{ "aboutHtml": "

LFM2.5-Embedding-350M ialah bi-encoder padat LiquidAI untuk pemerolehan semula berbilang bahasa dan merentas bahasa. Ia menghasilkan satu vektor 1024 dimensi bagi setiap teks dan menyasarkan carian berkonteks pendek merentas sebelas bahasa. Keluarga model bernama 350M menggunakan penyesuaian dwihala LFM2.5-350M-Base; jadual model terperinci memberikan kira-kira 354 juta parameter untuk edisi embedding ini.

Perwakilan pemerolehan semula dwihala

Pengeluar menyesuaikan seni bina asas supaya perhatian dan konvolusi setempat boleh menggunakan konteks pada kedua-dua sisi token. Pooling gaya CLS menukarkan teks diproses kepada satu vektor padat. Jadual model menerangkan tujuh belas lapisan: sepuluh blok konvolusi, enam blok perhatian dan satu peringkat pooling. Ini pengekod pemerolehan semula dengan penyediaan serta output sendiri, bukannya tugas penjanaan teks model asas.

LFM2.5-ColBERT-350M yang dinamakan secara berasingan mengekalkan vektor setiap token untuk interaksi lewat. Perwakilan itu memerlukan indeks dan kaedah perbandingan berbeza. Model Embedding di sini membekalkan satu vektor bagi setiap dokumen atau pertanyaan, dengan keserupaan kosinus sebagai perbandingan yang didokumenkan.

Gunakan prompt tidak simetri yang betul

Sediakan pertanyaan carian dengan “query:” dan petikan sumber dengan “document:”. Pengeluar menyimpan prompt itu dalam konfigurasi dan aliran kerja rujukannya menggunakan nama prompt yang sepadan. Ia secara khusus mengesyorkan peranan yang sepadan pada setiap sisi kerana model dilatih dengan awalan tersebut. Awalan dokumen ini berbeza daripada konvensyen “passage:” model E5.

Koleksi carian produk praktikal boleh menyimpan penerangan dalam bahasa yang disokong. Sediakan ungkapan carian pengguna sebagai pertanyaan dan setiap penerangan produk sebagai dokumen. Simpan teks asal, pengecam produk dan bahasa bersama vektor supaya hasil carian dapat mengembalikan rekod yang sepadan. Untuk koleksi sokongan, kekalkan dasar atau arahan yang relevan kepada soalan, bukannya menggantikannya dengan label pendek yang tidak berkaitan.

Bahasa dan saiz petikan

Set bahasa yang didokumenkan ialah bahasa Inggeris, Sepanyol, Jerman, Perancis, Itali, Portugis, Arab, Sweden, Norway, Jepun dan Korea. Pengeluar secara jelas menyasarkan pemerolehan semula dalam satu bahasa serta merentas sempadan bahasa. Sediakan soalan sebenar daripada khalayak sasaran dan periksa teks dokumen yang dikembalikan dalam bahasa tersebut.

Spesifikasi panjang dokumen ialah 512 token. Bahagikan sumber panjang kepada petikan koheren yang mengekalkan tajuk, takrif dan syarat yang diperlukan hasil pemerolehan semula. Awalan peranan dan konteks tambahan tergolong dalam input yang disediakan. Jawapan FAQ, penerangan produk atau bahagian terfokus dokumen teknikal ialah unit lebih sesuai daripada seluruh manual terlalu besar.

Latihan dan pemadanan

Pembuat menerangkan tiga peringkat latihan: pralatihan kontrastif bahasa Inggeris, penyulingan berbilang bahasa dan merentas bahasa, kemudian penalaan halus dengan contoh negatif sukar yang dilombong. Model hasil ditujukan untuk katalog produk, koleksi FAQ dan sokongan, carian fail atau nota serta pemerolehan semula pengetahuan perusahaan. Itu tugas untuk perwakilan teks, bukan dakwaan penggunaan sebenar aplikasi tertentu.

Contoh pengeluar menormalkan vektor pertanyaan dan dokumen serta menyusunnya mengikut hasil darab titik, bersamaan keserupaan kosinus. Kirakan terlebih dahulu perwakilan korpus apabila bahan sumber disediakan, kemudian hasilkan embedding pertanyaan carian dan kembalikan dokumen calon bersama teks serta pengecamnya. Simpan model terpilih dan konvensyen peranan bersama indeks supaya perbandingan berangka menggunakan perwakilan serasi.

Hasil berguna ialah indeks carian padat kompak atau vektor pertanyaan yang mendapatkan bahan sumber merentas set bahasa yang didokumenkan. Edisi LFM2.5 Embedding tepat ini kekal berasingan daripada pendamping ColBERT, pemeroleh semula LFM2 terdahulu dan pelaksanaan terkuantum luaran. Teks petikan terpilih ialah bukti yang digunakan pembaca atau peringkat jawapan RAG kemudian.

", "aboutText": "LFM2.5-Embedding-350M ialah bi-encoder padat LiquidAI untuk pemerolehan semula berbilang bahasa dan merentas bahasa. Ia menghasilkan satu vektor 1024 dimensi bagi setiap teks dan menyasarkan carian berkonteks pendek merentas sebelas bahasa. Keluarga model bernama 350M menggunakan penyesuaian dwihala LFM2.5-350M-Base; jadual model terperinci memberikan kira-kira 354 juta parameter untuk edisi embedding ini.\n\n### Perwakilan pemerolehan semula dwihala\n\nPengeluar menyesuaikan seni bina asas supaya perhatian dan konvolusi setempat boleh menggunakan konteks pada kedua-dua sisi token. Pooling gaya CLS menukarkan teks diproses kepada satu vektor padat. Jadual model menerangkan tujuh belas lapisan: sepuluh blok konvolusi, enam blok perhatian dan satu peringkat pooling. Ini pengekod pemerolehan semula dengan penyediaan serta output sendiri, bukannya tugas penjanaan teks model asas.\n\nLFM2.5-ColBERT-350M yang dinamakan secara berasingan mengekalkan vektor setiap token untuk interaksi lewat. Perwakilan itu memerlukan indeks dan kaedah perbandingan berbeza. Model Embedding di sini membekalkan satu vektor bagi setiap dokumen atau pertanyaan, dengan keserupaan kosinus sebagai perbandingan yang didokumenkan.\n\n### Gunakan prompt tidak simetri yang betul\n\nSediakan pertanyaan carian dengan “query:” dan petikan sumber dengan “document:”. Pengeluar menyimpan prompt itu dalam konfigurasi dan aliran kerja rujukannya menggunakan nama prompt yang sepadan. Ia secara khusus mengesyorkan peranan yang sepadan pada setiap sisi kerana model dilatih dengan awalan tersebut. Awalan dokumen ini berbeza daripada konvensyen “passage:” model E5.\n\nKoleksi carian produk praktikal boleh menyimpan penerangan dalam bahasa yang disokong. Sediakan ungkapan carian pengguna sebagai pertanyaan dan setiap penerangan produk sebagai dokumen. Simpan teks asal, pengecam produk dan bahasa bersama vektor supaya hasil carian dapat mengembalikan rekod yang sepadan. Untuk koleksi sokongan, kekalkan dasar atau arahan yang relevan kepada soalan, bukannya menggantikannya dengan label pendek yang tidak berkaitan.\n\n### Bahasa dan saiz petikan\n\nSet bahasa yang didokumenkan ialah bahasa Inggeris, Sepanyol, Jerman, Perancis, Itali, Portugis, Arab, Sweden, Norway, Jepun dan Korea. Pengeluar secara jelas menyasarkan pemerolehan semula dalam satu bahasa serta merentas sempadan bahasa. Sediakan soalan sebenar daripada khalayak sasaran dan periksa teks dokumen yang dikembalikan dalam bahasa tersebut.\n\nSpesifikasi panjang dokumen ialah 512 token. Bahagikan sumber panjang kepada petikan koheren yang mengekalkan tajuk, takrif dan syarat yang diperlukan hasil pemerolehan semula. Awalan peranan dan konteks tambahan tergolong dalam input yang disediakan. Jawapan FAQ, penerangan produk atau bahagian terfokus dokumen teknikal ialah unit lebih sesuai daripada seluruh manual terlalu besar.\n\n### Latihan dan pemadanan\n\nPembuat menerangkan tiga peringkat latihan: pralatihan kontrastif bahasa Inggeris, penyulingan berbilang bahasa dan merentas bahasa, kemudian penalaan halus dengan contoh negatif sukar yang dilombong. Model hasil ditujukan untuk katalog produk, koleksi FAQ dan sokongan, carian fail atau nota serta pemerolehan semula pengetahuan perusahaan. Itu tugas untuk perwakilan teks, bukan dakwaan penggunaan sebenar aplikasi tertentu.\n\nContoh pengeluar menormalkan vektor pertanyaan dan dokumen serta menyusunnya mengikut hasil darab titik, bersamaan keserupaan kosinus. Kirakan terlebih dahulu perwakilan korpus apabila bahan sumber disediakan, kemudian hasilkan embedding pertanyaan carian dan kembalikan dokumen calon bersama teks serta pengecamnya. Simpan model terpilih dan konvensyen peranan bersama indeks supaya perbandingan berangka menggunakan perwakilan serasi.\n\nHasil berguna ialah indeks carian padat kompak atau vektor pertanyaan yang mendapatkan bahan sumber merentas set bahasa yang didokumenkan. Edisi LFM2.5 Embedding tepat ini kekal berasingan daripada pendamping ColBERT, pemeroleh semula LFM2 terdahulu dan pelaksanaan terkuantum luaran. Teks petikan terpilih ialah bukti yang digunakan pembaca atau peringkat jawapan RAG kemudian.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "30d45eb3c62d5d10737202d13fd93fc5e6d09ad6e8738d61b0fc78773d0eb70f", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "ms", "methods": [ { "html": "
•

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

LiquidAI /liquid/lfm-2.5-embedding-350m:free

Pengenalan

LiquidAI LFM2.5-Embedding-350M menghasilkan satu vektor 1024 dimensi bagi setiap teks untuk carian berbilang bahasa dan rentas bahasa. Model ini menyasarkan 11 bahasa dan input pendek 512 token, dengan awalan pertanyaan/dokumen yang berbeza.

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.

LFM2.5-Embedding-350M ialah bi-encoder padat LiquidAI untuk pemerolehan semula berbilang bahasa dan merentas bahasa. Ia menghasilkan satu vektor 1024 dimensi bagi setiap teks dan menyasarkan carian berkonteks pendek merentas sebelas bahasa. Keluarga model bernama 350M menggunakan penyesuaian dwihala LFM2.5-350M-Base; jadual model terperinci memberikan kira-kira 354 juta parameter untuk edisi embedding ini.

Perwakilan pemerolehan semula dwihala

Pengeluar menyesuaikan seni bina asas supaya perhatian dan konvolusi setempat boleh menggunakan konteks pada kedua-dua sisi token. Pooling gaya CLS menukarkan teks diproses kepada satu vektor padat. Jadual model menerangkan tujuh belas lapisan: sepuluh blok konvolusi, enam blok perhatian dan satu peringkat pooling. Ini pengekod pemerolehan semula dengan penyediaan serta output sendiri, bukannya tugas penjanaan teks model asas.

LFM2.5-ColBERT-350M yang dinamakan secara berasingan mengekalkan vektor setiap token untuk interaksi lewat. Perwakilan itu memerlukan indeks dan kaedah perbandingan berbeza. Model Embedding di sini membekalkan satu vektor bagi setiap dokumen atau pertanyaan, dengan keserupaan kosinus sebagai perbandingan yang didokumenkan.

Gunakan prompt tidak simetri yang betul

Sediakan pertanyaan carian dengan “query:” dan petikan sumber dengan “document:”. Pengeluar menyimpan prompt itu dalam konfigurasi dan aliran kerja rujukannya menggunakan nama prompt yang sepadan. Ia secara khusus mengesyorkan peranan yang sepadan pada setiap sisi kerana model dilatih dengan awalan tersebut. Awalan dokumen ini berbeza daripada konvensyen “passage:” model E5.

Koleksi carian produk praktikal boleh menyimpan penerangan dalam bahasa yang disokong. Sediakan ungkapan carian pengguna sebagai pertanyaan dan setiap penerangan produk sebagai dokumen. Simpan teks asal, pengecam produk dan bahasa bersama vektor supaya hasil carian dapat mengembalikan rekod yang sepadan. Untuk koleksi sokongan, kekalkan dasar atau arahan yang relevan kepada soalan, bukannya menggantikannya dengan label pendek yang tidak berkaitan.

Bahasa dan saiz petikan

Set bahasa yang didokumenkan ialah bahasa Inggeris, Sepanyol, Jerman, Perancis, Itali, Portugis, Arab, Sweden, Norway, Jepun dan Korea. Pengeluar secara jelas menyasarkan pemerolehan semula dalam satu bahasa serta merentas sempadan bahasa. Sediakan soalan sebenar daripada khalayak sasaran dan periksa teks dokumen yang dikembalikan dalam bahasa tersebut.

Spesifikasi panjang dokumen ialah 512 token. Bahagikan sumber panjang kepada petikan koheren yang mengekalkan tajuk, takrif dan syarat yang diperlukan hasil pemerolehan semula. Awalan peranan dan konteks tambahan tergolong dalam input yang disediakan. Jawapan FAQ, penerangan produk atau bahagian terfokus dokumen teknikal ialah unit lebih sesuai daripada seluruh manual terlalu besar.

Latihan dan pemadanan

Pembuat menerangkan tiga peringkat latihan: pralatihan kontrastif bahasa Inggeris, penyulingan berbilang bahasa dan merentas bahasa, kemudian penalaan halus dengan contoh negatif sukar yang dilombong. Model hasil ditujukan untuk katalog produk, koleksi FAQ dan sokongan, carian fail atau nota serta pemerolehan semula pengetahuan perusahaan. Itu tugas untuk perwakilan teks, bukan dakwaan penggunaan sebenar aplikasi tertentu.

Contoh pengeluar menormalkan vektor pertanyaan dan dokumen serta menyusunnya mengikut hasil darab titik, bersamaan keserupaan kosinus. Kirakan terlebih dahulu perwakilan korpus apabila bahan sumber disediakan, kemudian hasilkan embedding pertanyaan carian dan kembalikan dokumen calon bersama teks serta pengecamnya. Simpan model terpilih dan konvensyen peranan bersama indeks supaya perbandingan berangka menggunakan perwakilan serasi.

Hasil berguna ialah indeks carian padat kompak atau vektor pertanyaan yang mendapatkan bahan sumber merentas set bahasa yang didokumenkan. Edisi LFM2.5 Embedding tepat ini kekal berasingan daripada pendamping ColBERT, pemeroleh semula LFM2 terdahulu dan pelaksanaan terkuantum luaran. Teks petikan terpilih ialah bukti yang digunakan pembaca atau peringkat jawapan RAG kemudian.

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
liquid/lfm-2.5-embedding-350m:free
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 / 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": "liquid/lfm-2.5-embedding-350m:free", "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 liquid/lfm-2.5-embedding-350m:free

Alias laluan kaedah

Gunakan laluan kaedah yang dipaparkan di atas.

ID pemanggil berkaitan

liquid/lfm-2.5-embedding-350m:free

", "method_identity": { "effective_request_model_id": "liquid/lfm-2.5-embedding-350m:free", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "liquid/lfm-2.5-embedding-350m:free", "route_label": "Ultra" }, "method_key": "Ultra|embeddings|/v1/embeddings|liquid%2Flfm-2.5-embedding-350m%3Afree", "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": 1024, "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": [ "liquid/lfm-2.5-embedding-350m:free" ], "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": 1024, "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", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0", "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\": \"liquid/lfm-2.5-embedding-350m:free\", \"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='liquid/lfm-2.5-embedding-350m:free',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, "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", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0", "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": "liquid/lfm-2.5-embedding-350m:free", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0", "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": "liquid/lfm-2.5-embedding-350m:free", "nativeProvenance": { "input_facts_canonical_sha256": "d6c3b7cb06c35cc7fe663762c140decf3fc124e03e73c508ae5ac0262772c837", "input_html_sha256": "b2f71ef0b04c5280e3cf94fd3911fa143ee06b4b1e964d05b80f098c3483342e", "private_audit_sha256": "2ec478731b5c3b8b08b625732ffa22f182b408b14156f59b238c7c5cefc80ca5", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/ms/liquid-lfm-2-5-embedding-350m-u003a-free/", "description": "LiquidAI LFM2.5-Embedding-350M menghasilkan satu vektor 1024 dimensi bagi setiap teks untuk carian berbilang bahasa dan rentas bahasa. Model ini menyasarkan 11 bahasa dan input pendek 512 token, dengan awalan pertanyaan/dokumen yang berbeza.", "locale": "ms", "md_url": "https://ailoot.ai/models/ms/liquid-lfm-2-5-embedding-350m-u003a-free/index.md", "title": "LiquidAI: LFM2.5-Embedding-350M (free) — Ailoot", "url": "https://ailoot.ai/models/ms/liquid-lfm-2-5-embedding-350m-u003a-free/" }, "rawModel": { "about": "LFM2.5-Embedding-350M ialah bi-encoder padat LiquidAI untuk pemerolehan semula berbilang bahasa dan merentas bahasa. Ia menghasilkan satu vektor 1024 dimensi bagi setiap teks dan menyasarkan carian berkonteks pendek merentas sebelas bahasa. Keluarga model bernama 350M menggunakan penyesuaian dwihala LFM2.5-350M-Base; jadual model terperinci memberikan kira-kira 354 juta parameter untuk edisi embedding ini.\n\n### Perwakilan pemerolehan semula dwihala\n\nPengeluar menyesuaikan seni bina asas supaya perhatian dan konvolusi setempat boleh menggunakan konteks pada kedua-dua sisi token. Pooling gaya CLS menukarkan teks diproses kepada satu vektor padat. Jadual model menerangkan tujuh belas lapisan: sepuluh blok konvolusi, enam blok perhatian dan satu peringkat pooling. Ini pengekod pemerolehan semula dengan penyediaan serta output sendiri, bukannya tugas penjanaan teks model asas.\n\nLFM2.5-ColBERT-350M yang dinamakan secara berasingan mengekalkan vektor setiap token untuk interaksi lewat. Perwakilan itu memerlukan indeks dan kaedah perbandingan berbeza. Model Embedding di sini membekalkan satu vektor bagi setiap dokumen atau pertanyaan, dengan keserupaan kosinus sebagai perbandingan yang didokumenkan.\n\n### Gunakan prompt tidak simetri yang betul\n\nSediakan pertanyaan carian dengan “query:” dan petikan sumber dengan “document:”. Pengeluar menyimpan prompt itu dalam konfigurasi dan aliran kerja rujukannya menggunakan nama prompt yang sepadan. Ia secara khusus mengesyorkan peranan yang sepadan pada setiap sisi kerana model dilatih dengan awalan tersebut. Awalan dokumen ini berbeza daripada konvensyen “passage:” model E5.\n\nKoleksi carian produk praktikal boleh menyimpan penerangan dalam bahasa yang disokong. Sediakan ungkapan carian pengguna sebagai pertanyaan dan setiap penerangan produk sebagai dokumen. Simpan teks asal, pengecam produk dan bahasa bersama vektor supaya hasil carian dapat mengembalikan rekod yang sepadan. Untuk koleksi sokongan, kekalkan dasar atau arahan yang relevan kepada soalan, bukannya menggantikannya dengan label pendek yang tidak berkaitan.\n\n### Bahasa dan saiz petikan\n\nSet bahasa yang didokumenkan ialah bahasa Inggeris, Sepanyol, Jerman, Perancis, Itali, Portugis, Arab, Sweden, Norway, Jepun dan Korea. Pengeluar secara jelas menyasarkan pemerolehan semula dalam satu bahasa serta merentas sempadan bahasa. Sediakan soalan sebenar daripada khalayak sasaran dan periksa teks dokumen yang dikembalikan dalam bahasa tersebut.\n\nSpesifikasi panjang dokumen ialah 512 token. Bahagikan sumber panjang kepada petikan koheren yang mengekalkan tajuk, takrif dan syarat yang diperlukan hasil pemerolehan semula. Awalan peranan dan konteks tambahan tergolong dalam input yang disediakan. Jawapan FAQ, penerangan produk atau bahagian terfokus dokumen teknikal ialah unit lebih sesuai daripada seluruh manual terlalu besar.\n\n### Latihan dan pemadanan\n\nPembuat menerangkan tiga peringkat latihan: pralatihan kontrastif bahasa Inggeris, penyulingan berbilang bahasa dan merentas bahasa, kemudian penalaan halus dengan contoh negatif sukar yang dilombong. Model hasil ditujukan untuk katalog produk, koleksi FAQ dan sokongan, carian fail atau nota serta pemerolehan semula pengetahuan perusahaan. Itu tugas untuk perwakilan teks, bukan dakwaan penggunaan sebenar aplikasi tertentu.\n\nContoh pengeluar menormalkan vektor pertanyaan dan dokumen serta menyusunnya mengikut hasil darab titik, bersamaan keserupaan kosinus. Kirakan terlebih dahulu perwakilan korpus apabila bahan sumber disediakan, kemudian hasilkan embedding pertanyaan carian dan kembalikan dokumen calon bersama teks serta pengecamnya. Simpan model terpilih dan konvensyen peranan bersama indeks supaya perbandingan berangka menggunakan perwakilan serasi.\n\nHasil berguna ialah indeks carian padat kompak atau vektor pertanyaan yang mendapatkan bahan sumber merentas set bahasa yang didokumenkan. Edisi LFM2.5 Embedding tepat ini kekal berasingan daripada pendamping ColBERT, pemeroleh semula LFM2 terdahulu dan pelaksanaan terkuantum luaran. Teks petikan terpilih ialah bukti yang digunakan pembaca atau peringkat jawapan RAG kemudian.", "alias_of": null, "aliases": [], "author": "LiquidAI", "available": null, "canonical_model": "liquid/lfm-2.5-embedding-350m:free", "capabilities": { "context_length": 512, "manufacturer_input": [ "text" ], "manufacturer_output": [ "embeddings" ] }, "card_routes": [ { "label": "Ultra", "rates": [ { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0", "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": "liquid/lfm-2.5-embedding-350m:free", "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": 1024, "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": [ "liquid/lfm-2.5-embedding-350m:free" ], "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": 1024, "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", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0", "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\": \"liquid/lfm-2.5-embedding-350m:free\", \"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='liquid/lfm-2.5-embedding-350m:free',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, "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", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0", "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": "liquid/lfm-2.5-embedding-350m:free", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0", "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": "liquid/lfm-2.5-embedding-350m:free", "request_model_id": "liquid/lfm-2.5-embedding-350m:free", "route_label": "Ultra" } ], "name": "LiquidAI: LFM2.5-Embedding-350M (free)", "price": { "in": 0, "in_label": null, "out": 0, "out_label": null, "scope_label": "Token rates", "sort_in": 0, "sort_out": 0, "varies": false }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Эмбеддинги · Base token rates", "units": [ { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0", "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": "liquid/lfm-2.5-embedding-350m:free", "short": "LiquidAI LFM2.5-Embedding-350M menghasilkan satu vektor 1024 dimensi bagi setiap teks untuk carian berbilang bahasa dan rentas bahasa. Model ini menyasarkan 11 bahasa dan input pendek 512 token, dengan awalan pertanyaan/dokumen yang berbeza." }, "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": "LiquidAI LFM2.5-Embedding-350M menghasilkan satu vektor 1024 dimensi bagi setiap teks untuk carian berbilang bahasa dan rentas bahasa. Model ini menyasarkan 11 bahasa dan input pendek 512 token, dengan awalan pertanyaan/dokumen yang berbeza.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "1c83fa6ebfe66220659cc9cc6cc9d4c2926b0502a14c1d371b4f68f6f8133a0d", "renderer_sha256": "1dab5ba62521e9568c8b7c82005622cabbf330a075df7cce1f83274a04009460" }, "sourceRevision": "ed8dba36cf6a6b75740a9d03653623f3ba527a9aa8597d9006b66776b01a2b68" }