Source: https://ailoot.ai/models/ms/liquid-lfm-2-5-embedding-350m-u003a-free/ Canonical: https://ailoot.ai/models/ms/liquid-lfm-2-5-embedding-350m-u003a-free/ Language: ms # LiquidAI: LFM2.5-Embedding-350M (free) [Markdown](https://ailoot.ai/models/ms/liquid-lfm-2-5-embedding-350m-u003a-free/index.md) · [JSON](https://ailoot.ai/models/ms/liquid-lfm-2-5-embedding-350m-u003a-free/facts.json) ## [LiquidAI: LFM2.5-Embedding-350M (free)](https://ailoot.ai/models/ms/liquid-lfm-2-5-embedding-350m-u003a-free/) 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. - [**Ailoot Ultra · Pembenaman** `POST /v1/embeddings` `liquid/lfm-2.5-embedding-350m:free`](https://ailoot.ai/models/ms/liquid-lfm-2-5-embedding-350m-u003a-free/#method-0) 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. **Ailoot Ultra · Pembenaman** `POST /v1/embeddings` `liquid/lfm-2.5-embedding-350m:free` [`liquid/lfm-2.5-embedding-350m:free`](https://ailoot.ai/models/ms/#m=liquid%2Flfm-2.5-embedding-350m%3Afree&route=Ultra&caller=liquid%2Flfm-2.5-embedding-350m%3Afree&fmt=embeddings) LiquidAI /`liquid/lfm-2.5-embedding-350m:free` ### 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 ### Tersedia di Ailoot · input & kaedah **Ailoot Ultra · Pembenaman** `POST /v1/embeddings` Input `text`, `token_ids` Output `embedding` Konteks 512 tokens Format output json | Medan | Jenis | Keperluan | Nilai & had | Lalai | | --- | --- | --- | --- | --- | | Medan`model` | Jenis`string` | KeperluanDiperlukan | Nilai & had liquid/lfm-2.5-embedding-350m:free | Lalai— | | Medan`input` | Jenis`string\|string[]\|integer[]\|integer[][]` | KeperluanDiperlukan | Nilai & 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— | | Medan`encoding_format` | Jenis`string` | KeperluanPilihan | Nilai & had float | Lalaifloat | | Medan`dimensions` | Jenis`integer` | KeperluanTidak disokong | Nilai & had Minimum: 1 | Lalai— | | Medan`user` | Jenis`json_value` | KeperluanPilihan | Nilai & had Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model. | Lalai— | | Medan`session_id` | Jenis`json_value` | KeperluanPilihan | Nilai & had Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model. | Lalai— | | Medan`trace` | Jenis`json_value` | KeperluanPilihan | Nilai & had Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model. | Lalai— | | Medan`provider` | Jenis`object` | KeperluanPilihan | Nilai & had Syarat: provider.options ditolak | Lalai— | Gabungan bahan input **text\_to\_embedding** Parameter kaedah dan kitar hayat | Parameter | Kontrak | | --- | --- | | Parameter`content_type` | Kontrakapplication/json | | Parameter`required` | Kontrakmodel, input | | Parameter`input_shapes` | Kontrakstring, string\[\], nonnegative\_integer\_token\_array, nonnegative\_integer\_token\_array\[\] | | Parameter`encoding_format` | Kontrakfloat | | Parameter`dimensions_override` | Kontrakfalse | | Parameter`max_input_budget_units` | Kontrak512 | | Parameter`multimodal_objects` | Kontrakfalse | | Parameter`material_types` | Kontraktext, 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 | Konfigurasi | Jadual kadar | Caj | | --- | --- | --- | | KonfigurasiKadar asas token | Jadual kadarKadar asas | Caj Input · Token input **$0** / 1K token Output · Token output **$0** / 1K token Input · Bacaan cache **—** / 1K token Input · Penulisan cache **—** / 1K token Input · Penulisan cache, 1 jam **—** / 1K token | Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. [Cara rizab dan penyelesaian caj berfungsi →](https://ailoot.ai/docs/ms/billing/reserve/) ### Contoh permintaan #### Ailoot Ultra · Pembenaman curlPython SDK ```bash set -eu : "${AILOOT_API_KEY:?Set your Ailoot API key}" python3 - <<'PY_REQUEST' import json,os from pathlib import Path p=json.loads('{"model": "liquid/lfm-2.5-embedding-350m:free", "input": ["First document", "Second document"]}') Path("request.json").write_text(json.dumps(p,ensure_ascii=False)) PY_REQUEST curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \ -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \ --data-binary @request.json -D response-headers.txt -o result.json python3 - <<'PY_RESULT' import json from pathlib import Path r=json.loads(Path("result.json").read_text()) for x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")})) PY_RESULT ``` ```python from openai import OpenAI import os client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0) result=client.embeddings.create(model='liquid/lfm-2.5-embedding-350m:free',input=["First document","Second document"]) print(result) for item in result.data:print(item.index,item.embedding) ``` ### 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 | Medan | Jenis | | --- | --- | | Medan`object` | Jenisstring | | Medan`model` | Jenisstring | | Medan`data[].index` | Jenisinteger | | Medan`data[].embedding` | Jenisfinite float\[\] | | Medan`usage` | Jenisobject | Ralat dan langkah seterusnya | Respons | Syarat | Langkah seterusnya | | --- | --- | --- | | Respons400 · `invalid_request_error` | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. | ### Alias #### Alias model **Ailoot Ultra** [`liquid/lfm-2.5-embedding-350m:free`](https://ailoot.ai/models/ms/#m=liquid%2Flfm-2.5-embedding-350m%3Afree&route=Ultra&caller=liquid%2Flfm-2.5-embedding-350m%3Afree&fmt=embeddings) #### Alias laluan kaedah Gunakan laluan kaedah yang dipaparkan di atas. #### ID pemanggil berkaitan [`liquid/lfm-2.5-embedding-350m:free`](https://ailoot.ai/models/ms/#m=liquid%2Flfm-2.5-embedding-350m%3Afree&route=Ultra&caller=liquid%2Flfm-2.5-embedding-350m%3Afree&fmt=embeddings) FAQ · LiquidAI: LFM2.5-Embedding-350M (free) Apakah input dan hasil yang tersedia? `POST /v1/embeddings` · `liquid/lfm-2.5-embedding-350m:free`: `text`, `token_ids` → `embedding` Apakah medan yang digunakan oleh permintaan? `POST /v1/embeddings` · `liquid/lfm-2.5-embedding-350m:free`: `model`, `input`, `encoding_format`, `provider` Apakah had yang terpakai? `POST /v1/embeddings` · `liquid/lfm-2.5-embedding-350m:free`: `ctx`: `512`; `input.budget.maximum`: `512` (bait UTF8); `input.min_items`: `1` Sambungkan Ailoot kepada Claude Code, OpenCode, Hermes atau aplikasi anda. ## Syarikat dan portfolio projeknya Syarikat dan portfolio projeknya: jutaan pelanggan; jualan bernilai berbilion setiap bulan. ## Beli token dengan diskaun. Diskaun langganan untuk penggunaan berkala. Kod promosi — sehingga 50% bagi pembelian token. Langganan Pilih pelan berdiskaun untuk permintaan berkala anda. Kod promosi sehingga 50% Masukkan kod semasa pembelian. Harga dikira semula mengikut promosi semasa. Perbelanjaan dalam sejarah Model, token dan jumlah disimpan bagi setiap permintaan. [Pilih langganan](https://ailoot.ai/docs/ms/billing/subscriptions/) · [Lihat harga model](https://ailoot.ai/models/ms/) ## Sambungkan API kepada produk yang anda jual. SaaS, aplikasi dan bot — di bawah tawaran rasmi serta perjanjian lesen Ailoot. Untuk jualan semula, mohon lesen penjual semula. Aplikasi komersial Tambahkan penjanaan teks, imej, video dan audio pada ciri berbayar perkhidmatan anda. Lesen penjual semula Hantar keterangan projek dan susunan akses. Minta terma penggunaan serta jualan semula secara bertulis. Dokumen pada laman Tawaran, perjanjian lesen dan dasar pemprosesan data tersedia sebelum sambungan. [Mohon lesen penjual semula](mailto:support@ailoot.ai) · [Tawaran dan perjanjian lesen](https://ailoot.ai/legal/offer?lang=ms) ## Ailoot · Syarikat dan portfolio projeknya Ailoot berteraskan pengalaman operasi yang mantap, pangkalan pelanggan yang besar, perkhidmatan yang stabil dan pemantauan KPI berterusan. Syarikat dan portfolio projeknya: jutaan pelanggan; jualan bernilai berbilion setiap bulan. Ailoot menggunakan pengalaman operasi ini untuk akses API kepada ciri AI dalam produk pelanggan, ejen, aplikasi dan automasi.