{ "aboutHtml": "

GTE-base ialah model General Text Embeddings bersaiz base yang dilatih Alibaba DAMO Academy. Pengekod teks bahasa Inggeris ini terutamanya berasaskan rangka kerja BERT dan menghasilkan vektor padat 768 dimensi. Latihannya menggunakan korpus besar pasangan berkaitan merentas domain, dengan pemerolehan semula maklumat, keserupaan teks semantik dan penyusunan semula kedudukan teks berasaskan embedding antara aplikasi yang dinyatakan.

Sediakan pertanyaan dan petikan bahasa Inggeris

Gunakan teks bahasa Inggeris yang boleh dibaca untuk keperluan maklumat serta bahan yang akan dicari. Contohnya, pertanyaan tentang menggantikan komponen haus boleh dibandingkan dengan bahagian penyelenggaraan pendek yang menerangkan kriteria penggantian, langkah pemeriksaan dan arahan pesanan. Kekalkan nama komponen dan syarat yang membezakan bahagian tersebut.

Contoh yang diterbitkan mengekod soalan dan teks calon secara langsung tanpa arahan tugas tambahan. Pastikan penyediaan itu konsisten merentas koleksi dan pertanyaan kemudian. Simpan petikan asal serta pengecamnya bersama vektor supaya hasil berperingkat dapat menunjukkan maklumat yang diwakili.

Average pooling dan perbandingan

Kaedah rujukan mempuratakan perwakilan token model menggunakan topeng perhatian supaya kedudukan padding tidak menyumbang kepada hasil. Kemudian ia menunjukkan penormalan L2 pilihan dan membandingkan vektor ternormal melalui hasil darab titik. Contoh berasingan menggunakan keserupaan kosinus.

Pilih dan kekalkan tetapan penormalan serta perbandingan yang konsisten untuk pengindeksan dan pemerolehan semula. Output mengandungi 768 komponen berangka; ia tidak mengandungi jawapan terjana. Untuk peringkat penyusunan semula kedudukan calon, kodkan petikan calon menggunakan model yang sama dan susunkannya mengikut keserupaan kepada pertanyaan. Ini tetap perbandingan berasaskan embedding, bukan dakwaan bahawa model membaca setiap pasangan pertanyaan–petikan secara bersama sebagai cross-encoder.

Skop bahasa Inggeris dan input 512 token

Kad tepat mengehadkan model ini kepada teks bahasa Inggeris dan menyatakan bahawa input panjang dipotong kepada maksimum 512 token. Oleh itu, manual panjang perlu menjadi bahagian bermakna sebelum diindeks. Simpan amaran, pengecualian atau syarat dan batasan bersama peraturan yang diperincikannya apabila perincian itu diperlukan untuk mentafsir petikan.

Untuk pertanyaan tentang selang penyelenggaraan, bahagian yang mengandungi selang dan keadaan operasi lebih berguna daripada fragmen yang hanya mengandungi nombor. Kekalkan tajuk atau identiti peralatan apabila ia memperjelas arahan. Periksa panjang tokenizer, bukannya bergantung pada bilangan perkataan yang kelihatan.

Gunakan petikan sumber di sebalik skor

Pemerolehan semula mengembalikan calon daripada koleksi berindeks. Periksa petikan teratas berdasarkan tugas tepat dan simpan lokasi sumbernya apabila memberikannya kepada peringkat penulisan jawapan RAG. Petikan berkaitan mungkin membincangkan pemeriksaan tanpa membenarkan penggantian; perbezaan itu mesti kekal kelihatan dalam bahan sumber.

GTE-base berbeza daripada GTE-large yang menghasilkan vektor 1024 dimensi, serta daripada edisi GTE berbilang bahasa atau berkonteks lanjutan kemudian. Identiti model yang diterbitkan menetapkan skop bahasa Inggeris, perwakilan 768 komponen dan sempadan 512 token. Gunakan profil tepat ini bersama pertanyaan yang mewakili tugas dan rekod sumber ketika menilai koleksi pemerolehan semula.

", "aboutText": "GTE-base ialah model General Text Embeddings bersaiz base yang dilatih Alibaba DAMO Academy. Pengekod teks bahasa Inggeris ini terutamanya berasaskan rangka kerja BERT dan menghasilkan vektor padat 768 dimensi. Latihannya menggunakan korpus besar pasangan berkaitan merentas domain, dengan pemerolehan semula maklumat, keserupaan teks semantik dan penyusunan semula kedudukan teks berasaskan embedding antara aplikasi yang dinyatakan.\n\n### Sediakan pertanyaan dan petikan bahasa Inggeris\n\nGunakan teks bahasa Inggeris yang boleh dibaca untuk keperluan maklumat serta bahan yang akan dicari. Contohnya, pertanyaan tentang menggantikan komponen haus boleh dibandingkan dengan bahagian penyelenggaraan pendek yang menerangkan kriteria penggantian, langkah pemeriksaan dan arahan pesanan. Kekalkan nama komponen dan syarat yang membezakan bahagian tersebut.\n\nContoh yang diterbitkan mengekod soalan dan teks calon secara langsung tanpa arahan tugas tambahan. Pastikan penyediaan itu konsisten merentas koleksi dan pertanyaan kemudian. Simpan petikan asal serta pengecamnya bersama vektor supaya hasil berperingkat dapat menunjukkan maklumat yang diwakili.\n\n### Average pooling dan perbandingan\n\nKaedah rujukan mempuratakan perwakilan token model menggunakan topeng perhatian supaya kedudukan padding tidak menyumbang kepada hasil. Kemudian ia menunjukkan penormalan L2 pilihan dan membandingkan vektor ternormal melalui hasil darab titik. Contoh berasingan menggunakan keserupaan kosinus.\n\nPilih dan kekalkan tetapan penormalan serta perbandingan yang konsisten untuk pengindeksan dan pemerolehan semula. Output mengandungi 768 komponen berangka; ia tidak mengandungi jawapan terjana. Untuk peringkat penyusunan semula kedudukan calon, kodkan petikan calon menggunakan model yang sama dan susunkannya mengikut keserupaan kepada pertanyaan. Ini tetap perbandingan berasaskan embedding, bukan dakwaan bahawa model membaca setiap pasangan pertanyaan–petikan secara bersama sebagai cross-encoder.\n\n### Skop bahasa Inggeris dan input 512 token\n\nKad tepat mengehadkan model ini kepada teks bahasa Inggeris dan menyatakan bahawa input panjang dipotong kepada maksimum 512 token. Oleh itu, manual panjang perlu menjadi bahagian bermakna sebelum diindeks. Simpan amaran, pengecualian atau syarat dan batasan bersama peraturan yang diperincikannya apabila perincian itu diperlukan untuk mentafsir petikan.\n\nUntuk pertanyaan tentang selang penyelenggaraan, bahagian yang mengandungi selang dan keadaan operasi lebih berguna daripada fragmen yang hanya mengandungi nombor. Kekalkan tajuk atau identiti peralatan apabila ia memperjelas arahan. Periksa panjang tokenizer, bukannya bergantung pada bilangan perkataan yang kelihatan.\n\n### Gunakan petikan sumber di sebalik skor\n\nPemerolehan semula mengembalikan calon daripada koleksi berindeks. Periksa petikan teratas berdasarkan tugas tepat dan simpan lokasi sumbernya apabila memberikannya kepada peringkat penulisan jawapan RAG. Petikan berkaitan mungkin membincangkan pemeriksaan tanpa membenarkan penggantian; perbezaan itu mesti kekal kelihatan dalam bahan sumber.\n\nGTE-base berbeza daripada GTE-large yang menghasilkan vektor 1024 dimensi, serta daripada edisi GTE berbilang bahasa atau berkonteks lanjutan kemudian. Identiti model yang diterbitkan menetapkan skop bahasa Inggeris, perwakilan 768 komponen dan sempadan 512 token. Gunakan profil tepat ini bersama pertanyaan yang mewakili tugas dan rekod sumber ketika menilai koleksi pemerolehan semula.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "06cb53648017da3d3ea01a267d44abc1b7c827e667f0db00bc2cb34a4061636d", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "ms", "methods": [ { "html": "
•

Thenlper: GTE-Base

Thenlper /thenlper/gte-base

Pengenalan

Alibaba DAMO Academy GTE-base menghasilkan embedding teks bahasa Inggeris kepada vektor 768 dimensi untuk pemerolehan semula dan keserupaan semantik. Model tepat ini menggunakan average pooling, menyokong jujukan sehingga 512 token dan mendokumenkan perbandingan berasaskan kosinus dengan penormalan pilihan.

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.

GTE-base ialah model General Text Embeddings bersaiz base yang dilatih Alibaba DAMO Academy. Pengekod teks bahasa Inggeris ini terutamanya berasaskan rangka kerja BERT dan menghasilkan vektor padat 768 dimensi. Latihannya menggunakan korpus besar pasangan berkaitan merentas domain, dengan pemerolehan semula maklumat, keserupaan teks semantik dan penyusunan semula kedudukan teks berasaskan embedding antara aplikasi yang dinyatakan.

Sediakan pertanyaan dan petikan bahasa Inggeris

Gunakan teks bahasa Inggeris yang boleh dibaca untuk keperluan maklumat serta bahan yang akan dicari. Contohnya, pertanyaan tentang menggantikan komponen haus boleh dibandingkan dengan bahagian penyelenggaraan pendek yang menerangkan kriteria penggantian, langkah pemeriksaan dan arahan pesanan. Kekalkan nama komponen dan syarat yang membezakan bahagian tersebut.

Contoh yang diterbitkan mengekod soalan dan teks calon secara langsung tanpa arahan tugas tambahan. Pastikan penyediaan itu konsisten merentas koleksi dan pertanyaan kemudian. Simpan petikan asal serta pengecamnya bersama vektor supaya hasil berperingkat dapat menunjukkan maklumat yang diwakili.

Average pooling dan perbandingan

Kaedah rujukan mempuratakan perwakilan token model menggunakan topeng perhatian supaya kedudukan padding tidak menyumbang kepada hasil. Kemudian ia menunjukkan penormalan L2 pilihan dan membandingkan vektor ternormal melalui hasil darab titik. Contoh berasingan menggunakan keserupaan kosinus.

Pilih dan kekalkan tetapan penormalan serta perbandingan yang konsisten untuk pengindeksan dan pemerolehan semula. Output mengandungi 768 komponen berangka; ia tidak mengandungi jawapan terjana. Untuk peringkat penyusunan semula kedudukan calon, kodkan petikan calon menggunakan model yang sama dan susunkannya mengikut keserupaan kepada pertanyaan. Ini tetap perbandingan berasaskan embedding, bukan dakwaan bahawa model membaca setiap pasangan pertanyaan–petikan secara bersama sebagai cross-encoder.

Skop bahasa Inggeris dan input 512 token

Kad tepat mengehadkan model ini kepada teks bahasa Inggeris dan menyatakan bahawa input panjang dipotong kepada maksimum 512 token. Oleh itu, manual panjang perlu menjadi bahagian bermakna sebelum diindeks. Simpan amaran, pengecualian atau syarat dan batasan bersama peraturan yang diperincikannya apabila perincian itu diperlukan untuk mentafsir petikan.

Untuk pertanyaan tentang selang penyelenggaraan, bahagian yang mengandungi selang dan keadaan operasi lebih berguna daripada fragmen yang hanya mengandungi nombor. Kekalkan tajuk atau identiti peralatan apabila ia memperjelas arahan. Periksa panjang tokenizer, bukannya bergantung pada bilangan perkataan yang kelihatan.

Gunakan petikan sumber di sebalik skor

Pemerolehan semula mengembalikan calon daripada koleksi berindeks. Periksa petikan teratas berdasarkan tugas tepat dan simpan lokasi sumbernya apabila memberikannya kepada peringkat penulisan jawapan RAG. Petikan berkaitan mungkin membincangkan pemeriksaan tanpa membenarkan penggantian; perbezaan itu mesti kekal kelihatan dalam bahan sumber.

GTE-base berbeza daripada GTE-large yang menghasilkan vektor 1024 dimensi, serta daripada edisi GTE berbilang bahasa atau berkonteks lanjutan kemudian. Identiti model yang diterbitkan menetapkan skop bahasa Inggeris, perwakilan 768 komponen dan sempadan 512 token. Gunakan profil tepat ini bersama pertanyaan yang mewakili tugas dan rekod sumber ketika menilai koleksi pemerolehan semula.

Tersedia di Ailoot · input & kaedah

Ailoot Ultra · Pembenaman POST /v1/embeddings
Input
text, token_ids
Output
embedding
Format output
json
MedanJenisKeperluanNilai & hadLalai
MedanmodelJenisstringKeperluanDiperlukanNilai & had
thenlper/gte-base
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
Tidak dinyatakan Apabila mod pantas dipilih
Mod flex
Tidak dinyatakan Apabila mod flex dipilih
Usaha penaakulan maksimum
Tidak dinyatakan Apabila usaha penaakulan maksimum menggunakan pelarasan default

Kadar Ailoot

Harga mengikut konfigurasi

KonfigurasiJadual kadarCaj
KonfigurasiKadar asas tokenJadual kadarKadar asasCaj
Input · Token input $0.00001 / 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": "thenlper/gte-base", "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 thenlper/gte-base

Alias laluan kaedah

Gunakan laluan kaedah yang dipaparkan di atas.

ID pemanggil berkaitan

thenlper/gte-base

", "method_identity": { "effective_request_model_id": "thenlper/gte-base", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "thenlper/gte-base", "route_label": "Ultra" }, "method_key": "Ultra|embeddings|/v1/embeddings|thenlper%2Fgte-base", "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": [ "thenlper/gte-base" ], "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": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Kadar asas token", "units": [ { "amount": "0.00001000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000001", "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\": \"thenlper/gte-base\", \"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='thenlper/gte-base',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": null, "flex_multiplier": null, "fmt": "embeddings", "hints": [ "Keep every vector index and dimension.", "Multimodal model name does not admit image objects on this exact path." ], "http": "POST", "in": 0.01, "input": [ "text", "token_ids" ], "label": "Эмбеддинги", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "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": "0.00001000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000001", "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": "thenlper/gte-base", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00001000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000001", "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": "thenlper/gte-base", "nativeProvenance": { "input_facts_canonical_sha256": "c1ef854feffd52b47eb69ac847f9f01844654af695533dca269f178e71772b83", "input_html_sha256": "3019429ce3c2c2d1bfdbc3fd5fddad25e3ee54751b313f6d4f08a95e6306fac9", "private_audit_sha256": "ca53c6a22b002600278923e303b323d2c0ec2afffbb63c18e292d2f56e1748c2", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/ms/thenlper-gte-base/", "description": "Alibaba DAMO Academy GTE-base menghasilkan embedding teks bahasa Inggeris kepada vektor 768 dimensi untuk pemerolehan semula dan keserupaan semantik. Model tepat ini menggunakan average pooling, menyokong jujukan sehingga 512 token dan mendokumenkan perbandingan berasaskan kosinus dengan penormalan pilihan.", "locale": "ms", "md_url": "https://ailoot.ai/models/ms/thenlper-gte-base/index.md", "title": "Thenlper: GTE-Base — Ailoot", "url": "https://ailoot.ai/models/ms/thenlper-gte-base/" }, "rawModel": { "about": "GTE-base ialah model General Text Embeddings bersaiz base yang dilatih Alibaba DAMO Academy. Pengekod teks bahasa Inggeris ini terutamanya berasaskan rangka kerja BERT dan menghasilkan vektor padat 768 dimensi. Latihannya menggunakan korpus besar pasangan berkaitan merentas domain, dengan pemerolehan semula maklumat, keserupaan teks semantik dan penyusunan semula kedudukan teks berasaskan embedding antara aplikasi yang dinyatakan.\n\n### Sediakan pertanyaan dan petikan bahasa Inggeris\n\nGunakan teks bahasa Inggeris yang boleh dibaca untuk keperluan maklumat serta bahan yang akan dicari. Contohnya, pertanyaan tentang menggantikan komponen haus boleh dibandingkan dengan bahagian penyelenggaraan pendek yang menerangkan kriteria penggantian, langkah pemeriksaan dan arahan pesanan. Kekalkan nama komponen dan syarat yang membezakan bahagian tersebut.\n\nContoh yang diterbitkan mengekod soalan dan teks calon secara langsung tanpa arahan tugas tambahan. Pastikan penyediaan itu konsisten merentas koleksi dan pertanyaan kemudian. Simpan petikan asal serta pengecamnya bersama vektor supaya hasil berperingkat dapat menunjukkan maklumat yang diwakili.\n\n### Average pooling dan perbandingan\n\nKaedah rujukan mempuratakan perwakilan token model menggunakan topeng perhatian supaya kedudukan padding tidak menyumbang kepada hasil. Kemudian ia menunjukkan penormalan L2 pilihan dan membandingkan vektor ternormal melalui hasil darab titik. Contoh berasingan menggunakan keserupaan kosinus.\n\nPilih dan kekalkan tetapan penormalan serta perbandingan yang konsisten untuk pengindeksan dan pemerolehan semula. Output mengandungi 768 komponen berangka; ia tidak mengandungi jawapan terjana. Untuk peringkat penyusunan semula kedudukan calon, kodkan petikan calon menggunakan model yang sama dan susunkannya mengikut keserupaan kepada pertanyaan. Ini tetap perbandingan berasaskan embedding, bukan dakwaan bahawa model membaca setiap pasangan pertanyaan–petikan secara bersama sebagai cross-encoder.\n\n### Skop bahasa Inggeris dan input 512 token\n\nKad tepat mengehadkan model ini kepada teks bahasa Inggeris dan menyatakan bahawa input panjang dipotong kepada maksimum 512 token. Oleh itu, manual panjang perlu menjadi bahagian bermakna sebelum diindeks. Simpan amaran, pengecualian atau syarat dan batasan bersama peraturan yang diperincikannya apabila perincian itu diperlukan untuk mentafsir petikan.\n\nUntuk pertanyaan tentang selang penyelenggaraan, bahagian yang mengandungi selang dan keadaan operasi lebih berguna daripada fragmen yang hanya mengandungi nombor. Kekalkan tajuk atau identiti peralatan apabila ia memperjelas arahan. Periksa panjang tokenizer, bukannya bergantung pada bilangan perkataan yang kelihatan.\n\n### Gunakan petikan sumber di sebalik skor\n\nPemerolehan semula mengembalikan calon daripada koleksi berindeks. Periksa petikan teratas berdasarkan tugas tepat dan simpan lokasi sumbernya apabila memberikannya kepada peringkat penulisan jawapan RAG. Petikan berkaitan mungkin membincangkan pemeriksaan tanpa membenarkan penggantian; perbezaan itu mesti kekal kelihatan dalam bahan sumber.\n\nGTE-base berbeza daripada GTE-large yang menghasilkan vektor 1024 dimensi, serta daripada edisi GTE berbilang bahasa atau berkonteks lanjutan kemudian. Identiti model yang diterbitkan menetapkan skop bahasa Inggeris, perwakilan 768 komponen dan sempadan 512 token. Gunakan profil tepat ini bersama pertanyaan yang mewakili tugas dan rekod sumber ketika menilai koleksi pemerolehan semula.", "alias_of": null, "aliases": [], "author": "Thenlper", "available": null, "canonical_model": "thenlper/gte-base", "capabilities": { "context_length": 512, "manufacturer_input": [ "text" ], "manufacturer_output": [ "embeddings" ] }, "card_routes": [ { "label": "Ultra", "rates": [ { "amount": "0.00001000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000001", "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": null, "entity_type": "model", "formats": [ "embeddings" ], "id": "thenlper/gte-base", "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": [ "thenlper/gte-base" ], "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": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Kadar asas token", "units": [ { "amount": "0.00001000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000001", "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\": \"thenlper/gte-base\", \"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='thenlper/gte-base',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": null, "flex_multiplier": null, "fmt": "embeddings", "hints": [ "Keep every vector index and dimension.", "Multimodal model name does not admit image objects on this exact path." ], "http": "POST", "in": 0.01, "input": [ "text", "token_ids" ], "label": "Эмбеддинги", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "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": "0.00001000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000001", "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": "thenlper/gte-base", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00001000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000001", "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": "thenlper/gte-base", "request_model_id": "thenlper/gte-base", "route_label": "Ultra" } ], "name": "Thenlper: GTE-Base", "price": { "in": 0.01, "in_label": null, "out": 0, "out_label": null, "scope_label": "Token rates", "sort_in": 0.01, "sort_out": 0, "varies": false }, "public_id": "thenlper/gte-base", "short": "Alibaba DAMO Academy GTE-base menghasilkan embedding teks bahasa Inggeris kepada vektor 768 dimensi untuk pemerolehan semula dan keserupaan semantik. Model tepat ini menggunakan average pooling, menyokong jujukan sehingga 512 token dan mendokumenkan perbandingan berasaskan kosinus dengan penormalan pilihan." }, "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": "Alibaba DAMO Academy GTE-base menghasilkan embedding teks bahasa Inggeris kepada vektor 768 dimensi untuk pemerolehan semula dan keserupaan semantik. Model tepat ini menggunakan average pooling, menyokong jujukan sehingga 512 token dan mendokumenkan perbandingan berasaskan kosinus dengan penormalan pilihan.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "9080b0d97bc240c94d8cbaf686ec4281da3a593f40768eb5d3646267ab1233ab", "renderer_sha256": "1dab5ba62521e9568c8b7c82005622cabbf330a075df7cce1f83274a04009460" }, "sourceRevision": "3eec00ebfd733b0b22072e4983be1ab6985a5b61cf6327b357a82f277d849f12" }