E5-Large-v2 is het Engelse tekstembeddingmodel van intfloat met vierentwintig lagen en een 1024-dimensionale uitvoer. Het is ontworpen om zoekvragen en passages numeriek te representeren voor informatieopvraging en andere embeddingtaken. De E5-voorbereidingsconventie maakt deel uit van de training: de invoertekst draagt een rolprefix en de gecodeerde tokenrepresentaties worden via pooling samengevoegd tot één vector voor die tekst.
Begin bij asymmetrische informatieopvraging de vraag met “query:” en de corpustekst met “passage:”. Die rollen onderscheiden wat de gebruiker zoekt van het materiaal dat daarop een antwoord kan geven. Voor symmetrische vergelijking, parafrasezoeken, clustering of classificatiekenmerken beveelt de maker “query:” aan voor de teksten die worden ingebed.
Een praktische verzameling kan Engelse supportuitleg indexeren. Bereid een vraag voor zoals “query: What should I check before replacing the connector?” en koppel die aan bronpassages die de controles en uitzonderingen beschrijven. De passagetekst behoudt het bijbehorende prefix. Bewaar de bronidentifier en de oorspronkelijke bewoordingen bij elke vector, zodat het resultaat het materiaal kan teruggeven dat een gebruiker moet lezen.
De prefixen zijn geen decoratieve labels die aan één kant van de taak kunnen worden verwijderd. De fabrikant stelt dat het weglaten ervan de zoekprestaties verslechtert omdat het model met die voorbereiding is getraind. Pas de gekozen rol consistent toe bij het opbouwen van het corpus en bij het later inbedden van een zoekvraag.
Het officiële codeervoorbeeld neemt het gemiddelde van de tokenrepresentaties en sluit daarbij paddingposities uit met het attention-masker. Vervolgens normaliseert het de resulterende vector. Een inproduct tussen genormaliseerde zoekvraag- en passagevectoren levert cosinusgelijkenis op om kandidaten te rangschikken. Dit recept voor mean pooling hoort bij E5-Large-v2; een recept dat het eerste token gebruikt uit een andere familie is een afzonderlijke voorbereidingskeuze.
De 1024 uitvoerwaarden vormen de embedding, geen geschreven antwoord of rechtstreeks categorielabel. Een zoekfase vergelijkt die waarden met compatibele corpusrepresentaties en een latere fase gebruikt de geselecteerde passagetekst. Als vectoren als kenmerken voor clustering of een classifier dienen, behoud dan de koppeling tussen elke vector en het invoerrecord waarvan hij de kenmerken vertegenwoordigt.
De modelkaart specificeert uitsluitend Engelse tekst en het afkappen van lange invoer op maximaal 512 tokens. Houd elke documentpassage samenhangend binnen dat venster, inclusief het rolprefix en nuttige broncontext. Een lange handleiding moet worden voorbereid als secties waarvan titels, voorwaarden en instructies ook bij afzonderlijk ophalen begrijpelijk zijn.
Een clausule die een instelling beschrijft kan bijvoorbeeld de definitie van die instelling en een uitzondering in de volgende zin nodig hebben. Bewaar die kleine eenheid samen in plaats van uitsluitend op een tekenaantal te splitsen. Bewaar het bovenliggende document en de bronversie bij de passage, zodat een update het juiste materiaal vervangt.
De maker legt uit dat de volgorde van cosinusscores belangrijker is dan hun absolute waarden. Een score mag niet worden geïnterpreteerd als een gekalibreerde waarschijnlijkheid dat een passage de vraag beantwoordt. Controleer bekende antwoorddragende passages en nabijgelegen irrelevant materiaal wanneer u kiest hoeveel resultaten behouden blijven of waar een kandidatenverzameling wordt gefilterd.
De bruikbare uitvoer is een corpus- of zoekvraagrepresentatie, een signaal voor semantische vergelijking of numerieke kenmerken voor een andere taak. Dit exacte Engelse Large-v2-checkpoint blijft onderscheiden van E5-Base-v2 en Multilingual-E5-Large. Overeenkomende dimensies alleen maken hun vectoren niet tot een gedocumenteerde gemeenschappelijke embeddingruimte.
", "aboutText": "E5-Large-v2 is het Engelse tekstembeddingmodel van intfloat met vierentwintig lagen en een 1024-dimensionale uitvoer. Het is ontworpen om zoekvragen en passages numeriek te representeren voor informatieopvraging en andere embeddingtaken. De E5-voorbereidingsconventie maakt deel uit van de training: de invoertekst draagt een rolprefix en de gecodeerde tokenrepresentaties worden via pooling samengevoegd tot één vector voor die tekst.\n\n### Maak de rollen van zoekvraag en passage expliciet\n\nBegin bij asymmetrische informatieopvraging de vraag met “query:” en de corpustekst met “passage:”. Die rollen onderscheiden wat de gebruiker zoekt van het materiaal dat daarop een antwoord kan geven. Voor symmetrische vergelijking, parafrasezoeken, clustering of classificatiekenmerken beveelt de maker “query:” aan voor de teksten die worden ingebed.\n\nEen praktische verzameling kan Engelse supportuitleg indexeren. Bereid een vraag voor zoals “query: What should I check before replacing the connector?” en koppel die aan bronpassages die de controles en uitzonderingen beschrijven. De passagetekst behoudt het bijbehorende prefix. Bewaar de bronidentifier en de oorspronkelijke bewoordingen bij elke vector, zodat het resultaat het materiaal kan teruggeven dat een gebruiker moet lezen.\n\nDe prefixen zijn geen decoratieve labels die aan één kant van de taak kunnen worden verwijderd. De fabrikant stelt dat het weglaten ervan de zoekprestaties verslechtert omdat het model met die voorbereiding is getraind. Pas de gekozen rol consistent toe bij het opbouwen van het corpus en bij het later inbedden van een zoekvraag.\n\n### Mean pooling en genormaliseerde vectoren\n\nHet officiële codeervoorbeeld neemt het gemiddelde van de tokenrepresentaties en sluit daarbij paddingposities uit met het attention-masker. Vervolgens normaliseert het de resulterende vector. Een inproduct tussen genormaliseerde zoekvraag- en passagevectoren levert cosinusgelijkenis op om kandidaten te rangschikken. Dit recept voor mean pooling hoort bij E5-Large-v2; een recept dat het eerste token gebruikt uit een andere familie is een afzonderlijke voorbereidingskeuze.\n\nDe 1024 uitvoerwaarden vormen de embedding, geen geschreven antwoord of rechtstreeks categorielabel. Een zoekfase vergelijkt die waarden met compatibele corpusrepresentaties en een latere fase gebruikt de geselecteerde passagetekst. Als vectoren als kenmerken voor clustering of een classifier dienen, behoud dan de koppeling tussen elke vector en het invoerrecord waarvan hij de kenmerken vertegenwoordigt.\n\n### Engelse tekst binnen het venster\n\nDe modelkaart specificeert uitsluitend Engelse tekst en het afkappen van lange invoer op maximaal 512 tokens. Houd elke documentpassage samenhangend binnen dat venster, inclusief het rolprefix en nuttige broncontext. Een lange handleiding moet worden voorbereid als secties waarvan titels, voorwaarden en instructies ook bij afzonderlijk ophalen begrijpelijk zijn.\n\nEen clausule die een instelling beschrijft kan bijvoorbeeld de definitie van die instelling en een uitzondering in de volgende zin nodig hebben. Bewaar die kleine eenheid samen in plaats van uitsluitend op een tekenaantal te splitsen. Bewaar het bovenliggende document en de bronversie bij de passage, zodat een update het juiste materiaal vervangt.\n\n### Lees de rangschikking als aanwijzing voor informatieopvraging\n\nDe maker legt uit dat de volgorde van cosinusscores belangrijker is dan hun absolute waarden. Een score mag niet worden geïnterpreteerd als een gekalibreerde waarschijnlijkheid dat een passage de vraag beantwoordt. Controleer bekende antwoorddragende passages en nabijgelegen irrelevant materiaal wanneer u kiest hoeveel resultaten behouden blijven of waar een kandidatenverzameling wordt gefilterd.\n\nDe bruikbare uitvoer is een corpus- of zoekvraagrepresentatie, een signaal voor semantische vergelijking of numerieke kenmerken voor een andere taak. Dit exacte Engelse Large-v2-checkpoint blijft onderscheiden van E5-Base-v2 en Multilingual-E5-Large. Overeenkomende dimensies alleen maken hun vectoren niet tot een gedocumenteerde gemeenschappelijke embeddingruimte.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "68c2e78effec9e0dd53eac5e1a540fa74c0ae1e50fbc0e3eaf15acb8481bc1cb", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nl-be", "methods": [ { "html": "intfloat/e5-large-v2intfloat E5-Large-v2 codeert Engelse zoekvragen en passages als 1024-dimensionale vectoren. Het model met 24 lagen gebruikt query/passage-rollen, mean pooling en een invoerlimiet van 512 tokens voor zoeken, semantische gelijkenis en numerieke tekstkenmerken.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
E5-Large-v2 is het Engelse tekstembeddingmodel van intfloat met vierentwintig lagen en een 1024-dimensionale uitvoer. Het is ontworpen om zoekvragen en passages numeriek te representeren voor informatieopvraging en andere embeddingtaken. De E5-voorbereidingsconventie maakt deel uit van de training: de invoertekst draagt een rolprefix en de gecodeerde tokenrepresentaties worden via pooling samengevoegd tot één vector voor die tekst.
Begin bij asymmetrische informatieopvraging de vraag met “query:” en de corpustekst met “passage:”. Die rollen onderscheiden wat de gebruiker zoekt van het materiaal dat daarop een antwoord kan geven. Voor symmetrische vergelijking, parafrasezoeken, clustering of classificatiekenmerken beveelt de maker “query:” aan voor de teksten die worden ingebed.
Een praktische verzameling kan Engelse supportuitleg indexeren. Bereid een vraag voor zoals “query: What should I check before replacing the connector?” en koppel die aan bronpassages die de controles en uitzonderingen beschrijven. De passagetekst behoudt het bijbehorende prefix. Bewaar de bronidentifier en de oorspronkelijke bewoordingen bij elke vector, zodat het resultaat het materiaal kan teruggeven dat een gebruiker moet lezen.
De prefixen zijn geen decoratieve labels die aan één kant van de taak kunnen worden verwijderd. De fabrikant stelt dat het weglaten ervan de zoekprestaties verslechtert omdat het model met die voorbereiding is getraind. Pas de gekozen rol consistent toe bij het opbouwen van het corpus en bij het later inbedden van een zoekvraag.
Het officiële codeervoorbeeld neemt het gemiddelde van de tokenrepresentaties en sluit daarbij paddingposities uit met het attention-masker. Vervolgens normaliseert het de resulterende vector. Een inproduct tussen genormaliseerde zoekvraag- en passagevectoren levert cosinusgelijkenis op om kandidaten te rangschikken. Dit recept voor mean pooling hoort bij E5-Large-v2; een recept dat het eerste token gebruikt uit een andere familie is een afzonderlijke voorbereidingskeuze.
De 1024 uitvoerwaarden vormen de embedding, geen geschreven antwoord of rechtstreeks categorielabel. Een zoekfase vergelijkt die waarden met compatibele corpusrepresentaties en een latere fase gebruikt de geselecteerde passagetekst. Als vectoren als kenmerken voor clustering of een classifier dienen, behoud dan de koppeling tussen elke vector en het invoerrecord waarvan hij de kenmerken vertegenwoordigt.
De modelkaart specificeert uitsluitend Engelse tekst en het afkappen van lange invoer op maximaal 512 tokens. Houd elke documentpassage samenhangend binnen dat venster, inclusief het rolprefix en nuttige broncontext. Een lange handleiding moet worden voorbereid als secties waarvan titels, voorwaarden en instructies ook bij afzonderlijk ophalen begrijpelijk zijn.
Een clausule die een instelling beschrijft kan bijvoorbeeld de definitie van die instelling en een uitzondering in de volgende zin nodig hebben. Bewaar die kleine eenheid samen in plaats van uitsluitend op een tekenaantal te splitsen. Bewaar het bovenliggende document en de bronversie bij de passage, zodat een update het juiste materiaal vervangt.
De maker legt uit dat de volgorde van cosinusscores belangrijker is dan hun absolute waarden. Een score mag niet worden geïnterpreteerd als een gekalibreerde waarschijnlijkheid dat een passage de vraag beantwoordt. Controleer bekende antwoorddragende passages en nabijgelegen irrelevant materiaal wanneer u kiest hoeveel resultaten behouden blijven of waar een kandidatenverzameling wordt gefilterd.
De bruikbare uitvoer is een corpus- of zoekvraagrepresentatie, een signaal voor semantische vergelijking of numerieke kenmerken voor een andere taak. Dit exacte Engelse Large-v2-checkpoint blijft onderscheiden van E5-Base-v2 en Multilingual-E5-Large. Overeenkomende dimensies alleen maken hun vectoren niet tot een gedocumenteerde gemeenschappelijke embeddingruimte.
POST /v1/embeddingstext, token_idsembedding| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten intfloat/e5-large-v2 | Standaard— |
Veldinput | Typestring|string[]|integer[]|integer[][] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 Voorwaarden: Niet-lege homogene batch. Token-ID's zijn niet-negatieve gehele getallen. Invoerbudget: Maximum: 512 · Teksteenheid: UTF8-bytes · Tokeneenheid: elementen van de token-array | Standaard— |
Veldencoding_format | Typestring | VereisteOptioneel | Waarden en limieten float | Standaardfloat |
Velddimensions | Typeinteger | VereisteNiet ondersteund | Waarden en limieten Minimum: 1 | Standaard— |
Velduser | Typejson_value | VereisteOptioneel | Waarden en limieten Voorwaarden: De bron staat dit JSON-metadataveld toe; de precieze betekenis bij de achterliggende leverancier is modelspecifiek. | Standaard— |
Veldsession_id | Typejson_value | VereisteOptioneel | Waarden en limieten Voorwaarden: De bron staat dit JSON-metadataveld toe; de precieze betekenis bij de achterliggende leverancier is modelspecifiek. | Standaard— |
Veldtrace | Typejson_value | VereisteOptioneel | Waarden en limieten Voorwaarden: De bron staat dit JSON-metadataveld toe; de precieze betekenis bij de achterliggende leverancier is modelspecifiek. | Standaard— |
Veldprovider | Typeobject | VereisteOptioneel | Waarden en limieten Voorwaarden: provider.options geweigerd | Standaard— |
text_to_embedding
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, input |
Parameterinput_shapes | Contractstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parameterencoding_format | Contractfloat |
Parameterdimensions_override | Contractfalse |
Parametermax_input_budget_units | Contract512 |
Parametermultimodal_objects | Contractfalse |
Parametermaterial_types | Contracttext, token_ids |
Levenscyclus: synchronous_json
Bewaar elke vectorindex en -dimensie.
Ook bij een multimodale modelnaam zijn afbeeldingsobjecten op dit specifieke pad niet toegestaan.
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.00002 / 1K tokens Uitvoer · Uitvoertokens $0 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${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
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar elke vector met zijn index. Het aantal vectoren moet gelijk zijn aan het aantal invoeritems; de dimensies moeten consistent zijn.
Er wordt geen endpoint voor embeddingtaken toegevoegd.
| Veld | Type |
|---|---|
Veldobject | Typestring |
Veldmodel | Typestring |
Velddata[].index | Typeinteger |
Velddata[].embedding | Typefinite float[] |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra intfloat/e5-large-v2
Gebruik de hierboven getoonde methodepaden.