{ "aboutHtml": "

BGE-M3 ialah model pemerolehan semula berbilang bahasa BAAI yang direka berdasarkan tiga jenis kepelbagaian: pelbagai fungsi pemerolehan semula, pelbagai bahasa dan panjang input berbeza. Pengeluar mendokumenkan sokongan untuk lebih daripada seratus bahasa dan input sehingga 8192 token. Model bersepadunya boleh menyediakan vektor padat, pemberat leksikal jarang dan perwakilan berbilang vektor, maka reka bentuk pemerolehan semula boleh memilih atau menggabungkan lebih daripada satu jenis bukti.

Tiga perwakilan untuk pemerolehan semula

Mod padat memetakan teks kepada satu vektor 1024 dimensi. Ia menyokong perbandingan makna yang diwakili oleh pertanyaan dan petikan. Mod jarang memberikan pemberat kepada token yang hadir dalam teks untuk pemadanan leksikal. Mod berbilang vektor mewakili teks dengan beberapa vektor dan menggunakan interaksi ala ColBERT untuk membandingkan pertanyaan dan dokumen pada peringkat lebih terperinci.

Output ini mempunyai peranan berbeza dalam indeks carian. Vektor padat menyediakan satu perwakilan untuk petikan; peta pemberat token jarang mengekalkan isyarat leksikal; beberapa vektor menyediakan struktur perbandingan berbeza. Contoh pengeluar menunjukkan pengembalian perwakilan terpilih dan pengiraan skor untuk pasangan teks. Jadikan perwakilan serta kaedah penskoran terpilih sebagai bahagian tugas pemerolehan semula yang ditentukan dengan sengaja.

Teks berbilang bahasa dan penyediaan input

BGE-M3 tidak memerlukan penambahan arahan pemerolehan semula yang digunakan model BGE terdahulu. Sediakan pertanyaan dan petikan sumber sebenar secara langsung. Koleksi pengetahuan berbilang bahasa boleh mengekalkan setiap petikan dalam bahasa asalnya, bersama pengecam dokumen dan locale. Gunakan soalan pengguna sebenar daripada campuran bahasa sasaran ketika memeriksa hasil.

Tugas praktikal ialah mencari penerangan dasar, bantuan produk atau dokumentasi teknikal yang disimpan dalam beberapa bahasa. Kekalkan nama, nombor model dan istilah yang penting bagi soalan. Perwakilan leksikal boleh membantu mengekalkan padanan istilah itu, manakala perwakilan padat membekalkan bukti semantik. Petikan yang diperoleh semula perlu merangkumi teks dan lokasi sumber yang boleh diperiksa pembaca.

Dokumen lebih panjang dan aras perincian

Tetingkap input 8192 token membolehkan model mewakili bahan daripada ayat pendek hingga dokumen lebih panjang. Pilih aras perincian berdasarkan jawapan yang patut dikembalikan carian. Bahagian lengkap boleh mengekalkan takrif dan pengecualiannya; petikan lebih kecil boleh memudahkan pencarian arahan tertentu. Tetingkap panjang memungkinkan pilihan itu, tetapi vektor tetap dikaitkan dengan bahan yang benar-benar dikodkan.

Pastikan setiap petikan dipautkan kepada dokumen induk dan versinya. Untuk laporan panjang, kekalkan tajuk dan penerangan sekeliling bagi angka atau kesimpulan berkaitan. Jangan bergantung pada tajuk hasil carian sahaja apabila bukti berada dalam isi. Jika sumber berubah, simpan metadata yang mencukupi untuk mengemas kini perwakilan pemerolehan semula yang sepadan.

Skor hibrid dan penggunaan hiliran

Pengeluar mengesyorkan pemerolehan semula hibrid diikuti peringkat penyusunan semula kedudukan yang berasingan. Contohnya mengira skor padat, jarang dan berbilang vektor serta membentuk gabungan berwajaran. Pilih gabungan berdasarkan soalan dan kosa kata koleksi; pemberat yang ditunjukkan dalam contoh bukan tetapan sejagat untuk setiap korpus.

Hasil berguna ialah set calon dengan petikan sumber yang kekal tersedia, bersama perwakilan dan kaedah penentuan kedudukan yang direkodkan. Penyusun semula kedudukan berasingan boleh memperhalus set itu dan peringkat penjanaan teks berasingan boleh menggunakan kandungan petikan. Keupayaan jarang dan berbilang vektor BGE-M3 ialah mod model pengeluar; embedding padat, output leksikal dan skor pasangan merupakan artifak berbeza, bukannya tatasusunan yang boleh saling ditukar ganti.

", "aboutText": "BGE-M3 ialah model pemerolehan semula berbilang bahasa BAAI yang direka berdasarkan tiga jenis kepelbagaian: pelbagai fungsi pemerolehan semula, pelbagai bahasa dan panjang input berbeza. Pengeluar mendokumenkan sokongan untuk lebih daripada seratus bahasa dan input sehingga 8192 token. Model bersepadunya boleh menyediakan vektor padat, pemberat leksikal jarang dan perwakilan berbilang vektor, maka reka bentuk pemerolehan semula boleh memilih atau menggabungkan lebih daripada satu jenis bukti.\n\n### Tiga perwakilan untuk pemerolehan semula\n\nMod padat memetakan teks kepada satu vektor 1024 dimensi. Ia menyokong perbandingan makna yang diwakili oleh pertanyaan dan petikan. Mod jarang memberikan pemberat kepada token yang hadir dalam teks untuk pemadanan leksikal. Mod berbilang vektor mewakili teks dengan beberapa vektor dan menggunakan interaksi ala ColBERT untuk membandingkan pertanyaan dan dokumen pada peringkat lebih terperinci.\n\nOutput ini mempunyai peranan berbeza dalam indeks carian. Vektor padat menyediakan satu perwakilan untuk petikan; peta pemberat token jarang mengekalkan isyarat leksikal; beberapa vektor menyediakan struktur perbandingan berbeza. Contoh pengeluar menunjukkan pengembalian perwakilan terpilih dan pengiraan skor untuk pasangan teks. Jadikan perwakilan serta kaedah penskoran terpilih sebagai bahagian tugas pemerolehan semula yang ditentukan dengan sengaja.\n\n### Teks berbilang bahasa dan penyediaan input\n\nBGE-M3 tidak memerlukan penambahan arahan pemerolehan semula yang digunakan model BGE terdahulu. Sediakan pertanyaan dan petikan sumber sebenar secara langsung. Koleksi pengetahuan berbilang bahasa boleh mengekalkan setiap petikan dalam bahasa asalnya, bersama pengecam dokumen dan locale. Gunakan soalan pengguna sebenar daripada campuran bahasa sasaran ketika memeriksa hasil.\n\nTugas praktikal ialah mencari penerangan dasar, bantuan produk atau dokumentasi teknikal yang disimpan dalam beberapa bahasa. Kekalkan nama, nombor model dan istilah yang penting bagi soalan. Perwakilan leksikal boleh membantu mengekalkan padanan istilah itu, manakala perwakilan padat membekalkan bukti semantik. Petikan yang diperoleh semula perlu merangkumi teks dan lokasi sumber yang boleh diperiksa pembaca.\n\n### Dokumen lebih panjang dan aras perincian\n\nTetingkap input 8192 token membolehkan model mewakili bahan daripada ayat pendek hingga dokumen lebih panjang. Pilih aras perincian berdasarkan jawapan yang patut dikembalikan carian. Bahagian lengkap boleh mengekalkan takrif dan pengecualiannya; petikan lebih kecil boleh memudahkan pencarian arahan tertentu. Tetingkap panjang memungkinkan pilihan itu, tetapi vektor tetap dikaitkan dengan bahan yang benar-benar dikodkan.\n\nPastikan setiap petikan dipautkan kepada dokumen induk dan versinya. Untuk laporan panjang, kekalkan tajuk dan penerangan sekeliling bagi angka atau kesimpulan berkaitan. Jangan bergantung pada tajuk hasil carian sahaja apabila bukti berada dalam isi. Jika sumber berubah, simpan metadata yang mencukupi untuk mengemas kini perwakilan pemerolehan semula yang sepadan.\n\n### Skor hibrid dan penggunaan hiliran\n\nPengeluar mengesyorkan pemerolehan semula hibrid diikuti peringkat penyusunan semula kedudukan yang berasingan. Contohnya mengira skor padat, jarang dan berbilang vektor serta membentuk gabungan berwajaran. Pilih gabungan berdasarkan soalan dan kosa kata koleksi; pemberat yang ditunjukkan dalam contoh bukan tetapan sejagat untuk setiap korpus.\n\nHasil berguna ialah set calon dengan petikan sumber yang kekal tersedia, bersama perwakilan dan kaedah penentuan kedudukan yang direkodkan. Penyusun semula kedudukan berasingan boleh memperhalus set itu dan peringkat penjanaan teks berasingan boleh menggunakan kandungan petikan. Keupayaan jarang dan berbilang vektor BGE-M3 ialah mod model pengeluar; embedding padat, output leksikal dan skor pasangan merupakan artifak berbeza, bukannya tatasusunan yang boleh saling ditukar ganti.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "7eef6173ac886d9b89813a73be2120696c5f0ef46434f08a27b81677442b26ab", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "ms", "methods": [ { "html": "
•

BAAI: bge-m3

BAAI /baai/bge-m3

Pengenalan

BAAI BGE-M3 menyokong perolehan dense, sparse lexical dan multi-vector dalam lebih 100 bahasa. Output dense-nya mempunyai 1024 dimensi, dan tetingkap 8192 tokennya menampung ayat hingga dokumen lebih panjang tanpa arahan pertanyaan wajib.

Input yang diterima
Teks · token_ids
Hasil
embedding
Tentang model

Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.

BGE-M3 ialah model pemerolehan semula berbilang bahasa BAAI yang direka berdasarkan tiga jenis kepelbagaian: pelbagai fungsi pemerolehan semula, pelbagai bahasa dan panjang input berbeza. Pengeluar mendokumenkan sokongan untuk lebih daripada seratus bahasa dan input sehingga 8192 token. Model bersepadunya boleh menyediakan vektor padat, pemberat leksikal jarang dan perwakilan berbilang vektor, maka reka bentuk pemerolehan semula boleh memilih atau menggabungkan lebih daripada satu jenis bukti.

Tiga perwakilan untuk pemerolehan semula

Mod padat memetakan teks kepada satu vektor 1024 dimensi. Ia menyokong perbandingan makna yang diwakili oleh pertanyaan dan petikan. Mod jarang memberikan pemberat kepada token yang hadir dalam teks untuk pemadanan leksikal. Mod berbilang vektor mewakili teks dengan beberapa vektor dan menggunakan interaksi ala ColBERT untuk membandingkan pertanyaan dan dokumen pada peringkat lebih terperinci.

Output ini mempunyai peranan berbeza dalam indeks carian. Vektor padat menyediakan satu perwakilan untuk petikan; peta pemberat token jarang mengekalkan isyarat leksikal; beberapa vektor menyediakan struktur perbandingan berbeza. Contoh pengeluar menunjukkan pengembalian perwakilan terpilih dan pengiraan skor untuk pasangan teks. Jadikan perwakilan serta kaedah penskoran terpilih sebagai bahagian tugas pemerolehan semula yang ditentukan dengan sengaja.

Teks berbilang bahasa dan penyediaan input

BGE-M3 tidak memerlukan penambahan arahan pemerolehan semula yang digunakan model BGE terdahulu. Sediakan pertanyaan dan petikan sumber sebenar secara langsung. Koleksi pengetahuan berbilang bahasa boleh mengekalkan setiap petikan dalam bahasa asalnya, bersama pengecam dokumen dan locale. Gunakan soalan pengguna sebenar daripada campuran bahasa sasaran ketika memeriksa hasil.

Tugas praktikal ialah mencari penerangan dasar, bantuan produk atau dokumentasi teknikal yang disimpan dalam beberapa bahasa. Kekalkan nama, nombor model dan istilah yang penting bagi soalan. Perwakilan leksikal boleh membantu mengekalkan padanan istilah itu, manakala perwakilan padat membekalkan bukti semantik. Petikan yang diperoleh semula perlu merangkumi teks dan lokasi sumber yang boleh diperiksa pembaca.

Dokumen lebih panjang dan aras perincian

Tetingkap input 8192 token membolehkan model mewakili bahan daripada ayat pendek hingga dokumen lebih panjang. Pilih aras perincian berdasarkan jawapan yang patut dikembalikan carian. Bahagian lengkap boleh mengekalkan takrif dan pengecualiannya; petikan lebih kecil boleh memudahkan pencarian arahan tertentu. Tetingkap panjang memungkinkan pilihan itu, tetapi vektor tetap dikaitkan dengan bahan yang benar-benar dikodkan.

Pastikan setiap petikan dipautkan kepada dokumen induk dan versinya. Untuk laporan panjang, kekalkan tajuk dan penerangan sekeliling bagi angka atau kesimpulan berkaitan. Jangan bergantung pada tajuk hasil carian sahaja apabila bukti berada dalam isi. Jika sumber berubah, simpan metadata yang mencukupi untuk mengemas kini perwakilan pemerolehan semula yang sepadan.

Skor hibrid dan penggunaan hiliran

Pengeluar mengesyorkan pemerolehan semula hibrid diikuti peringkat penyusunan semula kedudukan yang berasingan. Contohnya mengira skor padat, jarang dan berbilang vektor serta membentuk gabungan berwajaran. Pilih gabungan berdasarkan soalan dan kosa kata koleksi; pemberat yang ditunjukkan dalam contoh bukan tetapan sejagat untuk setiap korpus.

Hasil berguna ialah set calon dengan petikan sumber yang kekal tersedia, bersama perwakilan dan kaedah penentuan kedudukan yang direkodkan. Penyusun semula kedudukan berasingan boleh memperhalus set itu dan peringkat penjanaan teks berasingan boleh menggunakan kandungan petikan. Keupayaan jarang dan berbilang vektor BGE-M3 ialah mod model pengeluar; embedding padat, output leksikal dan skor pasangan merupakan artifak berbeza, bukannya tatasusunan yang boleh saling ditukar ganti.

Tersedia di Ailoot · input & kaedah

Ailoot Ultra · Pembenaman POST /v1/embeddings
Input
text, token_ids
Output
embedding
Konteks
8,194 tokens
Format output
json
MedanJenisKeperluanNilai & hadLalai
MedanmodelJenisstringKeperluanDiperlukanNilai & had
baai/bge-m3
Lalai—
MedaninputJenisstring|string[]|integer[]|integer[][]KeperluanDiperlukanNilai & had
Item minimum: 1
Syarat: Kelompok homogen yang tidak kosong. ID token ialah integer bukan negatif.
Bajet input: Maksimum: 8,194 · Unit teks: bait UTF8 · Unit token: elemen tatasusunan token
Lalai—
Medanencoding_formatJenisstringKeperluanPilihanNilai & had
float
Lalaifloat
MedandimensionsJenisintegerKeperluanTidak disokongNilai & had
Minimum: 1
Lalai—
MedanuserJenisjson_valueKeperluanPilihanNilai & had
Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.
Lalai—
Medansession_idJenisjson_valueKeperluanPilihanNilai & had
Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.
Lalai—
MedantraceJenisjson_valueKeperluanPilihanNilai & had
Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.
Lalai—
MedanproviderJenisobjectKeperluanPilihanNilai & had
Syarat: provider.options ditolak
Lalai—
Gabungan bahan input

text_to_embedding

Parameter kaedah dan kitar hayat
ParameterKontrak
Parametercontent_typeKontrakapplication/json
ParameterrequiredKontrakmodel, input
Parameterinput_shapesKontrakstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[]
Parameterencoding_formatKontrakfloat
Parameterdimensions_overrideKontrakfalse
Parametermax_input_budget_unitsKontrak8194
Parametermultimodal_objectsKontrakfalse
Parametermaterial_typesKontraktext, token_ids

Kitar hayat: synchronous_json

Simpan setiap indeks dan dimensi vektor.

Nama model multimodal tidak bermakna objek imej dibenarkan pada laluan khusus ini.

Pelan harga

Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.

Mod pantas
Kadar standard Apabila mod pantas dipilih
Mod flex
Kadar standard Apabila mod flex dipilih
Usaha penaakulan maksimum
Kadar standard Apabila usaha penaakulan maksimum menggunakan pelarasan default

Kadar Ailoot

Harga mengikut konfigurasi

KonfigurasiJadual kadarCaj
KonfigurasiKadar asas tokenJadual kadarKadar asasCaj
Input · Token input $0.00004 / 1K token
Output · Token output $0 / 1K token
Input · Bacaan cache — / 1K token
Input · Penulisan cache — / 1K token
Input · Penulisan cache, 1 jam — / 1K token

Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →

Contoh permintaan

Ailoot Ultra · Pembenaman

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": "baai/bge-m3", "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

Terima dan simpan hasil

Ailoot Ultra · Pembenaman

json

Simpan semua hasil yang selesai

Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.

Simpan setiap vektor bersama indeksnya. Bilangan vektor mesti sama dengan bilangan input; dimensi mesti konsisten.

Jika respons asal perlu disemak

Tiada titik akhir tugas pembenaman diperkenalkan.

Medan respons
MedanJenis
MedanobjectJenisstring
MedanmodelJenisstring
Medandata[].indexJenisinteger
Medandata[].embeddingJenisfinite float[]
MedanusageJenisobject
Ralat dan langkah seterusnya
ResponsSyaratLangkah seterusnya
Respons400 · invalid_request_errorSyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sahLangkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu.

Alias

Alias model

Ailoot Ultra baai/bge-m3

Alias laluan kaedah

Gunakan laluan kaedah yang dipaparkan di atas.

ID pemanggil berkaitan

baai/bge-m3

", "method_identity": { "effective_request_model_id": "baai/bge-m3", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "baai/bge-m3", "route_label": "Ultra" }, "method_key": "Ultra|embeddings|/v1/embeddings|baai%2Fbge-m3", "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": "Medan wajib, perwakilan bahan atau nilai parameter tidak sah", "http_status": 400, "recovery": "Betulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Tiada titik akhir tugas pembenaman diperkenalkan." }, "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": "Simpan setiap vektor bersama indeksnya. Bilangan vektor mesti sama dengan bilangan input; dimensi mesti konsisten.", "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": [ "baai/bge-m3" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "budget": { "maximum": 8194, "text_unit": "bait UTF8", "token_unit": "elemen tatasusunan token" }, "conditions": "Kelompok homogen yang tidak kosong. ID token ialah integer bukan negatif.", "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": "Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "session_id", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "trace", "required": false, "type": "json_value" }, { "availability": "source_interface", "conditions": "provider.options ditolak", "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": [ "Simpan setiap indeks dan dimensi vektor.", "Nama model multimodal tidak bermakna objek imej dibenarkan pada laluan khusus ini." ], "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": 8194, "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": 8194, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Kadar asas token", "units": [ { "amount": "0.00004000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000004", "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\": \"baai/bge-m3\", \"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='baai/bge-m3',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": 0.04, "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": "Mod pantas", "value": "Kadar standard", "when": "Apabila mod pantas dipilih" }, { "label": "Mod flex", "value": "Kadar standard", "when": "Apabila mod flex dipilih" }, { "label": "Usaha penaakulan maksimum", "value": "Kadar standard", "when": "Apabila usaha penaakulan maksimum menggunakan pelarasan 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": "0.00004000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000004", "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": "baai/bge-m3", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00004000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000004", "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": "baai/bge-m3", "nativeProvenance": { "input_facts_canonical_sha256": "0c908fab3e3f427ceb8299f04cd9950d33ec5af7508466c0cb8282e70289b216", "input_html_sha256": "1186903a8dcabe8a7265ea0dbef84b905a18cdc23b4634a61463825ad553bc49", "private_audit_sha256": "22c7825dbb33473c4f8b81db5c15a2f678d419a9b9dd94a69a87c6c1bbbfc4fa", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/ms/baai-bge-m3/", "description": "BAAI BGE-M3 menyokong perolehan dense, sparse lexical dan multi-vector dalam lebih 100 bahasa. Output dense-nya mempunyai 1024 dimensi, dan tetingkap 8192 tokennya menampung ayat hingga dokumen lebih panjang tanpa arahan pertanyaan wajib.", "locale": "ms", "md_url": "https://ailoot.ai/models/ms/baai-bge-m3/index.md", "title": "BAAI: bge-m3 — Ailoot", "url": "https://ailoot.ai/models/ms/baai-bge-m3/" }, "rawModel": { "about": "BGE-M3 ialah model pemerolehan semula berbilang bahasa BAAI yang direka berdasarkan tiga jenis kepelbagaian: pelbagai fungsi pemerolehan semula, pelbagai bahasa dan panjang input berbeza. Pengeluar mendokumenkan sokongan untuk lebih daripada seratus bahasa dan input sehingga 8192 token. Model bersepadunya boleh menyediakan vektor padat, pemberat leksikal jarang dan perwakilan berbilang vektor, maka reka bentuk pemerolehan semula boleh memilih atau menggabungkan lebih daripada satu jenis bukti.\n\n### Tiga perwakilan untuk pemerolehan semula\n\nMod padat memetakan teks kepada satu vektor 1024 dimensi. Ia menyokong perbandingan makna yang diwakili oleh pertanyaan dan petikan. Mod jarang memberikan pemberat kepada token yang hadir dalam teks untuk pemadanan leksikal. Mod berbilang vektor mewakili teks dengan beberapa vektor dan menggunakan interaksi ala ColBERT untuk membandingkan pertanyaan dan dokumen pada peringkat lebih terperinci.\n\nOutput ini mempunyai peranan berbeza dalam indeks carian. Vektor padat menyediakan satu perwakilan untuk petikan; peta pemberat token jarang mengekalkan isyarat leksikal; beberapa vektor menyediakan struktur perbandingan berbeza. Contoh pengeluar menunjukkan pengembalian perwakilan terpilih dan pengiraan skor untuk pasangan teks. Jadikan perwakilan serta kaedah penskoran terpilih sebagai bahagian tugas pemerolehan semula yang ditentukan dengan sengaja.\n\n### Teks berbilang bahasa dan penyediaan input\n\nBGE-M3 tidak memerlukan penambahan arahan pemerolehan semula yang digunakan model BGE terdahulu. Sediakan pertanyaan dan petikan sumber sebenar secara langsung. Koleksi pengetahuan berbilang bahasa boleh mengekalkan setiap petikan dalam bahasa asalnya, bersama pengecam dokumen dan locale. Gunakan soalan pengguna sebenar daripada campuran bahasa sasaran ketika memeriksa hasil.\n\nTugas praktikal ialah mencari penerangan dasar, bantuan produk atau dokumentasi teknikal yang disimpan dalam beberapa bahasa. Kekalkan nama, nombor model dan istilah yang penting bagi soalan. Perwakilan leksikal boleh membantu mengekalkan padanan istilah itu, manakala perwakilan padat membekalkan bukti semantik. Petikan yang diperoleh semula perlu merangkumi teks dan lokasi sumber yang boleh diperiksa pembaca.\n\n### Dokumen lebih panjang dan aras perincian\n\nTetingkap input 8192 token membolehkan model mewakili bahan daripada ayat pendek hingga dokumen lebih panjang. Pilih aras perincian berdasarkan jawapan yang patut dikembalikan carian. Bahagian lengkap boleh mengekalkan takrif dan pengecualiannya; petikan lebih kecil boleh memudahkan pencarian arahan tertentu. Tetingkap panjang memungkinkan pilihan itu, tetapi vektor tetap dikaitkan dengan bahan yang benar-benar dikodkan.\n\nPastikan setiap petikan dipautkan kepada dokumen induk dan versinya. Untuk laporan panjang, kekalkan tajuk dan penerangan sekeliling bagi angka atau kesimpulan berkaitan. Jangan bergantung pada tajuk hasil carian sahaja apabila bukti berada dalam isi. Jika sumber berubah, simpan metadata yang mencukupi untuk mengemas kini perwakilan pemerolehan semula yang sepadan.\n\n### Skor hibrid dan penggunaan hiliran\n\nPengeluar mengesyorkan pemerolehan semula hibrid diikuti peringkat penyusunan semula kedudukan yang berasingan. Contohnya mengira skor padat, jarang dan berbilang vektor serta membentuk gabungan berwajaran. Pilih gabungan berdasarkan soalan dan kosa kata koleksi; pemberat yang ditunjukkan dalam contoh bukan tetapan sejagat untuk setiap korpus.\n\nHasil berguna ialah set calon dengan petikan sumber yang kekal tersedia, bersama perwakilan dan kaedah penentuan kedudukan yang direkodkan. Penyusun semula kedudukan berasingan boleh memperhalus set itu dan peringkat penjanaan teks berasingan boleh menggunakan kandungan petikan. Keupayaan jarang dan berbilang vektor BGE-M3 ialah mod model pengeluar; embedding padat, output leksikal dan skor pasangan merupakan artifak berbeza, bukannya tatasusunan yang boleh saling ditukar ganti.", "alias_of": null, "aliases": [], "author": "BAAI", "available": null, "canonical_model": "baai/bge-m3", "capabilities": { "context_length": 8194, "manufacturer_input": [ "text" ], "manufacturer_output": [ "embeddings" ] }, "card_routes": [ { "label": "Ultra", "rates": [ { "amount": "0.00004000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000004", "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": "Maklumat lengkap tentang harga konfigurasi terdapat dalam butiran." } ], "ctx": 8194, "entity_type": "model", "formats": [ "embeddings" ], "id": "baai/bge-m3", "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": "Medan wajib, perwakilan bahan atau nilai parameter tidak sah", "http_status": 400, "recovery": "Betulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Tiada titik akhir tugas pembenaman diperkenalkan." }, "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": "Simpan setiap vektor bersama indeksnya. Bilangan vektor mesti sama dengan bilangan input; dimensi mesti konsisten.", "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": [ "baai/bge-m3" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "budget": { "maximum": 8194, "text_unit": "bait UTF8", "token_unit": "elemen tatasusunan token" }, "conditions": "Kelompok homogen yang tidak kosong. ID token ialah integer bukan negatif.", "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": "Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "session_id", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "trace", "required": false, "type": "json_value" }, { "availability": "source_interface", "conditions": "provider.options ditolak", "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": [ "Simpan setiap indeks dan dimensi vektor.", "Nama model multimodal tidak bermakna objek imej dibenarkan pada laluan khusus ini." ], "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": 8194, "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": 8194, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Kadar asas token", "units": [ { "amount": "0.00004000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000004", "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\": \"baai/bge-m3\", \"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='baai/bge-m3',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": 0.04, "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": "Mod pantas", "value": "Kadar standard", "when": "Apabila mod pantas dipilih" }, { "label": "Mod flex", "value": "Kadar standard", "when": "Apabila mod flex dipilih" }, { "label": "Usaha penaakulan maksimum", "value": "Kadar standard", "when": "Apabila usaha penaakulan maksimum menggunakan pelarasan 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": "0.00004000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000004", "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": "baai/bge-m3", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00004000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000004", "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": "baai/bge-m3", "request_model_id": "baai/bge-m3", "route_label": "Ultra" } ], "name": "BAAI: bge-m3", "price": { "in": 0.04, "in_label": null, "out": 0, "out_label": null, "scope_label": "Token rates", "sort_in": 0.04, "sort_out": 0, "varies": false }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Эмбеддинги · Base token rates", "units": [ { "amount": "0.00004000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000004", "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": "baai/bge-m3", "short": "BAAI BGE-M3 menyokong perolehan dense, sparse lexical dan multi-vector dalam lebih 100 bahasa. Output dense-nya mempunyai 1024 dimensi, dan tetingkap 8192 tokennya menampung ayat hingga dokumen lebih panjang tanpa arahan pertanyaan wajib." }, "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": "BAAI BGE-M3 menyokong perolehan dense, sparse lexical dan multi-vector dalam lebih 100 bahasa. Output dense-nya mempunyai 1024 dimensi, dan tetingkap 8192 tokennya menampung ayat hingga dokumen lebih panjang tanpa arahan pertanyaan wajib.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "bbfd30a34a8ffa414062d65307f5abcb2c3e4e602b4f5484b2e288ac2906d75a", "renderer_sha256": "1dab5ba62521e9568c8b7c82005622cabbf330a075df7cce1f83274a04009460" }, "sourceRevision": "ab79d05f79453b1ad408182938b4c66b635d1bc2320954a99a8d6dc424797f58" }