{ "aboutHtml": "

GTE-large ialah model General Text Embeddings bersaiz besar yang dilatih Alibaba DAMO Academy. Ia pengekod teks bahasa Inggeris yang terutamanya berasaskan rangka kerja BERT, dengan perwakilan padat 1024 dimensi bagi setiap input. Pembuat melatih keluarga GTE pada pasangan teks berkaitan merentas domain dan mengenal pasti pemerolehan semula, keserupaan teks semantik serta penyusunan semula kedudukan teks sebagai aplikasi hiliran.

Wakili kandungan sesuatu bahagian

Sediakan petikan bahasa Inggeris yang patut dibandingkan dengan pertanyaan carian. Untuk koleksi laporan teknikal, simpan subjek, pemerhatian dan syarat berkaitan sesuatu bahagian pendek. Laporan yang menerangkan getaran hanya di bawah beban tertentu perlu mengekalkan syarat itu, bukannya meninggalkan pernyataan umum tentang getaran.

Simpan pengecam sumber, tajuk dokumen dan lokasi bahagian bersama vektor tersimpan. Pertanyaan boleh mendapatkan bahagian calon, manakala laporan asal kekal tersedia untuk mengesahkan peralatan, syarat dan kesimpulan. Embedding membekalkan perwakilan berangka kandungan petikan.

Pooling, penormalan dan penggunaan vektor

Kaedah yang diterbitkan menggunakan average pooling merentas perwakilan token dengan topeng perhatian, mengecualikan padding daripada purata. Ia turut menunjukkan penormalan L2 pilihan, diikuti perbandingan hasil darab titik vektor ternormal. Contoh Sentence Transformers menggunakan keserupaan kosinus.

Gunakan tetapan penyediaan, pooling dan perbandingan yang sama merentas koleksi serta bahagian pertanyaan. Setiap perwakilan mengandungi 1024 komponen. Bilangan komponen lebih besar ialah perincian edisi; ia tidak membuktikan bahawa vektor GTE-large boleh dicampur dengan perwakilan GTE-base 768 dimensi atau pengekod 1024 dimensi lain.

Aliran kerja penyusunan semula kedudukan boleh membandingkan embedding pertanyaan dengan set embedding calon yang sudah diperoleh semula lalu menyusun semula rekod itu. Kekalkan perbezaan antara perbandingan vektor tersebut dengan model berasingan yang menilai pasangan pertanyaan–petikan secara bersama.

Panjang input dan batasan bahasa Inggeris

Kad model secara jelas mengehadkan model tepat ini kepada teks bahasa Inggeris dan memotong input panjang kepada maksimum 512 token. Bahagikan laporan teknikal panjang kepada bahagian koheren dan simpan konteks setempat yang mencukupi supaya setiap bahagian dapat difahami sendiri. Jika ayat bergantung pada syarat atau batasan sebelumnya, simpan syarat atau batasan itu dalam unit berindeks yang sama apabila muat.

Sempadan token berbeza daripada bilangan perkataan yang kelihatan. Periksa panjang bahagian yang disediakan dan pastikan perincian yang diperlukan carian sasaran tidak terletak di luar bahagian yang dikekalkan selepas pemotongan.

Periksa bukti yang diperoleh semula

Untuk aplikasi carian laporan, bentangkan bahagian calon bersama lokasi sumbernya dan periksa kandungan sebenar. Pemerhatian serupa boleh mempunyai punca atau cadangan berbeza. Skor vektor membantu menyusun calon di bawah tetapan perbandingan terpilih; ia tidak membuktikan bahawa kesimpulan laporan terpakai kepada situasi baharu.

Untuk RAG, gunakan bahagian terpilih sebagai konteks sumber bagi peringkat penulisan jawapan dan simpan perkaitan dokumennya. Profil GTE-large tepat ini membekalkan embedding padat bahasa Inggeris dengan 1024 dimensi dan sempadan input 512 token. Edisi GTE berbilang bahasa dan berkonteks lanjutan kemudian mempunyai identiti berasingan, maka liputan bahasa atau tetapan inputnya tidak boleh disimpulkan daripada nama keluarga checkpoint ini.

", "aboutText": "GTE-large ialah model General Text Embeddings bersaiz besar yang dilatih Alibaba DAMO Academy. Ia pengekod teks bahasa Inggeris yang terutamanya berasaskan rangka kerja BERT, dengan perwakilan padat 1024 dimensi bagi setiap input. Pembuat melatih keluarga GTE pada pasangan teks berkaitan merentas domain dan mengenal pasti pemerolehan semula, keserupaan teks semantik serta penyusunan semula kedudukan teks sebagai aplikasi hiliran.\n\n### Wakili kandungan sesuatu bahagian\n\nSediakan petikan bahasa Inggeris yang patut dibandingkan dengan pertanyaan carian. Untuk koleksi laporan teknikal, simpan subjek, pemerhatian dan syarat berkaitan sesuatu bahagian pendek. Laporan yang menerangkan getaran hanya di bawah beban tertentu perlu mengekalkan syarat itu, bukannya meninggalkan pernyataan umum tentang getaran.\n\nSimpan pengecam sumber, tajuk dokumen dan lokasi bahagian bersama vektor tersimpan. Pertanyaan boleh mendapatkan bahagian calon, manakala laporan asal kekal tersedia untuk mengesahkan peralatan, syarat dan kesimpulan. Embedding membekalkan perwakilan berangka kandungan petikan.\n\n### Pooling, penormalan dan penggunaan vektor\n\nKaedah yang diterbitkan menggunakan average pooling merentas perwakilan token dengan topeng perhatian, mengecualikan padding daripada purata. Ia turut menunjukkan penormalan L2 pilihan, diikuti perbandingan hasil darab titik vektor ternormal. Contoh Sentence Transformers menggunakan keserupaan kosinus.\n\nGunakan tetapan penyediaan, pooling dan perbandingan yang sama merentas koleksi serta bahagian pertanyaan. Setiap perwakilan mengandungi 1024 komponen. Bilangan komponen lebih besar ialah perincian edisi; ia tidak membuktikan bahawa vektor GTE-large boleh dicampur dengan perwakilan GTE-base 768 dimensi atau pengekod 1024 dimensi lain.\n\nAliran kerja penyusunan semula kedudukan boleh membandingkan embedding pertanyaan dengan set embedding calon yang sudah diperoleh semula lalu menyusun semula rekod itu. Kekalkan perbezaan antara perbandingan vektor tersebut dengan model berasingan yang menilai pasangan pertanyaan–petikan secara bersama.\n\n### Panjang input dan batasan bahasa Inggeris\n\nKad model secara jelas mengehadkan model tepat ini kepada teks bahasa Inggeris dan memotong input panjang kepada maksimum 512 token. Bahagikan laporan teknikal panjang kepada bahagian koheren dan simpan konteks setempat yang mencukupi supaya setiap bahagian dapat difahami sendiri. Jika ayat bergantung pada syarat atau batasan sebelumnya, simpan syarat atau batasan itu dalam unit berindeks yang sama apabila muat.\n\nSempadan token berbeza daripada bilangan perkataan yang kelihatan. Periksa panjang bahagian yang disediakan dan pastikan perincian yang diperlukan carian sasaran tidak terletak di luar bahagian yang dikekalkan selepas pemotongan.\n\n### Periksa bukti yang diperoleh semula\n\nUntuk aplikasi carian laporan, bentangkan bahagian calon bersama lokasi sumbernya dan periksa kandungan sebenar. Pemerhatian serupa boleh mempunyai punca atau cadangan berbeza. Skor vektor membantu menyusun calon di bawah tetapan perbandingan terpilih; ia tidak membuktikan bahawa kesimpulan laporan terpakai kepada situasi baharu.\n\nUntuk RAG, gunakan bahagian terpilih sebagai konteks sumber bagi peringkat penulisan jawapan dan simpan perkaitan dokumennya. Profil GTE-large tepat ini membekalkan embedding padat bahasa Inggeris dengan 1024 dimensi dan sempadan input 512 token. Edisi GTE berbilang bahasa dan berkonteks lanjutan kemudian mempunyai identiti berasingan, maka liputan bahasa atau tetapan inputnya tidak boleh disimpulkan daripada nama keluarga checkpoint ini.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "9504ec6ab9d1e4c7febe347388208c4f50cb9823f82b85314db5d9b64aaf1f87", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "ms", "methods": [ { "html": "
•

Thenlper: GTE-Large

Thenlper /thenlper/gte-large

Pengenalan

Alibaba DAMO Academy GTE-large menukarkan teks bahasa Inggeris kepada vektor 1024 dimensi untuk pemerolehan semula, keserupaan semantik dan penyusunan semula kedudukan berasaskan embedding. Kaedah rujukannya menggunakan average pooling, penormalan pilihan dan panjang jujukan maksimum 512 token.

Input yang diterima
Teks · token_ids
Hasil
embedding
Tentang model

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

GTE-large ialah model General Text Embeddings bersaiz besar yang dilatih Alibaba DAMO Academy. Ia pengekod teks bahasa Inggeris yang terutamanya berasaskan rangka kerja BERT, dengan perwakilan padat 1024 dimensi bagi setiap input. Pembuat melatih keluarga GTE pada pasangan teks berkaitan merentas domain dan mengenal pasti pemerolehan semula, keserupaan teks semantik serta penyusunan semula kedudukan teks sebagai aplikasi hiliran.

Wakili kandungan sesuatu bahagian

Sediakan petikan bahasa Inggeris yang patut dibandingkan dengan pertanyaan carian. Untuk koleksi laporan teknikal, simpan subjek, pemerhatian dan syarat berkaitan sesuatu bahagian pendek. Laporan yang menerangkan getaran hanya di bawah beban tertentu perlu mengekalkan syarat itu, bukannya meninggalkan pernyataan umum tentang getaran.

Simpan pengecam sumber, tajuk dokumen dan lokasi bahagian bersama vektor tersimpan. Pertanyaan boleh mendapatkan bahagian calon, manakala laporan asal kekal tersedia untuk mengesahkan peralatan, syarat dan kesimpulan. Embedding membekalkan perwakilan berangka kandungan petikan.

Pooling, penormalan dan penggunaan vektor

Kaedah yang diterbitkan menggunakan average pooling merentas perwakilan token dengan topeng perhatian, mengecualikan padding daripada purata. Ia turut menunjukkan penormalan L2 pilihan, diikuti perbandingan hasil darab titik vektor ternormal. Contoh Sentence Transformers menggunakan keserupaan kosinus.

Gunakan tetapan penyediaan, pooling dan perbandingan yang sama merentas koleksi serta bahagian pertanyaan. Setiap perwakilan mengandungi 1024 komponen. Bilangan komponen lebih besar ialah perincian edisi; ia tidak membuktikan bahawa vektor GTE-large boleh dicampur dengan perwakilan GTE-base 768 dimensi atau pengekod 1024 dimensi lain.

Aliran kerja penyusunan semula kedudukan boleh membandingkan embedding pertanyaan dengan set embedding calon yang sudah diperoleh semula lalu menyusun semula rekod itu. Kekalkan perbezaan antara perbandingan vektor tersebut dengan model berasingan yang menilai pasangan pertanyaan–petikan secara bersama.

Panjang input dan batasan bahasa Inggeris

Kad model secara jelas mengehadkan model tepat ini kepada teks bahasa Inggeris dan memotong input panjang kepada maksimum 512 token. Bahagikan laporan teknikal panjang kepada bahagian koheren dan simpan konteks setempat yang mencukupi supaya setiap bahagian dapat difahami sendiri. Jika ayat bergantung pada syarat atau batasan sebelumnya, simpan syarat atau batasan itu dalam unit berindeks yang sama apabila muat.

Sempadan token berbeza daripada bilangan perkataan yang kelihatan. Periksa panjang bahagian yang disediakan dan pastikan perincian yang diperlukan carian sasaran tidak terletak di luar bahagian yang dikekalkan selepas pemotongan.

Periksa bukti yang diperoleh semula

Untuk aplikasi carian laporan, bentangkan bahagian calon bersama lokasi sumbernya dan periksa kandungan sebenar. Pemerhatian serupa boleh mempunyai punca atau cadangan berbeza. Skor vektor membantu menyusun calon di bawah tetapan perbandingan terpilih; ia tidak membuktikan bahawa kesimpulan laporan terpakai kepada situasi baharu.

Untuk RAG, gunakan bahagian terpilih sebagai konteks sumber bagi peringkat penulisan jawapan dan simpan perkaitan dokumennya. Profil GTE-large tepat ini membekalkan embedding padat bahasa Inggeris dengan 1024 dimensi dan sempadan input 512 token. Edisi GTE berbilang bahasa dan berkonteks lanjutan kemudian mempunyai identiti berasingan, maka liputan bahasa atau tetapan inputnya tidak boleh disimpulkan daripada nama keluarga checkpoint ini.

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-large
Lalai—
MedaninputJenisstring|string[]|integer[]|integer[][]KeperluanDiperlukanNilai & had
Item minimum: 1
Syarat: Kelompok homogen yang tidak kosong. ID token ialah integer bukan negatif.
Bajet input: Maksimum: 512 · Unit teks: bait UTF8 · Unit token: elemen tatasusunan token
Lalai—
Medanencoding_formatJenisstringKeperluanPilihanNilai & had
float
Lalaifloat
MedandimensionsJenisintegerKeperluanTidak disokongNilai & had
Minimum: 1
Lalai—
MedanuserJenisjson_valueKeperluanPilihanNilai & had
Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.
Lalai—
Medansession_idJenisjson_valueKeperluanPilihanNilai & had
Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.
Lalai—
MedantraceJenisjson_valueKeperluanPilihanNilai & had
Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.
Lalai—
MedanproviderJenisobjectKeperluanPilihanNilai & had
Syarat: provider.options ditolak
Lalai—
Gabungan bahan input

text_to_embedding

Parameter kaedah dan kitar hayat
ParameterKontrak
Parametercontent_typeKontrakapplication/json
ParameterrequiredKontrakmodel, input
Parameterinput_shapesKontrakstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[]
Parameterencoding_formatKontrakfloat
Parameterdimensions_overrideKontrakfalse
Parametermax_input_budget_unitsKontrak512
Parametermultimodal_objectsKontrakfalse
Parametermaterial_typesKontraktext, token_ids

Kitar hayat: synchronous_json

Simpan setiap indeks dan dimensi vektor.

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

Pelan harga

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

Mod pantas
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 $0.00002 / 1K token
Output · Token output $0 / 1K token
Input · Bacaan cache — / 1K token
Input · Penulisan cache — / 1K token
Input · Penulisan cache, 1 jam — / 1K token

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

Contoh permintaan

Ailoot Ultra · Pembenaman

set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "thenlper/gte-large", "input": ["First document", "Second document"]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n  --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\n

Terima dan simpan hasil

Ailoot Ultra · Pembenaman

json

Simpan semua hasil yang selesai

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

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

Jika respons asal perlu disemak

Tiada titik akhir tugas pembenaman diperkenalkan.

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

Alias

Alias model

Ailoot Ultra thenlper/gte-large

Alias laluan kaedah

Gunakan laluan kaedah yang dipaparkan di atas.

ID pemanggil berkaitan

thenlper/gte-large

", "method_identity": { "effective_request_model_id": "thenlper/gte-large", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "thenlper/gte-large", "route_label": "Ultra" }, "method_key": "Ultra|embeddings|/v1/embeddings|thenlper%2Fgte-large", "ordinal": 0, "rawMethod": { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Keep every vector with its index. Vector count must equal input count; dimensions must be consistent.", "errors": [ { "code": null, "condition": "Medan wajib, perwakilan bahan atau nilai parameter tidak sah", "http_status": 400, "recovery": "Betulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Tiada titik akhir tugas pembenaman diperkenalkan." }, "material_combinations": [ { "alternatives": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Simpan setiap vektor bersama indeksnya. Bilangan vektor mesti sama dengan bilangan input; dimensi mesti konsisten.", "default_dimensions": null, "family": "embedding", "fields": [ { "description": null, "name": "object", "type": "string" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "data[].index", "type": "integer" }, { "description": null, "name": "data[].embedding", "type": "finite float[]" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "thenlper/gte-large" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "budget": { "maximum": 512, "text_unit": "bait UTF8", "token_unit": "elemen tatasusunan token" }, "conditions": "Kelompok homogen yang tidak kosong. ID token ialah integer bukan negatif.", "default": null, "default_known": false, "enum": null, "enum_known": false, "min_items": 1, "name": "input", "required": true, "type": "string|string[]|integer[]|integer[][]" }, { "availability": "source_interface", "default": "float", "default_known": true, "enum": [ "float" ], "enum_known": true, "name": "encoding_format", "required": false, "type": "string" }, { "availability": "unsupported", "default": null, "default_known": false, "enum": null, "enum_known": false, "minimum": 1, "name": "dimensions", "required": false, "type": "integer" }, { "availability": "pass_through_metadata", "conditions": "Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "session_id", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "trace", "required": false, "type": "json_value" }, { "availability": "source_interface", "conditions": "provider.options ditolak", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "provider", "required": false, "type": "object" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "mixed input kinds", "empty input", "image/audio/file objects", "encoding_format=base64", "dimensions override" ] }, "hints": [ "Simpan setiap indeks dan dimensi vektor.", "Nama model multimodal tidak bermakna objek imej dibenarkan pada laluan khusus ini." ], "input": { "content_type": "application/json", "dimensions_override": false, "encoding_format": [ "float" ], "input_shapes": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "material_types": [ "text", "token_ids" ], "max_input_budget_units": 512, "multimodal_objects": false, "required": [ "model", "input" ] }, "lifecycle": { "mode": "synchronous_json", "unknown": "no embedding job endpoint inferred" }, "manufacturer_capability": null, "method": { "http": "POST", "path": "/v1/embeddings" }, "method_aliases": [], "operation_modes": [ "text_to_embedding" ], "output": { "default_dimensions": null, "family": "embedding", "format": "json", "http_success": 200, "vectors": "one dense float vector per input; indices/model/usage validated" } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Kadar asas token", "units": [ { "amount": "0.00002000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000002", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"thenlper/gte-large\", \"input\": [\"First document\", \"Second document\"]}')\n\nPath(\"request.json\").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path(\"result.json\").read_text())\nfor x in r.get(\"data\",[]): print(json.dumps({\"index\":x.get(\"index\"),\"embedding\":x.get(\"embedding\")}))\nPY_RESULT\n", "label": "curl · retained exact creation", "language": "bash" }, { "code": "from openai import OpenAI\nimport os\n\nclient=OpenAI(base_url=\"https://api.ailoot.ai/v1\",api_key=os.environ[\"AILOOT_API_KEY\"],max_retries=0)\nresult=client.embeddings.create(model='thenlper/gte-large',input=[\"First document\",\"Second document\"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\n", "label": "Python SDK · all vectors", "language": "python" } ], "family": "openai", "fast_multiplier": 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": 0.02, "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": "0.00002000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000002", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "request_model_id": "thenlper/gte-large", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00002000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000002", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } } ], "model_id": "thenlper/gte-large", "nativeProvenance": { "input_facts_canonical_sha256": "5a90f8ce5965008f77c5556955f0a6899e63db1237496862b172675719ad5a1c", "input_html_sha256": "336a68cbde6ad9f14aeff3a283535e04c30718b8eca45abb9b41a195bca3a5c7", "private_audit_sha256": "e9cd68fff334102257255608463fe91b20f8984bb4b4266e72eaf48b15464b31", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/ms/thenlper-gte-large/", "description": "Alibaba DAMO Academy GTE-large menukarkan teks bahasa Inggeris kepada vektor 1024 dimensi untuk pemerolehan semula, keserupaan semantik dan penyusunan semula kedudukan berasaskan embedding. Kaedah rujukannya menggunakan average pooling, penormalan pilihan dan panjang jujukan maksimum 512 token.", "locale": "ms", "md_url": "https://ailoot.ai/models/ms/thenlper-gte-large/index.md", "title": "Thenlper: GTE-Large — Ailoot", "url": "https://ailoot.ai/models/ms/thenlper-gte-large/" }, "rawModel": { "about": "GTE-large ialah model General Text Embeddings bersaiz besar yang dilatih Alibaba DAMO Academy. Ia pengekod teks bahasa Inggeris yang terutamanya berasaskan rangka kerja BERT, dengan perwakilan padat 1024 dimensi bagi setiap input. Pembuat melatih keluarga GTE pada pasangan teks berkaitan merentas domain dan mengenal pasti pemerolehan semula, keserupaan teks semantik serta penyusunan semula kedudukan teks sebagai aplikasi hiliran.\n\n### Wakili kandungan sesuatu bahagian\n\nSediakan petikan bahasa Inggeris yang patut dibandingkan dengan pertanyaan carian. Untuk koleksi laporan teknikal, simpan subjek, pemerhatian dan syarat berkaitan sesuatu bahagian pendek. Laporan yang menerangkan getaran hanya di bawah beban tertentu perlu mengekalkan syarat itu, bukannya meninggalkan pernyataan umum tentang getaran.\n\nSimpan pengecam sumber, tajuk dokumen dan lokasi bahagian bersama vektor tersimpan. Pertanyaan boleh mendapatkan bahagian calon, manakala laporan asal kekal tersedia untuk mengesahkan peralatan, syarat dan kesimpulan. Embedding membekalkan perwakilan berangka kandungan petikan.\n\n### Pooling, penormalan dan penggunaan vektor\n\nKaedah yang diterbitkan menggunakan average pooling merentas perwakilan token dengan topeng perhatian, mengecualikan padding daripada purata. Ia turut menunjukkan penormalan L2 pilihan, diikuti perbandingan hasil darab titik vektor ternormal. Contoh Sentence Transformers menggunakan keserupaan kosinus.\n\nGunakan tetapan penyediaan, pooling dan perbandingan yang sama merentas koleksi serta bahagian pertanyaan. Setiap perwakilan mengandungi 1024 komponen. Bilangan komponen lebih besar ialah perincian edisi; ia tidak membuktikan bahawa vektor GTE-large boleh dicampur dengan perwakilan GTE-base 768 dimensi atau pengekod 1024 dimensi lain.\n\nAliran kerja penyusunan semula kedudukan boleh membandingkan embedding pertanyaan dengan set embedding calon yang sudah diperoleh semula lalu menyusun semula rekod itu. Kekalkan perbezaan antara perbandingan vektor tersebut dengan model berasingan yang menilai pasangan pertanyaan–petikan secara bersama.\n\n### Panjang input dan batasan bahasa Inggeris\n\nKad model secara jelas mengehadkan model tepat ini kepada teks bahasa Inggeris dan memotong input panjang kepada maksimum 512 token. Bahagikan laporan teknikal panjang kepada bahagian koheren dan simpan konteks setempat yang mencukupi supaya setiap bahagian dapat difahami sendiri. Jika ayat bergantung pada syarat atau batasan sebelumnya, simpan syarat atau batasan itu dalam unit berindeks yang sama apabila muat.\n\nSempadan token berbeza daripada bilangan perkataan yang kelihatan. Periksa panjang bahagian yang disediakan dan pastikan perincian yang diperlukan carian sasaran tidak terletak di luar bahagian yang dikekalkan selepas pemotongan.\n\n### Periksa bukti yang diperoleh semula\n\nUntuk aplikasi carian laporan, bentangkan bahagian calon bersama lokasi sumbernya dan periksa kandungan sebenar. Pemerhatian serupa boleh mempunyai punca atau cadangan berbeza. Skor vektor membantu menyusun calon di bawah tetapan perbandingan terpilih; ia tidak membuktikan bahawa kesimpulan laporan terpakai kepada situasi baharu.\n\nUntuk RAG, gunakan bahagian terpilih sebagai konteks sumber bagi peringkat penulisan jawapan dan simpan perkaitan dokumennya. Profil GTE-large tepat ini membekalkan embedding padat bahasa Inggeris dengan 1024 dimensi dan sempadan input 512 token. Edisi GTE berbilang bahasa dan berkonteks lanjutan kemudian mempunyai identiti berasingan, maka liputan bahasa atau tetapan inputnya tidak boleh disimpulkan daripada nama keluarga checkpoint ini.", "alias_of": null, "aliases": [], "author": "Thenlper", "available": null, "canonical_model": "thenlper/gte-large", "capabilities": { "context_length": 512, "manufacturer_input": [ "text" ], "manufacturer_output": [ "embeddings" ] }, "card_routes": [ { "label": "Ultra", "rates": [ { "amount": "0.00002000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000002", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" } ], "summary": "Maklumat lengkap tentang harga konfigurasi terdapat dalam butiran." } ], "ctx": null, "entity_type": "model", "formats": [ "embeddings" ], "id": "thenlper/gte-large", "input": [ "text", "token_ids" ], "kind": "embedding", "max_out": null, "methods": [ { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Keep every vector with its index. Vector count must equal input count; dimensions must be consistent.", "errors": [ { "code": null, "condition": "Medan wajib, perwakilan bahan atau nilai parameter tidak sah", "http_status": 400, "recovery": "Betulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Tiada titik akhir tugas pembenaman diperkenalkan." }, "material_combinations": [ { "alternatives": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Simpan setiap vektor bersama indeksnya. Bilangan vektor mesti sama dengan bilangan input; dimensi mesti konsisten.", "default_dimensions": null, "family": "embedding", "fields": [ { "description": null, "name": "object", "type": "string" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "data[].index", "type": "integer" }, { "description": null, "name": "data[].embedding", "type": "finite float[]" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "thenlper/gte-large" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "budget": { "maximum": 512, "text_unit": "bait UTF8", "token_unit": "elemen tatasusunan token" }, "conditions": "Kelompok homogen yang tidak kosong. ID token ialah integer bukan negatif.", "default": null, "default_known": false, "enum": null, "enum_known": false, "min_items": 1, "name": "input", "required": true, "type": "string|string[]|integer[]|integer[][]" }, { "availability": "source_interface", "default": "float", "default_known": true, "enum": [ "float" ], "enum_known": true, "name": "encoding_format", "required": false, "type": "string" }, { "availability": "unsupported", "default": null, "default_known": false, "enum": null, "enum_known": false, "minimum": 1, "name": "dimensions", "required": false, "type": "integer" }, { "availability": "pass_through_metadata", "conditions": "Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "session_id", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "trace", "required": false, "type": "json_value" }, { "availability": "source_interface", "conditions": "provider.options ditolak", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "provider", "required": false, "type": "object" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "mixed input kinds", "empty input", "image/audio/file objects", "encoding_format=base64", "dimensions override" ] }, "hints": [ "Simpan setiap indeks dan dimensi vektor.", "Nama model multimodal tidak bermakna objek imej dibenarkan pada laluan khusus ini." ], "input": { "content_type": "application/json", "dimensions_override": false, "encoding_format": [ "float" ], "input_shapes": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "material_types": [ "text", "token_ids" ], "max_input_budget_units": 512, "multimodal_objects": false, "required": [ "model", "input" ] }, "lifecycle": { "mode": "synchronous_json", "unknown": "no embedding job endpoint inferred" }, "manufacturer_capability": null, "method": { "http": "POST", "path": "/v1/embeddings" }, "method_aliases": [], "operation_modes": [ "text_to_embedding" ], "output": { "default_dimensions": null, "family": "embedding", "format": "json", "http_success": 200, "vectors": "one dense float vector per input; indices/model/usage validated" } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Kadar asas token", "units": [ { "amount": "0.00002000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000002", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"thenlper/gte-large\", \"input\": [\"First document\", \"Second document\"]}')\n\nPath(\"request.json\").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path(\"result.json\").read_text())\nfor x in r.get(\"data\",[]): print(json.dumps({\"index\":x.get(\"index\"),\"embedding\":x.get(\"embedding\")}))\nPY_RESULT\n", "label": "curl · retained exact creation", "language": "bash" }, { "code": "from openai import OpenAI\nimport os\n\nclient=OpenAI(base_url=\"https://api.ailoot.ai/v1\",api_key=os.environ[\"AILOOT_API_KEY\"],max_retries=0)\nresult=client.embeddings.create(model='thenlper/gte-large',input=[\"First document\",\"Second document\"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\n", "label": "Python SDK · all vectors", "language": "python" } ], "family": "openai", "fast_multiplier": 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": 0.02, "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": "0.00002000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000002", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "request_model_id": "thenlper/gte-large", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00002000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000002", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "model_aliases": [ { "canonical_model_id": "thenlper/gte-large", "request_model_id": "thenlper/gte-large", "route_label": "Ultra" } ], "name": "Thenlper: GTE-Large", "price": { "in": 0.02, "in_label": null, "out": 0, "out_label": null, "scope_label": "Token rates", "sort_in": 0.02, "sort_out": 0, "varies": false }, "public_id": "thenlper/gte-large", "short": "Alibaba DAMO Academy GTE-large menukarkan teks bahasa Inggeris kepada vektor 1024 dimensi untuk pemerolehan semula, keserupaan semantik dan penyusunan semula kedudukan berasaskan embedding. Kaedah rujukannya menggunakan average pooling, penormalan pilihan dan panjang jujukan maksimum 512 token." }, "renderer_schema": { "method_order": "Original DTO methods order; every exact route/format/path/caller survives.", "prices": "Original public DTO fields and original native display HTML; no flattened or normalized offers." }, "representation": "exact-public-dto-and-native-renderer-html", "representationNotes": { "current_reference": { "about_json_pointer": "/aboutHtml", "methods": [ { "contract_json_pointer": "/methods/0/rawMethod/contract", "html_json_pointer": "/methods/0/html", "method_ordinal": 0 } ], "role": "current-semantic-reference" }, "raw_input": { "examples_role": "historical-input-not-current-ready-examples", "json_pointers": [ "/rawModel", "/methods/0/rawMethod" ], "role": "historical-owner-input" }, "schema": "ailoot-native-model-representations-v1" }, "schema": "ailoot-static-model-facts-v1", "schema_version": 1, "shortText": "Alibaba DAMO Academy GTE-large menukarkan teks bahasa Inggeris kepada vektor 1024 dimensi untuk pemerolehan semula, keserupaan semantik dan penyusunan semula kedudukan berasaskan embedding. Kaedah rujukannya menggunakan average pooling, penormalan pilihan dan panjang jujukan maksimum 512 token.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "32bbc9e2b21002f8719f298e1a2cd50567d18a258984d6e3e5d25229aa715be3", "renderer_sha256": "1dab5ba62521e9568c8b7c82005622cabbf330a075df7cce1f83274a04009460" }, "sourceRevision": "c4dee9019d177a26baf59395af7b91b6941bcd5a96a0c6d3862c7f5d7f326740" }