E5-Large-v2 er intfloats engelskspråklige tekstembeddingmodell med 24 lag og et 1024-dimensjonalt resultat. Den er utviklet for å representere forespørsler og passasjer numerisk for gjenfinning og andre embeddingoppgaver. E5s forberedelseskonvensjon er en del av treningen: Inndatateksten har et rolleprefiks, og de kodede tokenrepresentasjonene samles med pooling til én vektor for teksten.
Ved asymmetrisk gjenfinning starter spørsmålet med «query:» og korpusteksten med «passage:». Disse rollene skiller det brukeren leter etter, fra materialet som kan besvare det. For symmetrisk sammenligning, parafrasesøk, klyngedannelse eller egenskaper til klassifisering anbefaler produsenten «query:» for tekstene som skal embeddes.
En praktisk samling kan indeksere engelske supportforklaringer. Forbered et spørsmål som «query: What should I check before replacing the connector?», og par det med kildepassasjer som beskriver kontrollene og unntakene. Passasjeteksten beholder sitt tilsvarende prefiks. Lagre kildeidentifikatoren og den opprinnelige ordlyden ved siden av hver vektor, slik at resultatet kan returnere materialet brukeren trenger å lese.
Prefiksene er ikke dekorative etiketter som kan fjernes fra den ene siden av oppgaven. Produsenten oppgir at utelatelse svekker gjenfinningsytelsen fordi modellen ble trent med denne forberedelsen. Bruk den valgte rollen konsekvent når korpuset bygges, og når en forespørsel senere embeddes.
Det offisielle kodingseksemplet beregner gjennomsnittet av tokenrepresentasjonene og utelukker paddingposisjoner med attention-masken. Deretter normaliseres den resulterende vektoren. Et prikkprodukt mellom normaliserte forespørsels- og passasjevektorer gir cosinuslikhet for å ordne kandidater. Denne oppskriften på gjennomsnittspooling tilhører E5-Large-v2; en oppskrift med pooling av første token fra en annen familie er et separat forberedelsesvalg.
De 1024 resultatverdiene utgjør embeddingvektoren, ikke et skriftlig svar eller en direkte kategorietikett. Et søketrinn sammenligner verdiene med kompatible korpusrepresentasjoner, og et senere trinn bruker den valgte passasjeteksten. Hvis vektorer fungerer som egenskaper for klyngedannelse eller en klassifikator, må koblingen mellom hver vektor og inndataposten hvis egenskaper den representerer, bevares.
Modellkortet angir kun engelskspråklig tekst og avkorting av lange inndata til høyst 512 tokener. Hold hver dokumentpassasje sammenhengende innenfor dette vinduet, inkludert rolleprefikset og nyttig kildekontekst. En lang håndbok bør forberedes som deler med titler, betingelser og instruksjoner som kan forstås når de gjenfinnes separat.
Et avsnitt som beskriver en innstilling, kan for eksempel trenge definisjonen av innstillingen og et unntak i neste setning. Bevar denne lille enheten samlet fremfor å dele rent etter antall tegn. Hold det overordnede dokumentet og kildeversjonen sammen med passasjen, slik at en oppdatering erstatter riktig materiale.
Produsenten forklarer at rekkefølgen på cosinusskårene betyr mer enn de absolutte verdiene. En skår bør ikke tolkes som en kalibrert sannsynlighet for at en passasje besvarer spørsmålet. Kontroller kjente passasjer som inneholder svaret, og nærliggende irrelevant materiale når du velger hvor mange resultater som skal beholdes, eller hvor et kandidatsett skal filtreres.
Det nyttige resultatet er en korpus- eller forespørselsrepresentasjon, et semantisk sammenligningssignal eller numeriske egenskaper for en annen oppgave. Dette nøyaktige engelske Large v2-checkpointet er fortsatt atskilt fra E5-Base-v2 og Multilingual-E5-Large. Samsvarende dimensjoner alene gjør ikke vektorene til et dokumentert felles embeddingrom.
", "aboutText": "E5-Large-v2 er intfloats engelskspråklige tekstembeddingmodell med 24 lag og et 1024-dimensjonalt resultat. Den er utviklet for å representere forespørsler og passasjer numerisk for gjenfinning og andre embeddingoppgaver. E5s forberedelseskonvensjon er en del av treningen: Inndatateksten har et rolleprefiks, og de kodede tokenrepresentasjonene samles med pooling til én vektor for teksten.\n\n### Hold query- og passage-rollene uttrykkelige\n\nVed asymmetrisk gjenfinning starter spørsmålet med «query:» og korpusteksten med «passage:». Disse rollene skiller det brukeren leter etter, fra materialet som kan besvare det. For symmetrisk sammenligning, parafrasesøk, klyngedannelse eller egenskaper til klassifisering anbefaler produsenten «query:» for tekstene som skal embeddes.\n\nEn praktisk samling kan indeksere engelske supportforklaringer. Forbered et spørsmål som «query: What should I check before replacing the connector?», og par det med kildepassasjer som beskriver kontrollene og unntakene. Passasjeteksten beholder sitt tilsvarende prefiks. Lagre kildeidentifikatoren og den opprinnelige ordlyden ved siden av hver vektor, slik at resultatet kan returnere materialet brukeren trenger å lese.\n\nPrefiksene er ikke dekorative etiketter som kan fjernes fra den ene siden av oppgaven. Produsenten oppgir at utelatelse svekker gjenfinningsytelsen fordi modellen ble trent med denne forberedelsen. Bruk den valgte rollen konsekvent når korpuset bygges, og når en forespørsel senere embeddes.\n\n### Gjennomsnittspooling og normaliserte vektorer\n\nDet offisielle kodingseksemplet beregner gjennomsnittet av tokenrepresentasjonene og utelukker paddingposisjoner med attention-masken. Deretter normaliseres den resulterende vektoren. Et prikkprodukt mellom normaliserte forespørsels- og passasjevektorer gir cosinuslikhet for å ordne kandidater. Denne oppskriften på gjennomsnittspooling tilhører E5-Large-v2; en oppskrift med pooling av første token fra en annen familie er et separat forberedelsesvalg.\n\nDe 1024 resultatverdiene utgjør embeddingvektoren, ikke et skriftlig svar eller en direkte kategorietikett. Et søketrinn sammenligner verdiene med kompatible korpusrepresentasjoner, og et senere trinn bruker den valgte passasjeteksten. Hvis vektorer fungerer som egenskaper for klyngedannelse eller en klassifikator, må koblingen mellom hver vektor og inndataposten hvis egenskaper den representerer, bevares.\n\n### Engelsk tekst innenfor vinduet\n\nModellkortet angir kun engelskspråklig tekst og avkorting av lange inndata til høyst 512 tokener. Hold hver dokumentpassasje sammenhengende innenfor dette vinduet, inkludert rolleprefikset og nyttig kildekontekst. En lang håndbok bør forberedes som deler med titler, betingelser og instruksjoner som kan forstås når de gjenfinnes separat.\n\nEt avsnitt som beskriver en innstilling, kan for eksempel trenge definisjonen av innstillingen og et unntak i neste setning. Bevar denne lille enheten samlet fremfor å dele rent etter antall tegn. Hold det overordnede dokumentet og kildeversjonen sammen med passasjen, slik at en oppdatering erstatter riktig materiale.\n\n### Les rangeringen som gjenfinningsevidens\n\nProdusenten forklarer at rekkefølgen på cosinusskårene betyr mer enn de absolutte verdiene. En skår bør ikke tolkes som en kalibrert sannsynlighet for at en passasje besvarer spørsmålet. Kontroller kjente passasjer som inneholder svaret, og nærliggende irrelevant materiale når du velger hvor mange resultater som skal beholdes, eller hvor et kandidatsett skal filtreres.\n\nDet nyttige resultatet er en korpus- eller forespørselsrepresentasjon, et semantisk sammenligningssignal eller numeriske egenskaper for en annen oppgave. Dette nøyaktige engelske Large v2-checkpointet er fortsatt atskilt fra E5-Base-v2 og Multilingual-E5-Large. Samsvarende dimensjoner alene gjør ikke vektorene til et dokumentert felles embeddingrom.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "7bb0ce4f3d067707cf2201a62a745224f53efee4f829e00cc9180c2d5d166e33", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nb", "methods": [ { "html": "intfloat/e5-large-v2intfloat E5-Large-v2 koder engelske forespørsler og passasjer som 1024-dimensjonale vektorer. Modellen på 24 lag bruker query/passage-roller, gjennomsnittspooling og en inndatagrense på 512 tokener for søk, semantisk likhet og numeriske tekstegenskaper.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
E5-Large-v2 er intfloats engelskspråklige tekstembeddingmodell med 24 lag og et 1024-dimensjonalt resultat. Den er utviklet for å representere forespørsler og passasjer numerisk for gjenfinning og andre embeddingoppgaver. E5s forberedelseskonvensjon er en del av treningen: Inndatateksten har et rolleprefiks, og de kodede tokenrepresentasjonene samles med pooling til én vektor for teksten.
Ved asymmetrisk gjenfinning starter spørsmålet med «query:» og korpusteksten med «passage:». Disse rollene skiller det brukeren leter etter, fra materialet som kan besvare det. For symmetrisk sammenligning, parafrasesøk, klyngedannelse eller egenskaper til klassifisering anbefaler produsenten «query:» for tekstene som skal embeddes.
En praktisk samling kan indeksere engelske supportforklaringer. Forbered et spørsmål som «query: What should I check before replacing the connector?», og par det med kildepassasjer som beskriver kontrollene og unntakene. Passasjeteksten beholder sitt tilsvarende prefiks. Lagre kildeidentifikatoren og den opprinnelige ordlyden ved siden av hver vektor, slik at resultatet kan returnere materialet brukeren trenger å lese.
Prefiksene er ikke dekorative etiketter som kan fjernes fra den ene siden av oppgaven. Produsenten oppgir at utelatelse svekker gjenfinningsytelsen fordi modellen ble trent med denne forberedelsen. Bruk den valgte rollen konsekvent når korpuset bygges, og når en forespørsel senere embeddes.
Det offisielle kodingseksemplet beregner gjennomsnittet av tokenrepresentasjonene og utelukker paddingposisjoner med attention-masken. Deretter normaliseres den resulterende vektoren. Et prikkprodukt mellom normaliserte forespørsels- og passasjevektorer gir cosinuslikhet for å ordne kandidater. Denne oppskriften på gjennomsnittspooling tilhører E5-Large-v2; en oppskrift med pooling av første token fra en annen familie er et separat forberedelsesvalg.
De 1024 resultatverdiene utgjør embeddingvektoren, ikke et skriftlig svar eller en direkte kategorietikett. Et søketrinn sammenligner verdiene med kompatible korpusrepresentasjoner, og et senere trinn bruker den valgte passasjeteksten. Hvis vektorer fungerer som egenskaper for klyngedannelse eller en klassifikator, må koblingen mellom hver vektor og inndataposten hvis egenskaper den representerer, bevares.
Modellkortet angir kun engelskspråklig tekst og avkorting av lange inndata til høyst 512 tokener. Hold hver dokumentpassasje sammenhengende innenfor dette vinduet, inkludert rolleprefikset og nyttig kildekontekst. En lang håndbok bør forberedes som deler med titler, betingelser og instruksjoner som kan forstås når de gjenfinnes separat.
Et avsnitt som beskriver en innstilling, kan for eksempel trenge definisjonen av innstillingen og et unntak i neste setning. Bevar denne lille enheten samlet fremfor å dele rent etter antall tegn. Hold det overordnede dokumentet og kildeversjonen sammen med passasjen, slik at en oppdatering erstatter riktig materiale.
Produsenten forklarer at rekkefølgen på cosinusskårene betyr mer enn de absolutte verdiene. En skår bør ikke tolkes som en kalibrert sannsynlighet for at en passasje besvarer spørsmålet. Kontroller kjente passasjer som inneholder svaret, og nærliggende irrelevant materiale når du velger hvor mange resultater som skal beholdes, eller hvor et kandidatsett skal filtreres.
Det nyttige resultatet er en korpus- eller forespørselsrepresentasjon, et semantisk sammenligningssignal eller numeriske egenskaper for en annen oppgave. Dette nøyaktige engelske Large v2-checkpointet er fortsatt atskilt fra E5-Base-v2 og Multilingual-E5-Large. Samsvarende dimensjoner alene gjør ikke vektorene til et dokumentert felles embeddingrom.
POST /v1/embeddingstext, token_idsembedding| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser intfloat/e5-large-v2 | Standard— |
Feltinput | Typestring|string[]|integer[]|integer[][] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 Vilkår: Ikke-tom batch med ensartede elementer. Token-ID-er er ikke-negative heltall. Inndatabudsjett: Maksimum: 512 · Tekstenhet: UTF8-byte · Tokenenhet: elementer i token-arrayet | Standard— |
Feltencoding_format | Typestring | KravValgfritt | Verdier & grenser float | Standardfloat |
Feltdimensions | Typeinteger | KravStøttes ikke | Verdier & grenser Minimum: 1 | Standard— |
Feltuser | Typejson_value | KravValgfritt | Verdier & grenser Vilkår: Kilden tillater dette JSON-metadatafeltet; den nøyaktige semantikken hos den underliggende leverandøren er modellavhengig. | Standard— |
Feltsession_id | Typejson_value | KravValgfritt | Verdier & grenser Vilkår: Kilden tillater dette JSON-metadatafeltet; den nøyaktige semantikken hos den underliggende leverandøren er modellavhengig. | Standard— |
Felttrace | Typejson_value | KravValgfritt | Verdier & grenser Vilkår: Kilden tillater dette JSON-metadatafeltet; den nøyaktige semantikken hos den underliggende leverandøren er modellavhengig. | Standard— |
Feltprovider | Typeobject | KravValgfritt | Verdier & grenser Vilkår: provider.options avvises | Standard— |
text_to_embedding
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, input |
Parameterinput_shapes | Avtalestring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parameterencoding_format | Avtalefloat |
Parameterdimensions_override | Avtalefalse |
Parametermax_input_budget_units | Avtale512 |
Parametermultimodal_objects | Avtalefalse |
Parametermaterial_types | Avtaletext, token_ids |
Livssyklus: synchronous_json
Bevar hver vektors indeks og dimensjon.
Et multimodalt modellnavn innebærer ikke at bildeobjekter er tillatt på denne nøyaktige stien.
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.00002 / 1K tokener Utdata · Utgående tokener $0 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "intfloat/e5-large-v2", "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\nfrom 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='intfloat/e5-large-v2',input=["First document","Second document"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\njson
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Bevar hver vektor sammen med indeksen. Antall vektorer må være lik antall inndata; dimensjonene må være konsistente.
Det innføres ikke noe endepunkt for embedding-jobber.
| Felt | Type |
|---|---|
Feltobject | Typestring |
Feltmodel | Typestring |
Feltdata[].index | Typeinteger |
Feltdata[].embedding | Typefinite float[] |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra intfloat/e5-large-v2
Bruk metodestiene som vises ovenfor.