LFM2.5-Embedding-350M is de dense bi-encoder van LiquidAI voor meertalige en taaloverschrijdende informatieopvraging. Het produceert één 1024-dimensionale vector voor elke tekst en richt zich op zoeken met korte context in elf talen. De benoemde 350M-modelfamilie gebruikt een bidirectionele aanpassing van LFM2.5-350M-Base; de gedetailleerde modeltabel geeft ongeveer 354 miljoen parameters voor deze embeddingeditie.
De fabrikant past de basisarchitectuur zo aan dat attention en lokale convoluties context aan beide kanten van een token kunnen gebruiken. Pooling in CLS-stijl zet de verwerkte tekst om in één dense vector. De modeltabel beschrijft zeventien lagen: tien convolutieblokken, zes attention-blokken en een poolingfase. Dit is een zoekencoder met eigen voorbereiding en uitvoer, niet de tekstgeneratietaak van het basismodel.
Het afzonderlijk benoemde LFM2.5-ColBERT-350M behoudt vectoren per token voor late interactie. Die representatie vereist een andere index- en vergelijkingsmethode. Het Embedding-model hier levert één vector per document of zoekvraag, met cosinusgelijkenis als gedocumenteerde vergelijking.
Bereid zoekvragen voor met “query:” en bronpassages met “document:”. De fabrikant slaat die prompts in de configuratie op en de referentieworkflow past de passende promptnaam toe. Hij beveelt specifiek aan aan elke kant de bijbehorende rol te gebruiken omdat het model met die prefixen is getraind. Dit documentprefix verschilt van de “passage:”-conventie van E5-modellen.
Een praktische productzoekverzameling kan beschrijvingen in de ondersteunde talen bevatten. Bereid de zoekformulering van de gebruiker als query en elke productbeschrijving als document voor. Bewaar de oorspronkelijke tekst, productidentifier en taal bij de vector, zodat een zoekresultaat het bijbehorende record kan teruggeven. Behoud bij een supportverzameling het beleid of de instructie die voor de vraag relevant is in plaats van die door een niet-gerelateerd kort label te vervangen.
De gedocumenteerde talen zijn Engels, Spaans, Duits, Frans, Italiaans, Portugees, Arabisch, Zweeds, Noors, Japans en Koreaans. De fabrikant richt zich expliciet op zowel informatieopvraging binnen een taal als over taalgrenzen heen. Bereid echte vragen uit de beoogde doelgroep voor en onderzoek de geretourneerde documenttekst in die talen.
De specificatie voor documentlengte is 512 tokens. Verdeel een lange bron in samenhangende passages die de kop, definities en voorwaarden behouden die een opgehaald resultaat nodig heeft. Het rolprefix en de toegevoegde context behoren tot de voorbereide invoer. Een FAQ-antwoord, een productuitleg of een gerichte sectie van een technisch document is een geschiktere eenheid dan een volledige te grote handleiding.
De maker beschrijft drie trainingsfasen: Engelse contrastieve voortraining, meertalige en taaloverschrijdende distillatie en vervolgens finetuning met gericht gemijnde moeilijke negatieve voorbeelden. Het resulterende model is bedoeld voor productcatalogi, FAQ- en supportverzamelingen, bestands- of notitiezoeken en het ophalen van bedrijfskennis. Dat zijn taken voor tekstrepresentaties, geen claims over de uitrol van een specifieke toepassing.
Het producentvoorbeeld normaliseert zoekvraag- en documentvectoren en rangschikt ze met een inproduct, gelijkwaardig aan cosinusgelijkenis. Bereken de corpusrepresentaties vooraf wanneer het bronmateriaal wordt voorbereid, embed daarna een zoekvraag en retourneer kandidaatdocumenten met hun tekst en identifiers. Bewaar het gekozen model en de rolconventie bij de index, zodat de numerieke vergelijking compatibele representaties gebruikt.
Het bruikbare resultaat is een compacte dense zoekindex of een zoekvraagvector die bronmateriaal over de gedocumenteerde talen heen ophaalt. Deze exacte LFM2.5-Embedding-editie blijft onderscheiden van de bijbehorende ColBERT-editie, oudere LFM2-zoekmodellen en extern gekwantiseerde implementaties. De geselecteerde passagetekst is de onderbouwing die een lezer of een latere RAG-antwoordfase gebruikt.
", "aboutText": "LFM2.5-Embedding-350M is de dense bi-encoder van LiquidAI voor meertalige en taaloverschrijdende informatieopvraging. Het produceert één 1024-dimensionale vector voor elke tekst en richt zich op zoeken met korte context in elf talen. De benoemde 350M-modelfamilie gebruikt een bidirectionele aanpassing van LFM2.5-350M-Base; de gedetailleerde modeltabel geeft ongeveer 354 miljoen parameters voor deze embeddingeditie.\n\n### Een bidirectionele zoekrepresentatie\n\nDe fabrikant past de basisarchitectuur zo aan dat attention en lokale convoluties context aan beide kanten van een token kunnen gebruiken. Pooling in CLS-stijl zet de verwerkte tekst om in één dense vector. De modeltabel beschrijft zeventien lagen: tien convolutieblokken, zes attention-blokken en een poolingfase. Dit is een zoekencoder met eigen voorbereiding en uitvoer, niet de tekstgeneratietaak van het basismodel.\n\nHet afzonderlijk benoemde LFM2.5-ColBERT-350M behoudt vectoren per token voor late interactie. Die representatie vereist een andere index- en vergelijkingsmethode. Het Embedding-model hier levert één vector per document of zoekvraag, met cosinusgelijkenis als gedocumenteerde vergelijking.\n\n### Gebruik de juiste asymmetrische prompts\n\nBereid zoekvragen voor met “query:” en bronpassages met “document:”. De fabrikant slaat die prompts in de configuratie op en de referentieworkflow past de passende promptnaam toe. Hij beveelt specifiek aan aan elke kant de bijbehorende rol te gebruiken omdat het model met die prefixen is getraind. Dit documentprefix verschilt van de “passage:”-conventie van E5-modellen.\n\nEen praktische productzoekverzameling kan beschrijvingen in de ondersteunde talen bevatten. Bereid de zoekformulering van de gebruiker als query en elke productbeschrijving als document voor. Bewaar de oorspronkelijke tekst, productidentifier en taal bij de vector, zodat een zoekresultaat het bijbehorende record kan teruggeven. Behoud bij een supportverzameling het beleid of de instructie die voor de vraag relevant is in plaats van die door een niet-gerelateerd kort label te vervangen.\n\n### Talen en passagegrootte\n\nDe gedocumenteerde talen zijn Engels, Spaans, Duits, Frans, Italiaans, Portugees, Arabisch, Zweeds, Noors, Japans en Koreaans. De fabrikant richt zich expliciet op zowel informatieopvraging binnen een taal als over taalgrenzen heen. Bereid echte vragen uit de beoogde doelgroep voor en onderzoek de geretourneerde documenttekst in die talen.\n\nDe specificatie voor documentlengte is 512 tokens. Verdeel een lange bron in samenhangende passages die de kop, definities en voorwaarden behouden die een opgehaald resultaat nodig heeft. Het rolprefix en de toegevoegde context behoren tot de voorbereide invoer. Een FAQ-antwoord, een productuitleg of een gerichte sectie van een technisch document is een geschiktere eenheid dan een volledige te grote handleiding.\n\n### Training en matching\n\nDe maker beschrijft drie trainingsfasen: Engelse contrastieve voortraining, meertalige en taaloverschrijdende distillatie en vervolgens finetuning met gericht gemijnde moeilijke negatieve voorbeelden. Het resulterende model is bedoeld voor productcatalogi, FAQ- en supportverzamelingen, bestands- of notitiezoeken en het ophalen van bedrijfskennis. Dat zijn taken voor tekstrepresentaties, geen claims over de uitrol van een specifieke toepassing.\n\nHet producentvoorbeeld normaliseert zoekvraag- en documentvectoren en rangschikt ze met een inproduct, gelijkwaardig aan cosinusgelijkenis. Bereken de corpusrepresentaties vooraf wanneer het bronmateriaal wordt voorbereid, embed daarna een zoekvraag en retourneer kandidaatdocumenten met hun tekst en identifiers. Bewaar het gekozen model en de rolconventie bij de index, zodat de numerieke vergelijking compatibele representaties gebruikt.\n\nHet bruikbare resultaat is een compacte dense zoekindex of een zoekvraagvector die bronmateriaal over de gedocumenteerde talen heen ophaalt. Deze exacte LFM2.5-Embedding-editie blijft onderscheiden van de bijbehorende ColBERT-editie, oudere LFM2-zoekmodellen en extern gekwantiseerde implementaties. De geselecteerde passagetekst is de onderbouwing die een lezer of een latere RAG-antwoordfase gebruikt.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "f9b45cabb6ad41d9d9572a62b7e2a6629f0176c480093d8c21bae238b54aa780", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nl", "methods": [ { "html": "liquid/lfm-2.5-embedding-350m:freeLiquidAI LFM2.5-Embedding-350M levert per tekst één vector met 1024 dimensies voor meertalig en taaloverschrijdend zoeken. Het richt zich op 11 talen en korte invoer van 512 tokens, met verschillende voorvoegsels voor zoekvragen en documenten.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
LFM2.5-Embedding-350M is de dense bi-encoder van LiquidAI voor meertalige en taaloverschrijdende informatieopvraging. Het produceert één 1024-dimensionale vector voor elke tekst en richt zich op zoeken met korte context in elf talen. De benoemde 350M-modelfamilie gebruikt een bidirectionele aanpassing van LFM2.5-350M-Base; de gedetailleerde modeltabel geeft ongeveer 354 miljoen parameters voor deze embeddingeditie.
De fabrikant past de basisarchitectuur zo aan dat attention en lokale convoluties context aan beide kanten van een token kunnen gebruiken. Pooling in CLS-stijl zet de verwerkte tekst om in één dense vector. De modeltabel beschrijft zeventien lagen: tien convolutieblokken, zes attention-blokken en een poolingfase. Dit is een zoekencoder met eigen voorbereiding en uitvoer, niet de tekstgeneratietaak van het basismodel.
Het afzonderlijk benoemde LFM2.5-ColBERT-350M behoudt vectoren per token voor late interactie. Die representatie vereist een andere index- en vergelijkingsmethode. Het Embedding-model hier levert één vector per document of zoekvraag, met cosinusgelijkenis als gedocumenteerde vergelijking.
Bereid zoekvragen voor met “query:” en bronpassages met “document:”. De fabrikant slaat die prompts in de configuratie op en de referentieworkflow past de passende promptnaam toe. Hij beveelt specifiek aan aan elke kant de bijbehorende rol te gebruiken omdat het model met die prefixen is getraind. Dit documentprefix verschilt van de “passage:”-conventie van E5-modellen.
Een praktische productzoekverzameling kan beschrijvingen in de ondersteunde talen bevatten. Bereid de zoekformulering van de gebruiker als query en elke productbeschrijving als document voor. Bewaar de oorspronkelijke tekst, productidentifier en taal bij de vector, zodat een zoekresultaat het bijbehorende record kan teruggeven. Behoud bij een supportverzameling het beleid of de instructie die voor de vraag relevant is in plaats van die door een niet-gerelateerd kort label te vervangen.
De gedocumenteerde talen zijn Engels, Spaans, Duits, Frans, Italiaans, Portugees, Arabisch, Zweeds, Noors, Japans en Koreaans. De fabrikant richt zich expliciet op zowel informatieopvraging binnen een taal als over taalgrenzen heen. Bereid echte vragen uit de beoogde doelgroep voor en onderzoek de geretourneerde documenttekst in die talen.
De specificatie voor documentlengte is 512 tokens. Verdeel een lange bron in samenhangende passages die de kop, definities en voorwaarden behouden die een opgehaald resultaat nodig heeft. Het rolprefix en de toegevoegde context behoren tot de voorbereide invoer. Een FAQ-antwoord, een productuitleg of een gerichte sectie van een technisch document is een geschiktere eenheid dan een volledige te grote handleiding.
De maker beschrijft drie trainingsfasen: Engelse contrastieve voortraining, meertalige en taaloverschrijdende distillatie en vervolgens finetuning met gericht gemijnde moeilijke negatieve voorbeelden. Het resulterende model is bedoeld voor productcatalogi, FAQ- en supportverzamelingen, bestands- of notitiezoeken en het ophalen van bedrijfskennis. Dat zijn taken voor tekstrepresentaties, geen claims over de uitrol van een specifieke toepassing.
Het producentvoorbeeld normaliseert zoekvraag- en documentvectoren en rangschikt ze met een inproduct, gelijkwaardig aan cosinusgelijkenis. Bereken de corpusrepresentaties vooraf wanneer het bronmateriaal wordt voorbereid, embed daarna een zoekvraag en retourneer kandidaatdocumenten met hun tekst en identifiers. Bewaar het gekozen model en de rolconventie bij de index, zodat de numerieke vergelijking compatibele representaties gebruikt.
Het bruikbare resultaat is een compacte dense zoekindex of een zoekvraagvector die bronmateriaal over de gedocumenteerde talen heen ophaalt. Deze exacte LFM2.5-Embedding-editie blijft onderscheiden van de bijbehorende ColBERT-editie, oudere LFM2-zoekmodellen en extern gekwantiseerde implementaties. De geselecteerde passagetekst is de onderbouwing die een lezer of een latere RAG-antwoordfase gebruikt.
POST /v1/embeddingstext, token_idsembedding| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten liquid/lfm-2.5-embedding-350m:free | 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 exacte betekenis bij de upstreamprovider verschilt per model. | Standaard— |
Veldsession_id | Typejson_value | VereisteOptioneel | Waarden en limieten Voorwaarden: De bron staat dit JSON-metadataveld toe; de exacte betekenis bij de upstreamprovider verschilt per model. | Standaard— |
Veldtrace | Typejson_value | VereisteOptioneel | Waarden en limieten Voorwaarden: De bron staat dit JSON-metadataveld toe; de exacte betekenis bij de upstreamprovider verschilt per model. | 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.
Een multimodale modelnaam houdt niet in dat afbeeldingsobjecten op dit specifieke pad zijn toegestaan.
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0 / 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": "liquid/lfm-2.5-embedding-350m:free", "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='liquid/lfm-2.5-embedding-350m:free',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 geïntroduceerd.
| 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 liquid/lfm-2.5-embedding-350m:free
Gebruik de hierboven getoonde methodepaden.