GTE-base is het General-Text-Embeddings-model in basisformaat dat door Alibaba DAMO Academy is getraind. Deze Engelse tekstencoder is voornamelijk op het BERT-framework gebaseerd en produceert 768-dimensionale dense vectoren. De training gebruikt een groot corpus van relevantieparen uit verschillende domeinen, met informatieopvraging, semantische tekstgelijkenis en embeddinggebaseerde tekstherrangschikking als genoemde toepassingen.
Gebruik leesbare Engelse tekst voor zowel de informatiebehoefte als het te doorzoeken materiaal. Een zoekvraag over het vervangen van een versleten onderdeel kan bijvoorbeeld worden vergeleken met korte onderhoudssecties over vervangingscriteria, inspectiestappen en bestelinstructies. Behoud de onderdeelnaam en de voorwaarden die die secties onderscheiden.
Het gepubliceerde voorbeeld codeert vragen en kandidaattekst rechtstreeks, zonder toegevoegde taakinstructie. Houd die voorbereiding consistent in de verzameling en bij latere zoekvragen. Bewaar de oorspronkelijke passage en identifier bij de vector, zodat een gerangschikt resultaat de gerepresenteerde informatie kan tonen.
Het referentierecept middelt de tokenrepresentaties van het model met het attention-masker en voorkomt dat paddingposities aan het resultaat bijdragen. Het toont vervolgens optionele L2-normalisatie en vergelijkt de genormaliseerde vectoren via hun inproduct. Een afzonderlijk voorbeeld gebruikt cosinusgelijkenis.
Kies en behoud een consistente normalisatie- en vergelijkingsopzet voor indexering en informatieopvraging. De uitvoer bevat 768 numerieke componenten; hij bevat geen gegenereerd antwoord. Codeer voor een herrangschikkingsfase de kandidaatpassages met hetzelfde model en orden ze op gelijkenis met de zoekvraag. Dit blijft embeddinggebaseerde vergelijking en is geen claim dat het model elk zoekvraag-passagepaar gezamenlijk als cross-encoder leest.
De exacte kaart beperkt dit model tot Engelse tekst en stelt dat lange invoer op maximaal 512 tokens wordt afgekapt. Een lange handleiding moet dus vóór het indexeren in betekenisvolle secties worden verdeeld. Bewaar een waarschuwing, uitzondering of nuancering bij de regel die zij wijzigt wanneer die details nodig zijn om de passage te interpreteren.
Bij een zoekvraag over onderhoudsintervallen is een sectie met het interval en de bedrijfsomstandigheid bruikbaarder dan een fragment met alleen een getal. Behoud de kop of apparatuuridentiteit wanneer die de instructie eenduidig maakt. Controleer de tokenizerlengte in plaats van op het zichtbare aantal woorden te vertrouwen.
Informatieopvraging retourneert kandidaten uit de geïndexeerde verzameling. Onderzoek de hoogst gerangschikte passages voor de exacte taak en behoud hun bronlocaties wanneer u ze aan een RAG-antwoordschrijffase doorgeeft. Een verwante passage kan inspectie bespreken zonder toestemming voor vervanging te geven; dat onderscheid moet zichtbaar blijven in het bronmateriaal.
GTE-base is onderscheiden van GTE-large, dat 1024-dimensionale vectoren produceert, en van latere meertalige GTE-edities of edities met uitgebreide context. De gepubliceerde modelidentiteit definieert het Engelse bereik, de representatie met 768 componenten en de grens van 512 tokens. Gebruik dit exacte profiel met representatieve zoekvragen en bronrecords wanneer u een zoekverzameling beoordeelt.
", "aboutText": "GTE-base is het General-Text-Embeddings-model in basisformaat dat door Alibaba DAMO Academy is getraind. Deze Engelse tekstencoder is voornamelijk op het BERT-framework gebaseerd en produceert 768-dimensionale dense vectoren. De training gebruikt een groot corpus van relevantieparen uit verschillende domeinen, met informatieopvraging, semantische tekstgelijkenis en embeddinggebaseerde tekstherrangschikking als genoemde toepassingen.\n\n### Bereid Engelse zoekvragen en passages voor\n\nGebruik leesbare Engelse tekst voor zowel de informatiebehoefte als het te doorzoeken materiaal. Een zoekvraag over het vervangen van een versleten onderdeel kan bijvoorbeeld worden vergeleken met korte onderhoudssecties over vervangingscriteria, inspectiestappen en bestelinstructies. Behoud de onderdeelnaam en de voorwaarden die die secties onderscheiden.\n\nHet gepubliceerde voorbeeld codeert vragen en kandidaattekst rechtstreeks, zonder toegevoegde taakinstructie. Houd die voorbereiding consistent in de verzameling en bij latere zoekvragen. Bewaar de oorspronkelijke passage en identifier bij de vector, zodat een gerangschikt resultaat de gerepresenteerde informatie kan tonen.\n\n### Average pooling en vergelijking\n\nHet referentierecept middelt de tokenrepresentaties van het model met het attention-masker en voorkomt dat paddingposities aan het resultaat bijdragen. Het toont vervolgens optionele L2-normalisatie en vergelijkt de genormaliseerde vectoren via hun inproduct. Een afzonderlijk voorbeeld gebruikt cosinusgelijkenis.\n\nKies en behoud een consistente normalisatie- en vergelijkingsopzet voor indexering en informatieopvraging. De uitvoer bevat 768 numerieke componenten; hij bevat geen gegenereerd antwoord. Codeer voor een herrangschikkingsfase de kandidaatpassages met hetzelfde model en orden ze op gelijkenis met de zoekvraag. Dit blijft embeddinggebaseerde vergelijking en is geen claim dat het model elk zoekvraag-passagepaar gezamenlijk als cross-encoder leest.\n\n### Engels bereik en invoer van 512 tokens\n\nDe exacte kaart beperkt dit model tot Engelse tekst en stelt dat lange invoer op maximaal 512 tokens wordt afgekapt. Een lange handleiding moet dus vóór het indexeren in betekenisvolle secties worden verdeeld. Bewaar een waarschuwing, uitzondering of nuancering bij de regel die zij wijzigt wanneer die details nodig zijn om de passage te interpreteren.\n\nBij een zoekvraag over onderhoudsintervallen is een sectie met het interval en de bedrijfsomstandigheid bruikbaarder dan een fragment met alleen een getal. Behoud de kop of apparatuuridentiteit wanneer die de instructie eenduidig maakt. Controleer de tokenizerlengte in plaats van op het zichtbare aantal woorden te vertrouwen.\n\n### Gebruik de bronpassages achter de score\n\nInformatieopvraging retourneert kandidaten uit de geïndexeerde verzameling. Onderzoek de hoogst gerangschikte passages voor de exacte taak en behoud hun bronlocaties wanneer u ze aan een RAG-antwoordschrijffase doorgeeft. Een verwante passage kan inspectie bespreken zonder toestemming voor vervanging te geven; dat onderscheid moet zichtbaar blijven in het bronmateriaal.\n\nGTE-base is onderscheiden van GTE-large, dat 1024-dimensionale vectoren produceert, en van latere meertalige GTE-edities of edities met uitgebreide context. De gepubliceerde modelidentiteit definieert het Engelse bereik, de representatie met 768 componenten en de grens van 512 tokens. Gebruik dit exacte profiel met representatieve zoekvragen en bronrecords wanneer u een zoekverzameling beoordeelt.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "5c3b866d7b553f26af44d84fb42b61458d5b910aefe362efa1ed2116e43c6bda", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nl", "methods": [ { "html": "thenlper/gte-baseAlibaba DAMO Academy GTE-base embedt Engelse tekst in 768-dimensionale vectoren voor informatieopvraging en semantische gelijkenis. Het exacte model gebruikt average pooling, ondersteunt sequenties tot 512 tokens en documenteert cosinusgebaseerde vergelijking met optionele normalisatie.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
GTE-base is het General-Text-Embeddings-model in basisformaat dat door Alibaba DAMO Academy is getraind. Deze Engelse tekstencoder is voornamelijk op het BERT-framework gebaseerd en produceert 768-dimensionale dense vectoren. De training gebruikt een groot corpus van relevantieparen uit verschillende domeinen, met informatieopvraging, semantische tekstgelijkenis en embeddinggebaseerde tekstherrangschikking als genoemde toepassingen.
Gebruik leesbare Engelse tekst voor zowel de informatiebehoefte als het te doorzoeken materiaal. Een zoekvraag over het vervangen van een versleten onderdeel kan bijvoorbeeld worden vergeleken met korte onderhoudssecties over vervangingscriteria, inspectiestappen en bestelinstructies. Behoud de onderdeelnaam en de voorwaarden die die secties onderscheiden.
Het gepubliceerde voorbeeld codeert vragen en kandidaattekst rechtstreeks, zonder toegevoegde taakinstructie. Houd die voorbereiding consistent in de verzameling en bij latere zoekvragen. Bewaar de oorspronkelijke passage en identifier bij de vector, zodat een gerangschikt resultaat de gerepresenteerde informatie kan tonen.
Het referentierecept middelt de tokenrepresentaties van het model met het attention-masker en voorkomt dat paddingposities aan het resultaat bijdragen. Het toont vervolgens optionele L2-normalisatie en vergelijkt de genormaliseerde vectoren via hun inproduct. Een afzonderlijk voorbeeld gebruikt cosinusgelijkenis.
Kies en behoud een consistente normalisatie- en vergelijkingsopzet voor indexering en informatieopvraging. De uitvoer bevat 768 numerieke componenten; hij bevat geen gegenereerd antwoord. Codeer voor een herrangschikkingsfase de kandidaatpassages met hetzelfde model en orden ze op gelijkenis met de zoekvraag. Dit blijft embeddinggebaseerde vergelijking en is geen claim dat het model elk zoekvraag-passagepaar gezamenlijk als cross-encoder leest.
De exacte kaart beperkt dit model tot Engelse tekst en stelt dat lange invoer op maximaal 512 tokens wordt afgekapt. Een lange handleiding moet dus vóór het indexeren in betekenisvolle secties worden verdeeld. Bewaar een waarschuwing, uitzondering of nuancering bij de regel die zij wijzigt wanneer die details nodig zijn om de passage te interpreteren.
Bij een zoekvraag over onderhoudsintervallen is een sectie met het interval en de bedrijfsomstandigheid bruikbaarder dan een fragment met alleen een getal. Behoud de kop of apparatuuridentiteit wanneer die de instructie eenduidig maakt. Controleer de tokenizerlengte in plaats van op het zichtbare aantal woorden te vertrouwen.
Informatieopvraging retourneert kandidaten uit de geïndexeerde verzameling. Onderzoek de hoogst gerangschikte passages voor de exacte taak en behoud hun bronlocaties wanneer u ze aan een RAG-antwoordschrijffase doorgeeft. Een verwante passage kan inspectie bespreken zonder toestemming voor vervanging te geven; dat onderscheid moet zichtbaar blijven in het bronmateriaal.
GTE-base is onderscheiden van GTE-large, dat 1024-dimensionale vectoren produceert, en van latere meertalige GTE-edities of edities met uitgebreide context. De gepubliceerde modelidentiteit definieert het Engelse bereik, de representatie met 768 componenten en de grens van 512 tokens. Gebruik dit exacte profiel met representatieve zoekvragen en bronrecords wanneer u een zoekverzameling beoordeelt.
POST /v1/embeddingstext, token_idsembedding| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten thenlper/gte-base | 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 $0.00001 / 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": "thenlper/gte-base", "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='thenlper/gte-base',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 thenlper/gte-base
Gebruik de hierboven getoonde methodepaden.