Source: https://ailoot.ai/models/lt/liquid-lfm-2-5-embedding-350m-u003a-free/ Canonical: https://ailoot.ai/models/lt/liquid-lfm-2-5-embedding-350m-u003a-free/ Language: lt # LiquidAI: LFM2.5-Embedding-350M (free) [Markdown](https://ailoot.ai/models/lt/liquid-lfm-2-5-embedding-350m-u003a-free/index.md) · [JSON](https://ailoot.ai/models/lt/liquid-lfm-2-5-embedding-350m-u003a-free/facts.json) ## [LiquidAI: LFM2.5-Embedding-350M (free)](https://ailoot.ai/models/lt/liquid-lfm-2-5-embedding-350m-u003a-free/) LiquidAI LFM2.5-Embedding-350M kiekvienam tekstui sukuria vieną 1024 matmenų vektorių daugiakalbei ir tarpkalbinei paieškai. Jis skirtas 11 kalbų ir trumpoms, 512 žetonų įvestims su skirtingais užklausos ir dokumento priešdėliais. - [**Ailoot Ultra · Įterpiniai** `POST /v1/embeddings` `liquid/lfm-2.5-embedding-350m:free`](https://ailoot.ai/models/lt/liquid-lfm-2-5-embedding-350m-u003a-free/#method-0) Apie modelį Šis aprašas apima modelio galimybes. Pasirinktam metodui Ailoot prieinamos įvestys, išvestys ir parinktys nurodytos toliau. LFM2.5-Embedding-350M yra LiquidAI tankusis bi-koduotuvas daugiakalbei ir tarpkalbinei paieškai. Kiekvienam tekstui jis sukuria vieną 1024 matmenų vektorių ir yra skirtas trumpo konteksto paieškai vienuolika kalbų. Įvardyta 350M modelių šeima naudoja dvikryptę LFM2.5-350M-Base adaptaciją; išsamioje modelių lentelėje šiai įterpinių versijai nurodyta maždaug 354 milijonai parametrų. #### Dvikryptis paieškos atvaizdas Gamintojas pritaiko pagrindinę architektūrą taip, kad dėmesio mechanizmas ir vietinės konvoliucijos galėtų naudoti kontekstą abiejose žetono pusėse. CLS tipo agregavimas apdorotą tekstą paverčia vienu tankiuoju vektoriumi. Modelio lentelėje aprašyta septyniolika sluoksnių: dešimt konvoliucinių blokų, šeši dėmesio blokai ir agregavimo etapas. Tai paieškos koduotuvas su savu paruošimu ir išvestimi, o ne bazinio modelio teksto generavimo užduotis. Atskirai įvardytas LFM2.5-ColBERT-350M išsaugo kiekvieno žetono vektorius vėlyvajai sąveikai. Tokiai reprezentacijai reikia kitokio indekso ir palyginimo metodo. Čia aprašomas Embedding modelis pateikia vieną vektorių dokumentui ar užklausai, o dokumentuotas palyginimas yra kosinuso panašumas. #### Naudokite tinkamus asimetrinius raginimus Paieškos užklausas paruoškite su „query:“, o šaltinio ištraukas – su „document:“. Gamintojas šiuos raginimus saugo savo konfigūracijoje, o etaloniniame procese taikomas atitinkamas raginimo pavadinimas. Jis konkrečiai rekomenduoja kiekvienoje pusėje naudoti atitinkamą vaidmenį, nes modelis mokytas su šiais priešdėliais. Šis dokumento priešdėlis skiriasi nuo E5 modelių „passage:“ konvencijos. Praktinėje produktų paieškos kolekcijoje gali būti aprašymų palaikomomis kalbomis. Naudotojo paieškos formuluotę paruoškite kaip užklausą, o kiekvieną produkto aprašymą – kaip dokumentą. Originalų tekstą, produkto identifikatorių ir kalbą saugokite su vektoriumi, kad paieškos rezultatas galėtų grąžinti atitinkamą įrašą. Pagalbos kolekcijoje išsaugokite klausimui aktualią taisyklę ar instrukciją, užuot pakeitę ją nesusijusia trumpa žyma. #### Kalbos ir ištraukų dydis Dokumentuotas kalbų rinkinys apima anglų, ispanų, vokiečių, prancūzų, italų, portugalų, arabų, švedų, norvegų, japonų ir korėjiečių kalbas. Gamintojas aiškiai orientuojasi ir į paiešką viena kalba, ir į paiešką tarp kalbų. Paruoškite tikrus numatytos auditorijos klausimus ir patikrinkite grąžintą dokumentų tekstą tomis kalbomis. Dokumento ilgio specifikacija yra 512 žetonų. Ilgą šaltinį padalykite į rišlias ištraukas, išsaugančias antraštę, apibrėžimus ir sąlygas, kurių reikia rastam rezultatui suprasti. Vaidmens priešdėlis ir pridėtas kontekstas priklauso paruoštai įvesčiai. DUK atsakymas, produkto paaiškinimas arba konkrečiai temai skirtas techninio dokumento skyrius yra tinkamesnis vienetas nei visas pernelyg ilgas vadovas. #### Mokymas ir atitikties nustatymas Gamintojas aprašo tris mokymo etapus: kontrastinį išankstinį mokymą anglų kalba, daugiakalbę ir tarpkalbinę distiliaciją, tada papildomą mokymą su atrinktais sunkiais neigiamais pavyzdžiais. Gautas modelis skirtas produktų katalogams, DUK ir pagalbos kolekcijoms, failų ar užrašų paieškai ir įmonės žinių paieškai. Tai teksto atvaizdų užduotys, o ne teiginiai apie konkrečios programos diegimą. Gamintojo pavyzdyje užklausų ir dokumentų vektoriai normalizuojami ir rikiuojami skaliarine sandauga, lygiaverte kosinuso panašumui. Paruošę šaltinio medžiagą iš anksto apskaičiuokite korpuso atvaizdus, tada sukurkite paieškos užklausos įterpinį ir grąžinkite kandidatinius dokumentus su jų tekstu bei identifikatoriais. Pasirinktą modelį ir vaidmenų konvenciją saugokite kartu su indeksu, kad skaitinis palyginimas naudotų suderinamas reprezentacijas. Naudingas rezultatas yra kompaktiškas tankusis paieškos indeksas arba užklausos vektorius, randantis šaltinio medžiagą visomis dokumentuotomis kalbomis. Ši konkreti LFM2.5 Embedding versija lieka atskira nuo jos ColBERT atitikmens, senesnių LFM2 paieškos modelių ir išoriškai kvantuotų realizacijų. Pasirinktos ištraukos tekstas yra pagrindžianti medžiaga, kurią naudoja skaitytojas arba vėlesnis RAG atsakymo etapas. **Ailoot Ultra · Įterpiniai** `POST /v1/embeddings` `liquid/lfm-2.5-embedding-350m:free` [`liquid/lfm-2.5-embedding-350m:free`](https://ailoot.ai/models/lt/#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` ### Pradžia LiquidAI LFM2.5-Embedding-350M kiekvienam tekstui sukuria vieną 1024 matmenų vektorių daugiakalbei ir tarpkalbinei paieškai. Jis skirtas 11 kalbų ir trumpoms, 512 žetonų įvestims su skirtingais užklausos ir dokumento priešdėliais. Leidžiamos įvestys Tekstas · token\_ids Rezultatai embedding ### Prieinama Ailoot · įvestys ir metodai **Ailoot Ultra · Įterpiniai** `POST /v1/embeddings` Įvestis `text`, `token_ids` Išvestis `embedding` Kontekstas 512 tokens Išvesties formatas json | Laukas | Tipas | Reikalavimas | Reikšmės ir ribos | Numatyta | | --- | --- | --- | --- | --- | | Laukas`model` | Tipas`string` | ReikalavimasPrivaloma | Reikšmės ir ribos liquid/lfm-2.5-embedding-350m:free | Numatyta— | | Laukas`input` | Tipas`string\|string[]\|integer[]\|integer[][]` | ReikalavimasPrivaloma | Reikšmės ir ribos Mažiausias elementų skaičius: 1 Sąlygos: Netuščias vienalyčių įvesčių paketas. Žetonų ID yra neneigiami sveikieji skaičiai. Įvesties biudžetas: Didžiausia reikšmė: 512 · Teksto vienetas: UTF8 baitai · Tokenų vienetas: žetonų masyvo elementai | Numatyta— | | Laukas`encoding_format` | Tipas`string` | ReikalavimasNeprivaloma | Reikšmės ir ribos float | Numatytafloat | | Laukas`dimensions` | Tipas`integer` | ReikalavimasNepalaikoma | Reikšmės ir ribos Mažiausia reikšmė: 1 | Numatyta— | | Laukas`user` | Tipas`json_value` | ReikalavimasNeprivaloma | Reikšmės ir ribos Sąlygos: Šaltinis leidžia šį JSON metaduomenų lauką; tiksli jo reikšmė tiekėjo sistemoje priklauso nuo modelio. | Numatyta— | | Laukas`session_id` | Tipas`json_value` | ReikalavimasNeprivaloma | Reikšmės ir ribos Sąlygos: Šaltinis leidžia šį JSON metaduomenų lauką; tiksli jo reikšmė tiekėjo sistemoje priklauso nuo modelio. | Numatyta— | | Laukas`trace` | Tipas`json_value` | ReikalavimasNeprivaloma | Reikšmės ir ribos Sąlygos: Šaltinis leidžia šį JSON metaduomenų lauką; tiksli jo reikšmė tiekėjo sistemoje priklauso nuo modelio. | Numatyta— | | Laukas`provider` | Tipas`object` | ReikalavimasNeprivaloma | Reikšmės ir ribos Sąlygos: provider.options atmetamas | Numatyta— | Įvesties medžiagos deriniai **text\_to\_embedding** Metodo parametrai ir gyvavimo ciklas | Parametras | Specifikacija | | --- | --- | | Parametras`content_type` | Specifikacijaapplication/json | | Parametras`required` | Specifikacijamodel, input | | Parametras`input_shapes` | Specifikacijastring, string\[\], nonnegative\_integer\_token\_array, nonnegative\_integer\_token\_array\[\] | | Parametras`encoding_format` | Specifikacijafloat | | Parametras`dimensions_override` | Specifikacijafalse | | Parametras`max_input_budget_units` | Specifikacija512 | | Parametras`multimodal_objects` | Specifikacijafalse | | Parametras`material_types` | Specifikacijatext, token\_ids | Gyvavimo ciklas: `synchronous_json` Išsaugokite kiekvieną vektoriaus indeksą ir matmenį. Tai, kad modelio pavadinimas nurodo multimodalumą, nereiškia, jog šiuo konkrečiu keliu priimami vaizdų objektai. ### Planai Tarifų informacija neprideda užklausos parinkčių. Palaikomi parametrai nurodyti prie pasirinkto metodo. Spartusis režimas Standartinis įkainis Pasirinkus spartųjį režimą Flex režimas Standartinis įkainis Pasirinkus flex režimą Didžiausios samprotavimo pastangos Standartinis įkainis Kai didžiausioms samprotavimo pastangoms taikomas numatytasis koregavimas (default) #### Ailoot įkainiai #### Kainos pagal konfigūraciją | Konfigūracija | Įkainių lentelė | Mokestis | | --- | --- | --- | | KonfigūracijaBaziniai žetonų įkainiai | Įkainių lentelėBazinis įkainis | Mokestis Įvestis · Įvesties tokenai **$0** / 1K tokenų Išvestis · Išvesties tokenai **$0** / 1K tokenų Įvestis · Talpyklos skaitymas **—** / 1K tokenų Įvestis · Rašymas į talpyklą **—** / 1K tokenų Įvestis · Rašymas į talpyklą, 1 val **—** / 1K tokenų | Ailoot prieš užklausą rezervuoja numatomą sumą. Gavus rezultatą, galutinis mokestis nuskaitomas pagal išmatuotą naudojimą. Srautinio atsakymo atsiskaitymui naudojamas galutinis naudojimo įrašas. [Kaip veikia rezervavimas ir atsiskaitymas →](https://ailoot.ai/docs/lt/billing/reserve/) ### Užklausų pavyzdžiai #### Ailoot Ultra · Įterpiniai curlPython SDK ```bash set -eu : "${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) ``` ### Gauti ir išsaugoti rezultatus #### Ailoot Ultra · Įterpiniai json ##### Išsaugoti visus baigtus rezultatus Išsaugokite kiekvieną visą grąžintą atsakymą, failą ir turinio dalį. Išsaugokite kiekvieną vektorių su jo indeksu. Vektorių skaičius turi sutapti su įvesčių skaičiumi; jų matmenų skaičius turi būti vienodas. ##### Jei reikia patikrinti pradinį atsakymą Vektorių generavimo užduotims atskiras API galinis taškas neįvedamas. Atsakymo laukai | Laukas | Tipas | | --- | --- | | Laukas`object` | Tipasstring | | Laukas`model` | Tipasstring | | Laukas`data[].index` | Tipasinteger | | Laukas`data[].embedding` | Tipasfinite float\[\] | | Laukas`usage` | Tipasobject | Klaidos ir tolesni veiksmai | Atsakymas | Sąlyga | Kitas žingsnis | | --- | --- | --- | | Atsakymas400 · `invalid_request_error` | SąlygaNetinkami privalomi laukai, medžiagos pateikimo forma arba parametro reikšmė | Kitas žingsnisPrieš naują kūrimo užklausą pataisykite nurodytus laukus. | ### Pseudonimai #### Modelių pseudonimai **Ailoot Ultra** [`liquid/lfm-2.5-embedding-350m:free`](https://ailoot.ai/models/lt/#m=liquid%2Flfm-2.5-embedding-350m%3Afree&route=Ultra&caller=liquid%2Flfm-2.5-embedding-350m%3Afree&fmt=embeddings) #### Metodų kelių pseudonimai Naudokite aukščiau nurodytus metodų kelius. #### Susiję ID iškvietimui [`liquid/lfm-2.5-embedding-350m:free`](https://ailoot.ai/models/lt/#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) Kokios įvestys ir rezultatai prieinami? `POST /v1/embeddings` · `liquid/lfm-2.5-embedding-350m:free`: `text`, `token_ids` → `embedding` Kokius laukus naudoja užklausa? `POST /v1/embeddings` · `liquid/lfm-2.5-embedding-350m:free`: `model`, `input`, `encoding_format`, `provider` Kokie apribojimai taikomi? `POST /v1/embeddings` · `liquid/lfm-2.5-embedding-350m:free`: `ctx`: `512`; `input.budget.maximum`: `512` (UTF8 baitai); `input.min_items`: `1` Prijunkite Ailoot prie Claude Code, OpenCode, Hermes arba savo programos. ## Įmonė ir jos projektų portfelis Įmonė ir jos projektų portfelis: milijonai klientų; mėnesio pardavimai siekia milijardus. ## Pirkite žetonus su nuolaida. Prenumeratos nuolaida reguliariam darbui. Kodai — iki 50% žetonų pirkimui. Prenumerata Pasirinkite planą su nuolaida reguliarioms užklausoms. Nuolaidos kodas iki 50% Įveskite kodą perkant. Kaina perskaičiuojama pagal galiojančios akcijos sąlygas. Išlaidos istorijoje Kiekvienai užklausai išsaugomi modelis, žetonai ir suma. [Pasirinkti prenumeratą](https://ailoot.ai/docs/lt/billing/subscriptions/) · [Peržiūrėti modelių kainas](https://ailoot.ai/models/lt/) ## Prijunkite API prie produkto, kurį parduodate. SaaS, programos ir botai pagal Ailoot ofertą bei licencijos sutartį. Perpardavimui paprašykite perpardavėjo licencijos. Komercinė programa Teksto, vaizdų, video ir garso kūrimą integruokite į mokamas paslaugos funkcijas. Perpardavėjo licencija Atsiųskite projekto aprašymą ir prieigos schemą. Paprašykite rašytinių naudojimo ir perpardavimo sąlygų. Dokumentai svetainėje Oferta, licencijos sutartis ir duomenų tvarkymo politika prieinamos prieš prisijungiant. [Paprašyti perpardavėjo licencijos](mailto:support@ailoot.ai) · [Oferta ir licencijos sutartis](https://ailoot.ai/legal/offer?lang=lt) ## Ailoot · Įmonė ir jos projektų portfelis Ailoot remiasi sukaupta veiklos patirtimi, plačia klientų baze, stabiliomis paslaugomis ir nuolatine KPI kontrole. Įmonė ir jos projektų portfelis: milijonai klientų; mėnesio pardavimai siekia milijardus. Ailoot šią veiklos patirtį pritaiko teikdama API prieigą prie DI funkcijų klientų produktuose, agentuose, programose ir automatizavimo sprendimuose.