{ "aboutHtml": "

Multilingual-E5-Large ialah model embedding teks padat berbilang bahasa intfloat, dengan dua puluh empat lapisan dan output 1024 dimensi. Ia dimulakan daripada XLM-RoBERTa Large dan dilatih lanjut pada data berbilang bahasa. Kad model menerangkan sokongan bagi skop seratus bahasa XLM-R sambil menyatakan prestasi lebih lemah untuk bahasa bersumber rendah. Vektornya mewakili teks untuk pemerolehan semula, perbandingan semantik dan tugas ciri berangka.

Kekalkan peranan input dalam setiap bahasa

Awalan yang dilatih ialah “query:” dan “passage:”, termasuk untuk teks bukan bahasa Inggeris. Pertanyaan pemerolehan semula dan petikan korpusnya menggunakan peranan masing-masing. Awalan kekal sebagai rentetan bahasa Inggeris itu, manakala ungkapan sumber mengekalkan bahasanya sendiri. Untuk keserupaan semantik simetri, pemerolehan semula parafrasa, perlombongan teks dwibahasa atau penggunaan sebagai ciri, pembuat mengesyorkan “query:”.

Koleksi praktikal boleh menyimpan dokumentasi dalam beberapa bahasa yang disokong. Simpan bahasa setiap petikan, teks asal dan lokasi sumber bersama vektornya. Sediakan soalan carian sebenar daripada khalayak dan jangan menganggap satu ujian bahasa Inggeris mewakili seluruh koleksi. Output perlu mengembalikan petikan sebenar dan konteksnya supaya pembaca dapat menilai kandungannya.

Untuk tugas pemadanan berbilang bahasa, pastikan tujuan perbandingan jelas. Sepasang calon terjemahan dan pertanyaan yang mencari petikan sokongan memerlukan penyediaan berbeza. Panduan awalan peranan model memberikan konvensyen konkrit untuk tugas tersebut; pengguguran awalan bukan padanan yang didokumenkan kerana ia mengubah corak input yang digunakan semasa latihan.

Pooling dan perbandingan vektor

Contoh pembuat mempuratakan perwakilan token menggunakan topeng perhatian untuk mengecualikan padding, kemudian menormalkan vektor. Hasil darab titik ternormal memberikan keserupaan kosinus. Tatasusunan 1024 dimensi mewakili satu teks yang telah disediakan. Simpan model dan penyediaan tepat bersama vektor tersimpan supaya pertanyaan kemudian menggunakan perwakilan sepadan.

Vektor ini boleh membekalkan kedudukan calon atau ciri untuk peringkat pengelompokan atau pengelasan kemudian. Ia tidak menterjemah sumber atau mengarang jawapan. Kembalikan teks petikan asal apabila hasil pemerolehan semula bertujuan membantu pembaca atau peringkat penjanaan RAG kemudian.

Latihan dan liputan bahasa

Kad model mendokumenkan pralatihan kontrastif dengan penyeliaan lemah, diikuti penalaan halus diselia. Penyediaan berbilang bahasa merangkumi bahan seperti pasangan tajuk–petikan, pasangan perbualan dan pasangan terjemahan, manakala data pemerolehan semula dan pemahaman bahasa berlabel membekalkan peringkat kemudian. Ini menjelaskan tugas perwakilan teks yang dimaksudkan tanpa membuktikan prestasi sama dalam setiap bahasa.

Pembuat secara jelas mengenal pasti kemerosotan bagi bahasa bersumber rendah sebagai batasan. Periksa bahasa dan ungkapan sebenar dalam koleksi, termasuk singkatan, nama dan kosa kata khusus. Label berbilang bahasa berguna untuk menerangkan skop; kerelevanan teks yang dikembalikan masih perlu diperiksa berdasarkan khalayak dan tugas.

Panjang dan hasil yang berguna

Input panjang dipotong kepada paling banyak 512 token. Sediakan dokumen panjang sebagai petikan yang koheren dengan awalan peranan dan tajuk berkaitan disertakan. Kekalkan takrif serta syarat dan batasan di sisi pernyataan yang dipengaruhinya serta simpan pengecam dokumen induk dan versi sumber di luar vektor.

Pengeluar mengesyorkan tumpuan pada urutan relatif skor kosinus, bukannya menganggap nilai mutlak sebagai ukuran keyakinan sejagat. Hasil berguna ialah set petikan calon, perwakilan teks yang boleh dibandingkan atau ciri yang dipautkan kepada rekod asalnya. Model tepat ini kekal berasingan daripada checkpoint E5 v2 bahasa Inggeris sahaja dan varian E5 yang ditala mengikut arahan, walaupun model lain juga mengembalikan 1024 nilai.

", "aboutText": "Multilingual-E5-Large ialah model embedding teks padat berbilang bahasa intfloat, dengan dua puluh empat lapisan dan output 1024 dimensi. Ia dimulakan daripada XLM-RoBERTa Large dan dilatih lanjut pada data berbilang bahasa. Kad model menerangkan sokongan bagi skop seratus bahasa XLM-R sambil menyatakan prestasi lebih lemah untuk bahasa bersumber rendah. Vektornya mewakili teks untuk pemerolehan semula, perbandingan semantik dan tugas ciri berangka.\n\n### Kekalkan peranan input dalam setiap bahasa\n\nAwalan yang dilatih ialah “query:” dan “passage:”, termasuk untuk teks bukan bahasa Inggeris. Pertanyaan pemerolehan semula dan petikan korpusnya menggunakan peranan masing-masing. Awalan kekal sebagai rentetan bahasa Inggeris itu, manakala ungkapan sumber mengekalkan bahasanya sendiri. Untuk keserupaan semantik simetri, pemerolehan semula parafrasa, perlombongan teks dwibahasa atau penggunaan sebagai ciri, pembuat mengesyorkan “query:”.\n\nKoleksi praktikal boleh menyimpan dokumentasi dalam beberapa bahasa yang disokong. Simpan bahasa setiap petikan, teks asal dan lokasi sumber bersama vektornya. Sediakan soalan carian sebenar daripada khalayak dan jangan menganggap satu ujian bahasa Inggeris mewakili seluruh koleksi. Output perlu mengembalikan petikan sebenar dan konteksnya supaya pembaca dapat menilai kandungannya.\n\nUntuk tugas pemadanan berbilang bahasa, pastikan tujuan perbandingan jelas. Sepasang calon terjemahan dan pertanyaan yang mencari petikan sokongan memerlukan penyediaan berbeza. Panduan awalan peranan model memberikan konvensyen konkrit untuk tugas tersebut; pengguguran awalan bukan padanan yang didokumenkan kerana ia mengubah corak input yang digunakan semasa latihan.\n\n### Pooling dan perbandingan vektor\n\nContoh pembuat mempuratakan perwakilan token menggunakan topeng perhatian untuk mengecualikan padding, kemudian menormalkan vektor. Hasil darab titik ternormal memberikan keserupaan kosinus. Tatasusunan 1024 dimensi mewakili satu teks yang telah disediakan. Simpan model dan penyediaan tepat bersama vektor tersimpan supaya pertanyaan kemudian menggunakan perwakilan sepadan.\n\nVektor ini boleh membekalkan kedudukan calon atau ciri untuk peringkat pengelompokan atau pengelasan kemudian. Ia tidak menterjemah sumber atau mengarang jawapan. Kembalikan teks petikan asal apabila hasil pemerolehan semula bertujuan membantu pembaca atau peringkat penjanaan RAG kemudian.\n\n### Latihan dan liputan bahasa\n\nKad model mendokumenkan pralatihan kontrastif dengan penyeliaan lemah, diikuti penalaan halus diselia. Penyediaan berbilang bahasa merangkumi bahan seperti pasangan tajuk–petikan, pasangan perbualan dan pasangan terjemahan, manakala data pemerolehan semula dan pemahaman bahasa berlabel membekalkan peringkat kemudian. Ini menjelaskan tugas perwakilan teks yang dimaksudkan tanpa membuktikan prestasi sama dalam setiap bahasa.\n\nPembuat secara jelas mengenal pasti kemerosotan bagi bahasa bersumber rendah sebagai batasan. Periksa bahasa dan ungkapan sebenar dalam koleksi, termasuk singkatan, nama dan kosa kata khusus. Label berbilang bahasa berguna untuk menerangkan skop; kerelevanan teks yang dikembalikan masih perlu diperiksa berdasarkan khalayak dan tugas.\n\n### Panjang dan hasil yang berguna\n\nInput panjang dipotong kepada paling banyak 512 token. Sediakan dokumen panjang sebagai petikan yang koheren dengan awalan peranan dan tajuk berkaitan disertakan. Kekalkan takrif serta syarat dan batasan di sisi pernyataan yang dipengaruhinya serta simpan pengecam dokumen induk dan versi sumber di luar vektor.\n\nPengeluar mengesyorkan tumpuan pada urutan relatif skor kosinus, bukannya menganggap nilai mutlak sebagai ukuran keyakinan sejagat. Hasil berguna ialah set petikan calon, perwakilan teks yang boleh dibandingkan atau ciri yang dipautkan kepada rekod asalnya. Model tepat ini kekal berasingan daripada checkpoint E5 v2 bahasa Inggeris sahaja dan varian E5 yang ditala mengikut arahan, walaupun model lain juga mengembalikan 1024 nilai.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "863252a8cf7c56c7b86400ef0db152c3a730147972a7e326f74ecde1f777da8a", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "ms", "methods": [ { "html": "
•

Intfloat: Multilingual-E5-Large

Intfloat /intfloat/multilingual-e5-large

Pengenalan

intfloat Multilingual-E5-Large mengekod teks berbilang bahasa kepada vektor 1024 dimensi dengan model 24 lapisan. Ia menyokong skop seratus bahasa XLM-R, menggunakan awalan query/passage bahasa Inggeris untuk setiap bahasa dan memotong input pada 512 token.

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.

Multilingual-E5-Large ialah model embedding teks padat berbilang bahasa intfloat, dengan dua puluh empat lapisan dan output 1024 dimensi. Ia dimulakan daripada XLM-RoBERTa Large dan dilatih lanjut pada data berbilang bahasa. Kad model menerangkan sokongan bagi skop seratus bahasa XLM-R sambil menyatakan prestasi lebih lemah untuk bahasa bersumber rendah. Vektornya mewakili teks untuk pemerolehan semula, perbandingan semantik dan tugas ciri berangka.

Kekalkan peranan input dalam setiap bahasa

Awalan yang dilatih ialah “query:” dan “passage:”, termasuk untuk teks bukan bahasa Inggeris. Pertanyaan pemerolehan semula dan petikan korpusnya menggunakan peranan masing-masing. Awalan kekal sebagai rentetan bahasa Inggeris itu, manakala ungkapan sumber mengekalkan bahasanya sendiri. Untuk keserupaan semantik simetri, pemerolehan semula parafrasa, perlombongan teks dwibahasa atau penggunaan sebagai ciri, pembuat mengesyorkan “query:”.

Koleksi praktikal boleh menyimpan dokumentasi dalam beberapa bahasa yang disokong. Simpan bahasa setiap petikan, teks asal dan lokasi sumber bersama vektornya. Sediakan soalan carian sebenar daripada khalayak dan jangan menganggap satu ujian bahasa Inggeris mewakili seluruh koleksi. Output perlu mengembalikan petikan sebenar dan konteksnya supaya pembaca dapat menilai kandungannya.

Untuk tugas pemadanan berbilang bahasa, pastikan tujuan perbandingan jelas. Sepasang calon terjemahan dan pertanyaan yang mencari petikan sokongan memerlukan penyediaan berbeza. Panduan awalan peranan model memberikan konvensyen konkrit untuk tugas tersebut; pengguguran awalan bukan padanan yang didokumenkan kerana ia mengubah corak input yang digunakan semasa latihan.

Pooling dan perbandingan vektor

Contoh pembuat mempuratakan perwakilan token menggunakan topeng perhatian untuk mengecualikan padding, kemudian menormalkan vektor. Hasil darab titik ternormal memberikan keserupaan kosinus. Tatasusunan 1024 dimensi mewakili satu teks yang telah disediakan. Simpan model dan penyediaan tepat bersama vektor tersimpan supaya pertanyaan kemudian menggunakan perwakilan sepadan.

Vektor ini boleh membekalkan kedudukan calon atau ciri untuk peringkat pengelompokan atau pengelasan kemudian. Ia tidak menterjemah sumber atau mengarang jawapan. Kembalikan teks petikan asal apabila hasil pemerolehan semula bertujuan membantu pembaca atau peringkat penjanaan RAG kemudian.

Latihan dan liputan bahasa

Kad model mendokumenkan pralatihan kontrastif dengan penyeliaan lemah, diikuti penalaan halus diselia. Penyediaan berbilang bahasa merangkumi bahan seperti pasangan tajuk–petikan, pasangan perbualan dan pasangan terjemahan, manakala data pemerolehan semula dan pemahaman bahasa berlabel membekalkan peringkat kemudian. Ini menjelaskan tugas perwakilan teks yang dimaksudkan tanpa membuktikan prestasi sama dalam setiap bahasa.

Pembuat secara jelas mengenal pasti kemerosotan bagi bahasa bersumber rendah sebagai batasan. Periksa bahasa dan ungkapan sebenar dalam koleksi, termasuk singkatan, nama dan kosa kata khusus. Label berbilang bahasa berguna untuk menerangkan skop; kerelevanan teks yang dikembalikan masih perlu diperiksa berdasarkan khalayak dan tugas.

Panjang dan hasil yang berguna

Input panjang dipotong kepada paling banyak 512 token. Sediakan dokumen panjang sebagai petikan yang koheren dengan awalan peranan dan tajuk berkaitan disertakan. Kekalkan takrif serta syarat dan batasan di sisi pernyataan yang dipengaruhinya serta simpan pengecam dokumen induk dan versi sumber di luar vektor.

Pengeluar mengesyorkan tumpuan pada urutan relatif skor kosinus, bukannya menganggap nilai mutlak sebagai ukuran keyakinan sejagat. Hasil berguna ialah set petikan calon, perwakilan teks yang boleh dibandingkan atau ciri yang dipautkan kepada rekod asalnya. Model tepat ini kekal berasingan daripada checkpoint E5 v2 bahasa Inggeris sahaja dan varian E5 yang ditala mengikut arahan, walaupun model lain juga mengembalikan 1024 nilai.

Tersedia di Ailoot · input & kaedah

Ailoot Ultra · Pembenaman POST /v1/embeddings
Input
text, token_ids
Output
embedding
Konteks
512 tokens
Format output
json
MedanJenisKeperluanNilai & hadLalai
MedanmodelJenisstringKeperluanDiperlukanNilai & had
intfloat/multilingual-e5-large
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: 512 · 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_unitsKontrak512
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 $0.00002 / 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": "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

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 intfloat/multilingual-e5-large

Alias laluan kaedah

Gunakan laluan kaedah yang dipaparkan di atas.

ID pemanggil berkaitan

intfloat/multilingual-e5-large

", "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": "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": [ "intfloat/multilingual-e5-large" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "budget": { "maximum": 512, "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": 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": "Kadar asas token", "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": "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": "0.00002000", "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": "aac88eb9b06171890c81be7262cfd0a38914aee57986ca5a22f95b90bbfae97b", "input_html_sha256": "420134b2221389c798b0729713f22fcf19ee99248fb104f1e19b17ba58117288", "private_audit_sha256": "2aadaf471c1ff2d409509a1b0b209d355e90860204decd84fdfcefde57a25ba0", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/ms/intfloat-multilingual-e5-large/", "description": "intfloat Multilingual-E5-Large mengekod teks berbilang bahasa kepada vektor 1024 dimensi dengan model 24 lapisan. Ia menyokong skop seratus bahasa XLM-R, menggunakan awalan query/passage bahasa Inggeris untuk setiap bahasa dan memotong input pada 512 token.", "locale": "ms", "md_url": "https://ailoot.ai/models/ms/intfloat-multilingual-e5-large/index.md", "title": "Intfloat: Multilingual-E5-Large — Ailoot", "url": "https://ailoot.ai/models/ms/intfloat-multilingual-e5-large/" }, "rawModel": { "about": "Multilingual-E5-Large ialah model embedding teks padat berbilang bahasa intfloat, dengan dua puluh empat lapisan dan output 1024 dimensi. Ia dimulakan daripada XLM-RoBERTa Large dan dilatih lanjut pada data berbilang bahasa. Kad model menerangkan sokongan bagi skop seratus bahasa XLM-R sambil menyatakan prestasi lebih lemah untuk bahasa bersumber rendah. Vektornya mewakili teks untuk pemerolehan semula, perbandingan semantik dan tugas ciri berangka.\n\n### Kekalkan peranan input dalam setiap bahasa\n\nAwalan yang dilatih ialah “query:” dan “passage:”, termasuk untuk teks bukan bahasa Inggeris. Pertanyaan pemerolehan semula dan petikan korpusnya menggunakan peranan masing-masing. Awalan kekal sebagai rentetan bahasa Inggeris itu, manakala ungkapan sumber mengekalkan bahasanya sendiri. Untuk keserupaan semantik simetri, pemerolehan semula parafrasa, perlombongan teks dwibahasa atau penggunaan sebagai ciri, pembuat mengesyorkan “query:”.\n\nKoleksi praktikal boleh menyimpan dokumentasi dalam beberapa bahasa yang disokong. Simpan bahasa setiap petikan, teks asal dan lokasi sumber bersama vektornya. Sediakan soalan carian sebenar daripada khalayak dan jangan menganggap satu ujian bahasa Inggeris mewakili seluruh koleksi. Output perlu mengembalikan petikan sebenar dan konteksnya supaya pembaca dapat menilai kandungannya.\n\nUntuk tugas pemadanan berbilang bahasa, pastikan tujuan perbandingan jelas. Sepasang calon terjemahan dan pertanyaan yang mencari petikan sokongan memerlukan penyediaan berbeza. Panduan awalan peranan model memberikan konvensyen konkrit untuk tugas tersebut; pengguguran awalan bukan padanan yang didokumenkan kerana ia mengubah corak input yang digunakan semasa latihan.\n\n### Pooling dan perbandingan vektor\n\nContoh pembuat mempuratakan perwakilan token menggunakan topeng perhatian untuk mengecualikan padding, kemudian menormalkan vektor. Hasil darab titik ternormal memberikan keserupaan kosinus. Tatasusunan 1024 dimensi mewakili satu teks yang telah disediakan. Simpan model dan penyediaan tepat bersama vektor tersimpan supaya pertanyaan kemudian menggunakan perwakilan sepadan.\n\nVektor ini boleh membekalkan kedudukan calon atau ciri untuk peringkat pengelompokan atau pengelasan kemudian. Ia tidak menterjemah sumber atau mengarang jawapan. Kembalikan teks petikan asal apabila hasil pemerolehan semula bertujuan membantu pembaca atau peringkat penjanaan RAG kemudian.\n\n### Latihan dan liputan bahasa\n\nKad model mendokumenkan pralatihan kontrastif dengan penyeliaan lemah, diikuti penalaan halus diselia. Penyediaan berbilang bahasa merangkumi bahan seperti pasangan tajuk–petikan, pasangan perbualan dan pasangan terjemahan, manakala data pemerolehan semula dan pemahaman bahasa berlabel membekalkan peringkat kemudian. Ini menjelaskan tugas perwakilan teks yang dimaksudkan tanpa membuktikan prestasi sama dalam setiap bahasa.\n\nPembuat secara jelas mengenal pasti kemerosotan bagi bahasa bersumber rendah sebagai batasan. Periksa bahasa dan ungkapan sebenar dalam koleksi, termasuk singkatan, nama dan kosa kata khusus. Label berbilang bahasa berguna untuk menerangkan skop; kerelevanan teks yang dikembalikan masih perlu diperiksa berdasarkan khalayak dan tugas.\n\n### Panjang dan hasil yang berguna\n\nInput panjang dipotong kepada paling banyak 512 token. Sediakan dokumen panjang sebagai petikan yang koheren dengan awalan peranan dan tajuk berkaitan disertakan. Kekalkan takrif serta syarat dan batasan di sisi pernyataan yang dipengaruhinya serta simpan pengecam dokumen induk dan versi sumber di luar vektor.\n\nPengeluar mengesyorkan tumpuan pada urutan relatif skor kosinus, bukannya menganggap nilai mutlak sebagai ukuran keyakinan sejagat. Hasil berguna ialah set petikan calon, perwakilan teks yang boleh dibandingkan atau ciri yang dipautkan kepada rekod asalnya. Model tepat ini kekal berasingan daripada checkpoint E5 v2 bahasa Inggeris sahaja dan varian E5 yang ditala mengikut arahan, walaupun model lain juga mengembalikan 1024 nilai.", "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": "Maklumat lengkap tentang harga konfigurasi terdapat dalam butiran." } ], "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": "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": [ "intfloat/multilingual-e5-large" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "budget": { "maximum": 512, "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": 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": "Kadar asas token", "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": "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": "0.00002000", "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 mengekod teks berbilang bahasa kepada vektor 1024 dimensi dengan model 24 lapisan. Ia menyokong skop seratus bahasa XLM-R, menggunakan awalan query/passage bahasa Inggeris untuk setiap bahasa dan memotong input pada 512 token." }, "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 mengekod teks berbilang bahasa kepada vektor 1024 dimensi dengan model 24 lapisan. Ia menyokong skop seratus bahasa XLM-R, menggunakan awalan query/passage bahasa Inggeris untuk setiap bahasa dan memotong input pada 512 token.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "8659182d9c41e976ac5f66b720c7b8dd19eeb8d33d6778f33510e6bc5e826c14", "renderer_sha256": "1dab5ba62521e9568c8b7c82005622cabbf330a075df7cce1f83274a04009460" }, "sourceRevision": "f2f3b9d94060fe869fbd680735ddcdb7e749a0a8abdce89669c3c4f42f208395" }