Source: https://ailoot.ai/models/ms/thenlper-gte-large/
Canonical: https://ailoot.ai/models/ms/thenlper-gte-large/
Language: ms

# Thenlper: GTE-Large

[Markdown](https://ailoot.ai/models/ms/thenlper-gte-large/index.md) · [JSON](https://ailoot.ai/models/ms/thenlper-gte-large/facts.json)

## [Thenlper: GTE-Large](https://ailoot.ai/models/ms/thenlper-gte-large/)

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.

- [**Ailoot Ultra · Pembenaman** `POST /v1/embeddings` `thenlper/gte-large`](https://ailoot.ai/models/ms/thenlper-gte-large/#method-0)

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.

**Ailoot Ultra · Pembenaman** `POST /v1/embeddings` `thenlper/gte-large`

[`thenlper/gte-large`](https://ailoot.ai/models/ms/#m=thenlper%2Fgte-large&route=Ultra&caller=thenlper%2Fgte-large&fmt=embeddings)

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

### Tersedia di Ailoot · input & kaedah

**Ailoot Ultra · Pembenaman** `POST /v1/embeddings`

Input

`text`, `token_ids`

Output

`embedding`

Format output

json

| Medan | Jenis | Keperluan | Nilai & had | Lalai |
| --- | --- | --- | --- | --- |
| Medan`model` | Jenis`string` | KeperluanDiperlukan | Nilai & had thenlper/gte-large | Lalai— |
| Medan`input` | Jenis`string\|string[]\|integer[]\|integer[][]` | KeperluanDiperlukan | Nilai & had Item minimum: 1 Syarat: Kelompok homogen yang tidak kosong. ID token ialah integer bukan negatif. Bajet input: Maksimum: 512 · Unit teks: bait UTF8 · Unit token: elemen tatasusunan token | Lalai— |
| Medan`encoding_format` | Jenis`string` | KeperluanPilihan | Nilai & had float | Lalaifloat |
| Medan`dimensions` | Jenis`integer` | KeperluanTidak disokong | Nilai & had Minimum: 1 | Lalai— |
| Medan`user` | Jenis`json_value` | KeperluanPilihan | Nilai & had Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model. | Lalai— |
| Medan`session_id` | Jenis`json_value` | KeperluanPilihan | Nilai & had Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model. | Lalai— |
| Medan`trace` | Jenis`json_value` | KeperluanPilihan | Nilai & had Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model. | Lalai— |
| Medan`provider` | Jenis`object` | KeperluanPilihan | Nilai & had Syarat: provider.options ditolak | Lalai— |

Gabungan bahan input

**text\_to\_embedding**

Parameter kaedah dan kitar hayat

| Parameter | Kontrak |
| --- | --- |
| Parameter`content_type` | Kontrakapplication/json |
| Parameter`required` | Kontrakmodel, input |
| Parameter`input_shapes` | Kontrakstring, string\[\], nonnegative\_integer\_token\_array, nonnegative\_integer\_token\_array\[\] |
| Parameter`encoding_format` | Kontrakfloat |
| Parameter`dimensions_override` | Kontrakfalse |
| Parameter`max_input_budget_units` | Kontrak512 |
| Parameter`multimodal_objects` | Kontrakfalse |
| Parameter`material_types` | Kontraktext, token\_ids |

Kitar hayat: `synchronous_json`

Simpan setiap indeks dan dimensi vektor.

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

### Pelan harga

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

Mod pantas

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

| Konfigurasi | Jadual kadar | Caj |
| --- | --- | --- |
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Caj 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 →](https://ailoot.ai/docs/ms/billing/reserve/)

### Contoh permintaan

#### Ailoot Ultra · Pembenaman

curlPython SDK

```bash
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "thenlper/gte-large", "input": ["First document", "Second document"]}')

Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
r=json.loads(Path("result.json").read_text())
for x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))
PY_RESULT
```

```python
from openai import OpenAI
import os

client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)
result=client.embeddings.create(model='thenlper/gte-large',input=["First document","Second document"])
print(result)
for item in result.data:print(item.index,item.embedding)
```

### Terima dan simpan hasil

#### Ailoot Ultra · Pembenaman

json

##### Simpan semua hasil yang selesai

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

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

##### Jika respons asal perlu disemak

Tiada titik akhir tugas pembenaman diperkenalkan.

Medan respons

| Medan | Jenis |
| --- | --- |
| Medan`object` | Jenisstring |
| Medan`model` | Jenisstring |
| Medan`data[].index` | Jenisinteger |
| Medan`data[].embedding` | Jenisfinite float\[\] |
| Medan`usage` | Jenisobject |

Ralat dan langkah seterusnya

| Respons | Syarat | Langkah seterusnya |
| --- | --- | --- |
| Respons400 · `invalid_request_error` | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |

### Alias

#### Alias model

**Ailoot Ultra** [`thenlper/gte-large`](https://ailoot.ai/models/ms/#m=thenlper%2Fgte-large&route=Ultra&caller=thenlper%2Fgte-large&fmt=embeddings)

#### Alias laluan kaedah

Gunakan laluan kaedah yang dipaparkan di atas.

#### ID pemanggil berkaitan

[`thenlper/gte-large`](https://ailoot.ai/models/ms/#m=thenlper%2Fgte-large&route=Ultra&caller=thenlper%2Fgte-large&fmt=embeddings)

FAQ · Thenlper: GTE-Large

Apakah input dan hasil yang tersedia?

`POST /v1/embeddings` · `thenlper/gte-large`: `text`, `token_ids` → `embedding`

Apakah medan yang digunakan oleh permintaan?

`POST /v1/embeddings` · `thenlper/gte-large`: `model`, `input`, `encoding_format`, `provider`

Apakah had yang terpakai?

`POST /v1/embeddings` · `thenlper/gte-large`: `input.budget.maximum`: `512` (bait UTF8); `input.min_items`: `1`

Sambungkan Ailoot kepada Claude Code, OpenCode, Hermes atau aplikasi anda.

## Syarikat dan portfolio projeknya

Syarikat dan portfolio projeknya: jutaan pelanggan; jualan bernilai berbilion setiap bulan.

## Beli token dengan diskaun.

Diskaun langganan untuk penggunaan berkala. Kod promosi — sehingga 50% bagi pembelian token.

Langganan

Pilih pelan berdiskaun untuk permintaan berkala anda.

Kod promosi sehingga 50%

Masukkan kod semasa pembelian. Harga dikira semula mengikut promosi semasa.

Perbelanjaan dalam sejarah

Model, token dan jumlah disimpan bagi setiap permintaan.

[Pilih langganan](https://ailoot.ai/docs/ms/billing/subscriptions/) · [Lihat harga model](https://ailoot.ai/models/ms/)

## Sambungkan API kepada produk yang anda jual.

SaaS, aplikasi dan bot — di bawah tawaran rasmi serta perjanjian lesen Ailoot. Untuk jualan semula, mohon lesen penjual semula.

Aplikasi komersial

Tambahkan penjanaan teks, imej, video dan audio pada ciri berbayar perkhidmatan anda.

Lesen penjual semula

Hantar keterangan projek dan susunan akses. Minta terma penggunaan serta jualan semula secara bertulis.

Dokumen pada laman

Tawaran, perjanjian lesen dan dasar pemprosesan data tersedia sebelum sambungan.

[Mohon lesen penjual semula](mailto:support@ailoot.ai) · [Tawaran dan perjanjian lesen](https://ailoot.ai/legal/offer?lang=ms)

## Ailoot · Syarikat dan portfolio projeknya





Ailoot berteraskan pengalaman operasi yang mantap, pangkalan pelanggan yang besar, perkhidmatan yang stabil dan pemantauan KPI berterusan.





Syarikat dan portfolio projeknya: jutaan pelanggan; jualan bernilai berbilion setiap bulan.





Ailoot menggunakan pengalaman operasi ini untuk akses API kepada ciri AI dalam produk pelanggan, ejen, aplikasi dan automasi.