Intfloat: E5-Large-v2

intfloat E5-Large-v2 koduje angielskie zapytania i fragmenty w wektory o 1024 wymiarach. Model z 24 warstwami używa ról query/passage, uśredniania reprezentacji i limitu wejścia 512 tokenów do wyszukiwania, podobieństwa semantycznego i liczbowych cech tekstu.

Ailoot Ultra · Reprezentacje wektorowe POST /v1/embeddings intfloat/e5-large-v2

O modelu

Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.

E5-Large-v2 to model osadzeń angielskiego tekstu intfloat z dwudziestoma czterema warstwami i wyjściem o 1024 wymiarach. Służy do liczbowej reprezentacji zapytań i fragmentów na potrzeby wyszukiwania oraz innych zadań osadzeń. Konwencja przygotowania E5 jest częścią jego treningu: tekst wejściowy zawiera prefiks roli, a zakodowane reprezentacje tokenów są agregowane w jeden wektor tego tekstu.

Wyraźnie określ role zapytania i fragmentu

W wyszukiwaniu asymetrycznym rozpocznij pytanie od „query:”, a tekst korpusu od „passage:”. Role te odróżniają to, czego szuka użytkownik, od materiału mogącego udzielić odpowiedzi. Do porównania symetrycznego, wyszukiwania parafraz oraz cech do grupowania lub klasyfikacji producent zaleca „query:” dla osadzanych tekstów.

Praktyczny zbiór może indeksować angielskie wyjaśnienia wsparcia. Przygotuj pytanie takie jak „query: What should I check before replacing the connector?” i połącz je ze źródłowymi fragmentami opisującymi kontrole i wyjątki. Tekst fragmentu zachowuje odpowiadający mu prefiks. Przechowuj identyfikator źródła i oryginalne sformułowania obok każdego wektora, aby wynik mógł zwrócić materiał, który użytkownik powinien przeczytać.

Prefiksy nie są ozdobnymi etykietami do usunięcia z jednej strony zadania. Producent podaje, że ich pominięcie pogarsza wyniki wyszukiwania, ponieważ model był trenowany z takim przygotowaniem. Stosuj wybraną rolę konsekwentnie podczas budowania korpusu i późniejszego osadzania zapytania.

Uśrednianie i znormalizowane wektory

Oficjalny przykład kodowania uśrednia reprezentacje tokenów, wykluczając pozycje dopełnienia maską uwagi. Następnie normalizuje wynikowy wektor. Iloczyn skalarny znormalizowanych wektorów zapytania i fragmentu dostarcza podobieństwo cosinusowe do porządkowania kandydatów. Ta receptura uśredniania należy do E5-Large-v2; agregacja na podstawie pierwszego tokenu z innej rodziny jest osobnym wyborem przygotowania.

1024 wartości wyjściowe tworzą osadzenie, a nie pisemną odpowiedź lub bezpośrednią etykietę kategorii. Etap wyszukiwania porównuje te wartości ze zgodnymi reprezentacjami korpusu, a późniejszy etap używa tekstu wybranego fragmentu. Jeśli wektory są cechami grupowania lub klasyfikatora, zachowaj powiązanie każdego wektora z rekordem wejściowym, którego cechy reprezentuje.

Angielski tekst w obrębie okna

Karta modelu określa tekst wyłącznie angielski i przycinanie długich wejść do maksymalnie 512 tokenów. Utrzymuj każdy fragment dokumentu spójny w tym oknie, wraz z prefiksem roli i użytecznym kontekstem źródła. Długi podręcznik należy przygotować jako sekcje, których tytuły, warunki i instrukcje da się zrozumieć przy osobnym wyszukaniu.

Na przykład klauzula opisująca ustawienie może wymagać definicji tego ustawienia i wyjątku w następnym zdaniu. Zachowaj tę niewielką jednostkę razem, zamiast dzielić wyłącznie według liczby znaków. Przechowuj dokument nadrzędny i wersję źródła z fragmentem, aby aktualizacja zastępowała właściwy materiał.

Odczytuj ranking jako sygnał wyszukiwania

Producent wyjaśnia, że kolejność ocen cosinusowych ma większe znaczenie niż ich wartości bezwzględne. Oceny nie należy interpretować jako skalibrowanego prawdopodobieństwa, że fragment odpowiada na pytanie. Sprawdzaj fragmenty znane jako zawierające odpowiedź i pobliski nieistotny materiał, wybierając liczbę zachowywanych wyników lub miejsce filtrowania zbioru kandydatów.

Użyteczne wyjście to reprezentacja korpusu lub zapytania, sygnał porównania semantycznego albo cechy liczbowe do innego zadania. Ten konkretny angielski punkt kontrolny Large v2 pozostaje odrębny od E5-Base-v2 i Multilingual-E5-Large. Sama zgodność wymiarów nie czyni ich wektorów udokumentowaną wspólną przestrzenią osadzeń.

Ailoot Ultra · Reprezentacje wektorowe POST /v1/embeddings intfloat/e5-large-v2

intfloat/e5-large-v2

Intfloat /intfloat/e5-large-v2

Start

Akceptowane dane wejściowe: Tekst · token_ids
Wyniki: embedding

Dostępne w Ailoot · dane wejściowe i metody

Ailoot Ultra · Reprezentacje wektorowe POST /v1/embeddings

Wejście: text, token_ids
Wyjście: embedding
Format wyjściowy: json

Pole	Typ	Wymaganie	Wartości i limity	Domyślnie
Pole`model`	Typ`string`	WymaganieWymagane	Wartości i limity intfloat/e5-large-v2	Domyślnie—
Pole`input`	Typ`string\|string[]\|integer[]\|integer[][]`	WymaganieWymagane	Wartości i limity Minimalna liczba elementów: 1 Warunki: Niepusta, jednorodna partia danych. Identyfikatory tokenów są nieujemnymi liczbami całkowitymi. Budżet wejścia: Maksimum: 512 · Jednostka tekstu: bajty UTF8 · Jednostka tokenów: elementy tablicy tokenów	Domyślnie—
Pole`encoding_format`	Typ`string`	WymaganieOpcjonalne	Wartości i limity float	Domyślniefloat
Pole`dimensions`	Typ`integer`	WymaganieNieobsługiwane	Wartości i limity Minimum: 1	Domyślnie—
Pole`user`	Typ`json_value`	WymaganieOpcjonalne	Wartości i limity Warunki: Źródło dopuszcza to pole metadanych JSON; dokładna semantyka po stronie dostawcy zależy od modelu.	Domyślnie—
Pole`session_id`	Typ`json_value`	WymaganieOpcjonalne	Wartości i limity Warunki: Źródło dopuszcza to pole metadanych JSON; dokładna semantyka po stronie dostawcy zależy od modelu.	Domyślnie—
Pole`trace`	Typ`json_value`	WymaganieOpcjonalne	Wartości i limity Warunki: Źródło dopuszcza to pole metadanych JSON; dokładna semantyka po stronie dostawcy zależy od modelu.	Domyślnie—
Pole`provider`	Typ`object`	WymaganieOpcjonalne	Wartości i limity Warunki: Odrzucono provider.options	Domyślnie—

Kombinacje materiałów wejściowych

text_to_embedding

Parametry i cykl życia metody

Parametr	Kontrakt
Parametr`content_type`	Kontraktapplication/json
Parametr`required`	Kontraktmodel, input
Parametr`input_shapes`	Kontraktstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[]
Parametr`encoding_format`	Kontraktfloat
Parametr`dimensions_override`	Kontraktfalse
Parametr`max_input_budget_units`	Kontrakt512
Parametr`multimodal_objects`	Kontraktfalse
Parametr`material_types`	Kontrakttext, token_ids

Cykl życia: synchronous_json

Zachowaj indeks i liczbę wymiarów każdego wektora.

Nawet jeśli nazwa modelu wskazuje na multimodalność, ta konkretna ścieżka nie obsługuje obiektów obrazów.

Cennik

Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.

Tryb szybki: Nie określono Gdy wybrany jest tryb szybki
Tryb flex: Nie określono Gdy wybrany jest tryb flex
Maksymalna intensywność rozumowania: Nie określono Gdy dla maksymalnej intensywności rozumowania stosowana jest domyślna korekta (default)

Stawki Ailoot

Ceny według konfiguracji

Konfiguracja	Tabela stawek	Opłata
KonfiguracjaPodstawowe stawki za tokeny	Tabela stawekStawka podstawowa	Opłata Wejście · Tokeny wejściowe $0.00002 / 1K tokenów Wyjście · Tokeny wyjściowe $0 / 1K tokenów Wejście · Odczyt cache — / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów

Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →

Przykładowe żądania

Ailoot Ultra · Reprezentacje wektorowe

curlPython SDK

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "intfloat/e5-large-v2", "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

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='intfloat/e5-large-v2',input=["First document","Second document"])
print(result)
for item in result.data:print(item.index,item.embedding)

Odbieranie i zapisywanie wyników

Ailoot Ultra · Reprezentacje wektorowe

json

Zachowaj wszystkie ukończone wyniki

Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.

Zachowaj każdy wektor wraz z jego indeksem. Liczba wektorów musi być równa liczbie elementów wejściowych; wszystkie wektory muszą mieć tę samą liczbę wymiarów.

Jeśli trzeba sprawdzić pierwotną odpowiedź

Nie wprowadzono endpointu zadań generowania osadzeń.

Pola odpowiedzi

Pole	Typ
Pole`object`	Typstring
Pole`model`	Typstring
Pole`data[].index`	Typinteger
Pole`data[].embedding`	Typfinite float[]
Pole`usage`	Typobject

Błędy i dalsze kroki

Odpowiedź	Warunek	Następny krok
Odpowiedź400 · `invalid_request_error`	WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru	Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia.

Aliasy

Aliasy modelu

Ailoot Ultra intfloat/e5-large-v2

Aliasy ścieżek metod

Użyj ścieżek metod podanych powyżej.

Powiązane ID modeli

intfloat/e5-large-v2

FAQ · Intfloat: E5-Large-v2

Jakie dane wejściowe i wyniki są dostępne?: POST /v1/embeddings · intfloat/e5-large-v2: text, token_ids → embedding
Jakich pól używa żądanie?: POST /v1/embeddings · intfloat/e5-large-v2: model, input, encoding_format, provider
Jakie limity obowiązują?: POST /v1/embeddings · intfloat/e5-large-v2: input.budget.maximum: 512 (bajty UTF8); input.min_items: 1

Intfloat: E5-Large-v2