            ]
          }
        ],
        "examples": [
          {
            "code": "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\n",
            "label": "curl · retained exact creation",
            "language": "bash"
          },
          {
            "code": "from 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)\n",
            "label": "Python SDK · all vectors",
            "language": "python"
          }
        ],
        "family": "openai",
        "fast_multiplier": 1,
        "flex_multiplier": 1,
        "fmt": "embeddings",
        "hints": [
          "Keep every vector index and dimension.",
          "Multimodal model name does not admit image objects on this exact path."
        ],
        "http": "POST",
        "in": 0.02,
        "input": [
          "text",
          "token_ids"
        ],
        "label": "Эмбеддинги",
        "max_out": null,
        "max_reasoning_effort_multiplier": 1,
        "method_aliases": [],
        "out": 0,
        "output": [
          "embedding"
        ],
        "path": "/v1/embeddings",
        "price_conditions": [
          {
            "label": "Spartusis režimas",
            "value": "Standartinis įkainis",
            "when": "Pasirinkus spartųjį režimą"
          },
          {
            "label": "Flex režimas",
            "value": "Standartinis įkainis",
            "when": "Pasirinkus flex režimą"
          },
          {
            "label": "Didžiausios samprotavimo pastangos",
            "value": "Standartinis įkainis",
            "when": "Kai didžiausioms samprotavimo pastangoms taikomas numatytasis koregavimas (default)"
          }
        ],
        "pricing": {
          "billing_mode": "token",
          "image_input_price": null,
          "image_output_price": null,
          "per_request_price": null
        },
        "pricing_profiles": [
          {
            "dimensions": {
              "regime": "base"
            },
            "label": "Base token rates",
            "units": [
              {
                "amount": "0.00002000",
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "input_price",
                "label": "Input tokens",
                "native_amount_usd_per_unit": "0.00000002",
                "native_quantity": 1,
                "native_unit": "input_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "input_token"
              },
              {
                "amount": "0",
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "output_price",
                "label": "Output tokens",
                "native_amount_usd_per_unit": "0",
                "native_quantity": 1,
                "native_unit": "output_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "out",
                "unit": "output_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_read_price",
                "label": "Cache read",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "cached_input_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "cached_input_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_write_price",
                "label": "Cache write",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "generic_cache_creation_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "generic_cache_creation_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_write_1h_price",
                "label": "Cache write, 1 hour",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "one_hour_cache_creation_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "one_hour_cache_creation_token"
              }
            ]
          }
        ],
        "request_model_id": "intfloat/multilingual-e5-large",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "units": [
          {
            "amount": "0.00002000",
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "input_price",
            "label": "Input tokens",
            "native_amount_usd_per_unit": "0.00000002",
            "native_quantity": 1,
            "native_unit": "input_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "input_token"
          },
          {
            "amount": "0",
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "output_price",
            "label": "Output tokens",
            "native_amount_usd_per_unit": "0",
            "native_quantity": 1,
            "native_unit": "output_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "out",
            "unit": "output_token"
          },
          {
            "amount": null,
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "cache_read_price",
            "label": "Cache read",
            "native_amount_usd_per_unit": null,
            "native_quantity": 1,
            "native_unit": "cached_input_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "cached_input_token"
          },
          {
            "amount": null,
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "cache_write_price",
            "label": "Cache write",
            "native_amount_usd_per_unit": null,
            "native_quantity": 1,
            "native_unit": "generic_cache_creation_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "generic_cache_creation_token"
          },
          {
            "amount": null,
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "cache_write_1h_price",
            "label": "Cache write, 1 hour",
            "native_amount_usd_per_unit": null,
            "native_quantity": 1,
            "native_unit": "one_hour_cache_creation_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "one_hour_cache_creation_token"
          }
        ]
      }
    ],
    "model_aliases": [
      {
        "canonical_model_id": "intfloat/multilingual-e5-large",
        "request_model_id": "intfloat/multilingual-e5-large",
        "route_label": "Ultra"
      }
    ],
    "name": "Intfloat: Multilingual-E5-Large",
    "price": {
      "in": 0.02,
      "in_label": null,
      "out": 0,
      "out_label": null,
      "scope_label": "Token rates",
      "sort_in": 0.02,
      "sort_out": 0,
      "varies": false
    },
    "pricing_profiles": [
      {
        "dimensions": {
          "regime": "base"
        },
        "label": "Эмбеддинги · Base token rates",
        "units": [
          {
            "amount": "0.00002000",
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "input_price",
            "label": "Input tokens",
            "native_amount_usd_per_unit": "0.00000002",
            "native_quantity": 1,
            "native_unit": "input_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "input_token"
          },
          {
            "amount": "0",
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "output_price",
            "label": "Output tokens",
            "native_amount_usd_per_unit": "0",
            "native_quantity": 1,
            "native_unit": "output_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "out",
            "unit": "output_token"
          },
          {
            "amount": null,
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "cache_read_price",
            "label": "Cache read",
            "native_amount_usd_per_unit": null,
            "native_quantity": 1,
            "native_unit": "cached_input_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "cached_input_token"
          },
          {
            "amount": null,
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "cache_write_price",
            "label": "Cache write",
            "native_amount_usd_per_unit": null,
            "native_quantity": 1,
            "native_unit": "generic_cache_creation_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "generic_cache_creation_token"
          },
          {
            "amount": null,
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "cache_write_1h_price",
            "label": "Cache write, 1 hour",
            "native_amount_usd_per_unit": null,
            "native_quantity": 1,
            "native_unit": "one_hour_cache_creation_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "one_hour_cache_creation_token"
          }
        ]
      }
    ],
    "public_id": "intfloat/multilingual-e5-large",
    "short": "intfloat Multilingual-E5-Large koduoja daugiakalbį tekstą į 1024 matmenų vektorius naudodamas 24 sluoksnių modelį. Jis palaiko šimto XLM-R kalbų aprėptį, visoms kalboms naudoja angliškus query/passage prefiksus ir nukerpa įvestis ties 512 žetonų riba."
  },
  "renderer_schema": {
    "method_order": "Original DTO methods order; every exact route/format/path/caller survives.",
    "prices": "Original public DTO fields and original native display HTML; no flattened or normalized offers."
  },
  "representation": "exact-public-dto-and-native-renderer-html",
  "representationNotes": {
    "current_reference": {
      "about_json_pointer": "/aboutHtml",
      "methods": [
        {
          "contract_json_pointer": "/methods/0/rawMethod/contract",
          "html_json_pointer": "/methods/0/html",
          "method_ordinal": 0
        }
      ],
      "role": "current-semantic-reference"
    },
    "raw_input": {
      "examples_role": "historical-input-not-current-ready-examples",
      "json_pointers": [
        "/rawModel",
        "/methods/0/rawMethod"
      ],
      "role": "historical-owner-input"
    },
    "schema": "ailoot-native-model-representations-v1"
  },
  "schema": "ailoot-static-model-facts-v1",
  "schema_version": 1,
  "shortText": "intfloat Multilingual-E5-Large koduoja daugiakalbį tekstą į 1024 matmenų vektorius naudodamas 24 sluoksnių modelį. Jis palaiko šimto XLM-R kalbų aprėptį, visoms kalboms naudoja angliškus query/passage prefiksus ir nukerpa įvestis ties 512 žetonų riba.",
  "source": {
    "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1",
    "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036",
    "raw_model_json_sha256": "28fdfafcd5bb374be501c60e0c91630908cdab1a15bf6b236ea601e803ce6bb7",
    "renderer_sha256": "57bd2f8a61f57d341aae369006eca818e3eea645ec43af488ec7b2289eeca772"
  },
  "sourceRevision": "ff843b7185c1c4dbafb221891e88294a70144df6d710966cb94d97b5fb682284"
}