{
  "aboutHtml": "<p>Multilingual-E5-Large to wielojęzyczny model gęstych osadzeń tekstowych intfloat, z dwudziestoma czterema warstwami i wyjściem o 1024 wymiarach. Jest inicjalizowany na podstawie XLM-RoBERTa Large i dalej trenowany na danych wielojęzycznych. Karta modelu opisuje obsługę zakresu stu języków XLM-R, zaznaczając słabsze wyniki dla języków o niewielkich zasobach danych. Jego wektory reprezentują tekst do wyszukiwania, porównania semantycznego i zadań z cechami liczbowymi.</p><h4>Zachowaj rolę wejścia w każdym języku</h4><p>Prefiksy używane w treningu to „query:” i „passage:”, również dla tekstu nieangielskiego. Zapytanie wyszukiwawcze i fragmenty jego korpusu korzystają z odpowiadających im ról. Prefiksy pozostają tymi angielskimi ciągami znaków, a źródłowe sformułowania zachowują własny język. Do symetrycznego podobieństwa semantycznego, wyszukiwania parafraz, wydobywania par tekstów dwujęzycznych lub wykorzystania cech producent zaleca „query:”.</p><p>Praktyczny zbiór może zawierać dokumentację w kilku obsługiwanych językach. Zachowaj z wektorem każdego fragmentu jego język, oryginalny tekst i lokalizację źródła. Przygotuj rzeczywiste pytania odbiorców, zamiast zakładać, że jeden angielski test reprezentuje cały zbiór. Wyjście powinno zwracać rzeczywisty fragment i jego kontekst, aby czytelnik mógł ocenić jego treść.</p><p>W zadaniu dopasowania wielojęzycznego jasno określ cel porównania. Proponowana para tłumaczeń i zapytanie szukające wspierającego fragmentu wymagają różnego przygotowania. Wskazówki modelu dotyczące prefiksów ról dostarczają konkretnej konwencji dla tych zadań; pominięcie prefiksu nie jest udokumentowanym odpowiednikiem, ponieważ zmienia wzorzec wejścia używany podczas treningu.</p><h4>Agregacja i porównywanie wektorów</h4><p>Przykład producenta uśrednia reprezentacje tokenów, korzystając z maski uwagi do wykluczenia dopełnienia, a następnie normalizuje wektor. Iloczyny skalarne znormalizowanych wektorów dają podobieństwo cosinusowe. Tablica o 1024 wymiarach reprezentuje jeden przygotowany tekst. Zachowaj powiązanie dokładnego modelu i przygotowania ze składowanymi wektorami, aby późniejsze zapytania używały zgodnej reprezentacji.</p><p>Wektory te mogą dostarczać rankingi kandydatów lub cechy do późniejszego etapu grupowania albo klasyfikacji. Nie tłumaczą źródła ani nie piszą odpowiedzi. Zwracaj źródłowy tekst fragmentu, gdy wynik wyszukiwania ma wspierać czytelnika lub późniejszy etap generowania w RAG.</p><h4>Trening i pokrycie języków</h4><p>Karta modelu dokumentuje kontrastywne trenowanie wstępne ze słabym nadzorem, po którym następuje nadzorowane dostrajanie. Przygotowanie wielojęzyczne obejmuje materiał taki jak pary tytuł–fragment, pary konwersacyjne i pary tłumaczeń, a oznaczone dane wyszukiwania i rozumienia języka służą późniejszemu etapowi. Wyjaśnia to zamierzone zadania reprezentacji tekstu, nie potwierdzając równych wyników w każdym języku.</p><p>Producent wyraźnie wskazuje pogorszenie wyników w językach o niewielkich zasobach jako ograniczenie. Sprawdzaj rzeczywiste języki i sformułowania w zbiorze, w tym skróty, nazwy i słownictwo specjalistyczne. Etykieta wielojęzyczności jest użytecznym opisem zakresu; trafność zwracanego tekstu nadal wymaga oceny dla odbiorców i zadania.</p><h4>Długość i użyteczne wyniki</h4><p>Długie wejście jest przycinane do maksymalnie 512 tokenów. Przygotuj obszerny dokument jako spójne fragmenty zawierające prefiks roli i istotne nagłówki. Zachowaj definicje i zastrzeżenia obok twierdzenia, na które wpływają, a identyfikator dokumentu nadrzędnego i wersję źródła przechowuj poza wektorem.</p><p>Producent zaleca skupienie się na względnej kolejności ocen cosinusowych, zamiast traktować wartość bezwzględną jako uniwersalną miarę pewności. Użyteczny wynik to zbiór fragmentów kandydujących, porównywalne reprezentacje tekstu lub cechy powiązane z pierwotnymi rekordami. Ten konkretny model pozostaje odrębny od wyłącznie angielskich punktów kontrolnych E5 v2 i wariantów E5 dostrojonych instrukcjami, nawet gdy inny model również zwraca 1024 wartości.</p>",
  "aboutText": "Multilingual-E5-Large to wielojęzyczny model gęstych osadzeń tekstowych intfloat, z dwudziestoma czterema warstwami i wyjściem o 1024 wymiarach. Jest inicjalizowany na podstawie XLM-RoBERTa Large i dalej trenowany na danych wielojęzycznych. Karta modelu opisuje obsługę zakresu stu języków XLM-R, zaznaczając słabsze wyniki dla języków o niewielkich zasobach danych. Jego wektory reprezentują tekst do wyszukiwania, porównania semantycznego i zadań z cechami liczbowymi.\n\n### Zachowaj rolę wejścia w każdym języku\n\nPrefiksy używane w treningu to „query:” i „passage:”, również dla tekstu nieangielskiego. Zapytanie wyszukiwawcze i fragmenty jego korpusu korzystają z odpowiadających im ról. Prefiksy pozostają tymi angielskimi ciągami znaków, a źródłowe sformułowania zachowują własny język. Do symetrycznego podobieństwa semantycznego, wyszukiwania parafraz, wydobywania par tekstów dwujęzycznych lub wykorzystania cech producent zaleca „query:”.\n\nPraktyczny zbiór może zawierać dokumentację w kilku obsługiwanych językach. Zachowaj z wektorem każdego fragmentu jego język, oryginalny tekst i lokalizację źródła. Przygotuj rzeczywiste pytania odbiorców, zamiast zakładać, że jeden angielski test reprezentuje cały zbiór. Wyjście powinno zwracać rzeczywisty fragment i jego kontekst, aby czytelnik mógł ocenić jego treść.\n\nW zadaniu dopasowania wielojęzycznego jasno określ cel porównania. Proponowana para tłumaczeń i zapytanie szukające wspierającego fragmentu wymagają różnego przygotowania. Wskazówki modelu dotyczące prefiksów ról dostarczają konkretnej konwencji dla tych zadań; pominięcie prefiksu nie jest udokumentowanym odpowiednikiem, ponieważ zmienia wzorzec wejścia używany podczas treningu.\n\n### Agregacja i porównywanie wektorów\n\nPrzykład producenta uśrednia reprezentacje tokenów, korzystając z maski uwagi do wykluczenia dopełnienia, a następnie normalizuje wektor. Iloczyny skalarne znormalizowanych wektorów dają podobieństwo cosinusowe. Tablica o 1024 wymiarach reprezentuje jeden przygotowany tekst. Zachowaj powiązanie dokładnego modelu i przygotowania ze składowanymi wektorami, aby późniejsze zapytania używały zgodnej reprezentacji.\n\nWektory te mogą dostarczać rankingi kandydatów lub cechy do późniejszego etapu grupowania albo klasyfikacji. Nie tłumaczą źródła ani nie piszą odpowiedzi. Zwracaj źródłowy tekst fragmentu, gdy wynik wyszukiwania ma wspierać czytelnika lub późniejszy etap generowania w RAG.\n\n### Trening i pokrycie języków\n\nKarta modelu dokumentuje kontrastywne trenowanie wstępne ze słabym nadzorem, po którym następuje nadzorowane dostrajanie. Przygotowanie wielojęzyczne obejmuje materiał taki jak pary tytuł–fragment, pary konwersacyjne i pary tłumaczeń, a oznaczone dane wyszukiwania i rozumienia języka służą późniejszemu etapowi. Wyjaśnia to zamierzone zadania reprezentacji tekstu, nie potwierdzając równych wyników w każdym języku.\n\nProducent wyraźnie wskazuje pogorszenie wyników w językach o niewielkich zasobach jako ograniczenie. Sprawdzaj rzeczywiste języki i sformułowania w zbiorze, w tym skróty, nazwy i słownictwo specjalistyczne. Etykieta wielojęzyczności jest użytecznym opisem zakresu; trafność zwracanego tekstu nadal wymaga oceny dla odbiorców i zadania.\n\n### Długość i użyteczne wyniki\n\nDługie wejście jest przycinane do maksymalnie 512 tokenów. Przygotuj obszerny dokument jako spójne fragmenty zawierające prefiks roli i istotne nagłówki. Zachowaj definicje i zastrzeżenia obok twierdzenia, na które wpływają, a identyfikator dokumentu nadrzędnego i wersję źródła przechowuj poza wektorem.\n\nProducent zaleca skupienie się na względnej kolejności ocen cosinusowych, zamiast traktować wartość bezwzględną jako uniwersalną miarę pewności. Użyteczny wynik to zbiór fragmentów kandydujących, porównywalne reprezentacje tekstu lub cechy powiązane z pierwotnymi rekordami. Ten konkretny model pozostaje odrębny od wyłącznie angielskich punktów kontrolnych E5 v2 i wariantów E5 dostrojonych instrukcjami, nawet gdy inny model również zwraca 1024 wartości.",
  "editorialOverlay": {
    "copy_fields": null,
    "copy_sha256": null,
    "copy_source": null,
    "html_sha256": "f2e8d0dc2302b0350c9004a10f8e7fc5af02413c8b60a101850b6fb0b67d45b1",
    "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06",
    "raw_model_unchanged": true,
    "schema": "ailoot-native-model-editorial-v1"
  },
  "locale": "pl",
  "methods": [
    {
      "html": "<div class=\"sheet-head\"><span class=\"mav\" aria-hidden=\"true\">•</span><h2 id=\"sheet-title\">Intfloat: Multilingual-E5-Large</h2><button class=\"icon-btn\" type=\"button\" data-close-sheet aria-label=\"Zamknij\">×</button></div><div class=\"idline\"><span>Intfloat /</span><code>intfloat/multilingual-e5-large</code><button type=\"button\" id=\"copy-id\">Kopiuj ID</button></div><nav class=\"card-jump-nav\" aria-label=\"Sekcje karty modelu\"><button type=\"button\" data-card-jump=\"overview\">Start</button><button type=\"button\" data-card-jump=\"methods\">Dane wejściowe i metody</button><button type=\"button\" data-card-jump=\"pricing\">Cennik</button><button type=\"button\" data-card-jump=\"examples\">Przykłady</button><button type=\"button\" data-card-jump=\"results\">Wyniki</button><button type=\"button\" data-card-jump=\"aliases\">Aliasy</button></nav><div class=\"card-method-tabs\" role=\"tablist\" aria-label=\"Metody API\"><button type=\"button\" role=\"tab\" tabindex=\"0\" aria-controls=\"card-method-content\" aria-selected=\"true\" id=\"card-method-tab-0\" data-card-method=\"Ultra|embeddings|/v1/embeddings|intfloat%2Fmultilingual-e5-large\">Reprezentacje wektorowe</button></div><div id=\"card-method-content\" role=\"tabpanel\" aria-labelledby=\"card-method-tab-0\"><section class=\"card-section\" data-card-section=\"overview\"><h3 tabindex=\"-1\">Start</h3><p class=\"mdesc-full\">intfloat Multilingual-E5-Large koduje tekst wielojęzyczny w wektory o 1024 wymiarach za pomocą modelu z 24 warstwami. Obsługuje zakres stu języków XLM-R, używa angielskich prefiksów query/passage w każdym języku i przycina wejście do 512 tokenów.</p><dl class=\"card-io\" data-card-io><div><dt>Akceptowane dane wejściowe</dt><dd>Tekst · token_ids</dd></div><div><dt>Wyniki</dt><dd>embedding</dd></div></dl><details class=\"card-about\"><summary>O modelu</summary><p class=\"note-s\" data-model-method-boundary>Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.</p><div class=\"mabout\" id=\"m-about\"><p>Multilingual-E5-Large to wielojęzyczny model gęstych osadzeń tekstowych intfloat, z dwudziestoma czterema warstwami i wyjściem o 1024 wymiarach. Jest inicjalizowany na podstawie XLM-RoBERTa Large i dalej trenowany na danych wielojęzycznych. Karta modelu opisuje obsługę zakresu stu języków XLM-R, zaznaczając słabsze wyniki dla języków o niewielkich zasobach danych. Jego wektory reprezentują tekst do wyszukiwania, porównania semantycznego i zadań z cechami liczbowymi.</p><h4>Zachowaj rolę wejścia w każdym języku</h4><p>Prefiksy używane w treningu to „query:” i „passage:”, również dla tekstu nieangielskiego. Zapytanie wyszukiwawcze i fragmenty jego korpusu korzystają z odpowiadających im ról. Prefiksy pozostają tymi angielskimi ciągami znaków, a źródłowe sformułowania zachowują własny język. Do symetrycznego podobieństwa semantycznego, wyszukiwania parafraz, wydobywania par tekstów dwujęzycznych lub wykorzystania cech producent zaleca „query:”.</p><p>Praktyczny zbiór może zawierać dokumentację w kilku obsługiwanych językach. Zachowaj z wektorem każdego fragmentu jego język, oryginalny tekst i lokalizację źródła. Przygotuj rzeczywiste pytania odbiorców, zamiast zakładać, że jeden angielski test reprezentuje cały zbiór. Wyjście powinno zwracać rzeczywisty fragment i jego kontekst, aby czytelnik mógł ocenić jego treść.</p><p>W zadaniu dopasowania wielojęzycznego jasno określ cel porównania. Proponowana para tłumaczeń i zapytanie szukające wspierającego fragmentu wymagają różnego przygotowania. Wskazówki modelu dotyczące prefiksów ról dostarczają konkretnej konwencji dla tych zadań; pominięcie prefiksu nie jest udokumentowanym odpowiednikiem, ponieważ zmienia wzorzec wejścia używany podczas treningu.</p><h4>Agregacja i porównywanie wektorów</h4><p>Przykład producenta uśrednia reprezentacje tokenów, korzystając z maski uwagi do wykluczenia dopełnienia, a następnie normalizuje wektor. Iloczyny skalarne znormalizowanych wektorów dają podobieństwo cosinusowe. Tablica o 1024 wymiarach reprezentuje jeden przygotowany tekst. Zachowaj powiązanie dokładnego modelu i przygotowania ze składowanymi wektorami, aby późniejsze zapytania używały zgodnej reprezentacji.</p><p>Wektory te mogą dostarczać rankingi kandydatów lub cechy do późniejszego etapu grupowania albo klasyfikacji. Nie tłumaczą źródła ani nie piszą odpowiedzi. Zwracaj źródłowy tekst fragmentu, gdy wynik wyszukiwania ma wspierać czytelnika lub późniejszy etap generowania w RAG.</p><h4>Trening i pokrycie języków</h4><p>Karta modelu dokumentuje kontrastywne trenowanie wstępne ze słabym nadzorem, po którym następuje nadzorowane dostrajanie. Przygotowanie wielojęzyczne obejmuje materiał taki jak pary tytuł–fragment, pary konwersacyjne i pary tłumaczeń, a oznaczone dane wyszukiwania i rozumienia języka służą późniejszemu etapowi. Wyjaśnia to zamierzone zadania reprezentacji tekstu, nie potwierdzając równych wyników w każdym języku.</p><p>Producent wyraźnie wskazuje pogorszenie wyników w językach o niewielkich zasobach jako ograniczenie. Sprawdzaj rzeczywiste języki i sformułowania w zbiorze, w tym skróty, nazwy i słownictwo specjalistyczne. Etykieta wielojęzyczności jest użytecznym opisem zakresu; trafność zwracanego tekstu nadal wymaga oceny dla odbiorców i zadania.</p><h4>Długość i użyteczne wyniki</h4><p>Długie wejście jest przycinane do maksymalnie 512 tokenów. Przygotuj obszerny dokument jako spójne fragmenty zawierające prefiks roli i istotne nagłówki. Zachowaj definicje i zastrzeżenia obok twierdzenia, na które wpływają, a identyfikator dokumentu nadrzędnego i wersję źródła przechowuj poza wektorem.</p><p>Producent zaleca skupienie się na względnej kolejności ocen cosinusowych, zamiast traktować wartość bezwzględną jako uniwersalną miarę pewności. Użyteczny wynik to zbiór fragmentów kandydujących, porównywalne reprezentacje tekstu lub cechy powiązane z pierwotnymi rekordami. Ten konkretny model pozostaje odrębny od wyłącznie angielskich punktów kontrolnych E5 v2 i wariantów E5 dostrojonych instrukcjami, nawet gdy inny model również zwraca 1024 wartości.</p></div></details></section><section class=\"card-section\" data-card-section=\"methods\"><h3 tabindex=\"-1\">Dostępne w Ailoot · dane wejściowe i metody</h3><details class=\"card-method\" open><summary><b>Ailoot Ultra · Reprezentacje wektorowe</b> <code>POST /v1/embeddings</code></summary><dl class=\"method-capabilities\"><div><dt>Wejście</dt><dd><code>text</code>, <code>token_ids</code></dd></div><div><dt>Wyjście</dt><dd><code>embedding</code></dd></div><div><dt>Kontekst</dt><dd>512 tokens</dd></div><div><dt>Format wyjściowy</dt><dd>json</dd></div></dl><div class=\"tw\" data-card-parameters data-typed-parameters><table><thead><tr><th>Pole</th><th>Typ</th><th>Wymaganie</th><th>Wartości i limity</th><th>Domyślnie</th></tr></thead><tbody><tr data-parameter-availability=\"source_interface\"><th data-cell-label=\"Pole\" scope=\"row\"><span class=\"card-cell-label\">Pole</span><code class=\"card-field-name\">model</code></th><td data-cell-label=\"Typ\" data-field-type><span class=\"card-cell-label\">Typ</span><code>string</code></td><td data-cell-label=\"Wymaganie\"><span class=\"card-cell-label\">Wymaganie</span>Wymagane</td><td data-cell-label=\"Wartości i limity\"><span class=\"card-cell-label\">Wartości i limity</span><div>intfloat/multilingual-e5-large</div></td><td data-cell-label=\"Domyślnie\" data-default=\"unspecified\"><span class=\"card-cell-label\">Domyślnie</span>—</td></tr><tr data-parameter-availability=\"source_interface\"><th data-cell-label=\"Pole\" scope=\"row\"><span class=\"card-cell-label\">Pole</span><code class=\"card-field-name\">input</code></th><td data-cell-label=\"Typ\" data-field-type><span class=\"card-cell-label\">Typ</span><code>string|string[]|integer[]|integer[][]</code></td><td data-cell-label=\"Wymaganie\"><span class=\"card-cell-label\">Wymaganie</span>Wymagane</td><td data-cell-label=\"Wartości i limity\"><span class=\"card-cell-label\">Wartości i limity</span><div>Minimalna liczba elementów: 1</div><div>Warunki: Niepusta, jednorodna partia danych. Identyfikatory tokenów są nieujemnymi liczbami całkowitymi.</div><div>Budżet wejścia: Maksimum: 512 · Jednostka tekstu: bajty UTF8 · Jednostka tokenów: elementy tablicy tokenów</div></td><td data-cell-label=\"Domyślnie\" data-default=\"unspecified\"><span class=\"card-cell-label\">Domyślnie</span>—</td></tr><tr data-parameter-availability=\"source_interface\"><th data-cell-label=\"Pole\" scope=\"row\"><span class=\"card-cell-label\">Pole</span><code class=\"card-field-name\">encoding_format</code></th><td data-cell-label=\"Typ\" data-field-type><span class=\"card-cell-label\">Typ</span><code>string</code></td><td data-cell-label=\"Wymaganie\"><span class=\"card-cell-label\">Wymaganie</span>Opcjonalne</td><td data-cell-label=\"Wartości i limity\"><span class=\"card-cell-label\">Wartości i limity</span><div>float</div></td><td data-cell-label=\"Domyślnie\" data-default=\"known\"><span class=\"card-cell-label\">Domyślnie</span>float</td></tr><tr data-parameter-availability=\"unsupported\"><th data-cell-label=\"Pole\" scope=\"row\"><span class=\"card-cell-label\">Pole</span><code class=\"card-field-name\">dimensions</code></th><td data-cell-label=\"Typ\" data-field-type><span class=\"card-cell-label\">Typ</span><code>integer</code></td><td data-cell-label=\"Wymaganie\"><span class=\"card-cell-label\">Wymaganie</span>Nieobsługiwane</td><td data-cell-label=\"Wartości i limity\"><span class=\"card-cell-label\">Wartości i limity</span><div>Minimum: 1</div></td><td data-cell-label=\"Domyślnie\" data-default=\"unspecified\"><span class=\"card-cell-label\">Domyślnie</span>—</td></tr><tr data-parameter-availability=\"pass_through_metadata\"><th data-cell-label=\"Pole\" scope=\"row\"><span class=\"card-cell-label\">Pole</span><code class=\"card-field-name\">user</code></th><td data-cell-label=\"Typ\" data-field-type><span class=\"card-cell-label\">Typ</span><code>json_value</code></td><td data-cell-label=\"Wymaganie\"><span class=\"card-cell-label\">Wymaganie</span>Opcjonalne</td><td data-cell-label=\"Wartości i limity\"><span class=\"card-cell-label\">Wartości i limity</span><div>Warunki: Źródło dopuszcza to pole metadanych JSON; dokładna semantyka po stronie dostawcy zależy od modelu.</div></td><td data-cell-label=\"Domyślnie\" data-default=\"unspecified\"><span class=\"card-cell-label\">Domyślnie</span>—</td></tr><tr data-parameter-availability=\"pass_through_metadata\"><th data-cell-label=\"Pole\" scope=\"row\"><span class=\"card-cell-label\">Pole</span><code class=\"card-field-name\">session_id</code></th><td data-cell-label=\"Typ\" data-field-type><span class=\"card-cell-label\">Typ</span><code>json_value</code></td><td data-cell-label=\"Wymaganie\"><span class=\"card-cell-label\">Wymaganie</span>Opcjonalne</td><td data-cell-label=\"Wartości i limity\"><span class=\"card-cell-label\">Wartości i limity</span><div>Warunki: Źródło dopuszcza to pole metadanych JSON; dokładna semantyka po stronie dostawcy zależy od modelu.</div></td><td data-cell-label=\"Domyślnie\" data-default=\"unspecified\"><span class=\"card-cell-label\">Domyślnie</span>—</td></tr><tr data-parameter-availability=\"pass_through_metadata\"><th data-cell-label=\"Pole\" scope=\"row\"><span class=\"card-cell-label\">Pole</span><code class=\"card-field-name\">trace</code></th><td data-cell-label=\"Typ\" data-field-type><span class=\"card-cell-label\">Typ</span><code>json_value</code></td><td data-cell-label=\"Wymaganie\"><span class=\"card-cell-label\">Wymaganie</span>Opcjonalne</td><td data-cell-label=\"Wartości i limity\"><span class=\"card-cell-label\">Wartości i limity</span><div>Warunki: Źródło dopuszcza to pole metadanych JSON; dokładna semantyka po stronie dostawcy zależy od modelu.</div></td><td data-cell-label=\"Domyślnie\" data-default=\"unspecified\"><span class=\"card-cell-label\">Domyślnie</span>—</td></tr><tr data-parameter-availability=\"source_interface\"><th data-cell-label=\"Pole\" scope=\"row\"><span class=\"card-cell-label\">Pole</span><code class=\"card-field-name\">provider</code></th><td data-cell-label=\"Typ\" data-field-type><span class=\"card-cell-label\">Typ</span><code>object</code></td><td data-cell-label=\"Wymaganie\"><span class=\"card-cell-label\">Wymaganie</span>Opcjonalne</td><td data-cell-label=\"Wartości i limity\"><span class=\"card-cell-label\">Wartości i limity</span><div>Warunki: Odrzucono provider.options</div></td><td data-cell-label=\"Domyślnie\" data-default=\"unspecified\"><span class=\"card-cell-label\">Domyślnie</span>—</td></tr></tbody></table></div><details class=\"card-about\" data-material-combinations><summary>Kombinacje materiałów wejściowych</summary><p class=\"note-s\"><b>text_to_embedding</b></p></details><details class=\"note-s\" data-method-contract><summary>Parametry i cykl życia metody</summary><div class=\"tw\" data-card-table=\"contract\"><table><thead><tr><th>Parametr</th><th>Kontrakt</th></tr></thead><tbody><tr><th data-cell-label=\"Parametr\" scope=\"row\"><span class=\"card-cell-label\">Parametr</span><code>content_type</code></th><td data-cell-label=\"Kontrakt\"><span class=\"card-cell-label\">Kontrakt</span>application/json</td></tr><tr><th data-cell-label=\"Parametr\" scope=\"row\"><span class=\"card-cell-label\">Parametr</span><code>required</code></th><td data-cell-label=\"Kontrakt\"><span class=\"card-cell-label\">Kontrakt</span>model, input</td></tr><tr><th data-cell-label=\"Parametr\" scope=\"row\"><span class=\"card-cell-label\">Parametr</span><code>input_shapes</code></th><td data-cell-label=\"Kontrakt\"><span class=\"card-cell-label\">Kontrakt</span>string, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[]</td></tr><tr><th data-cell-label=\"Parametr\" scope=\"row\"><span class=\"card-cell-label\">Parametr</span><code>encoding_format</code></th><td data-cell-label=\"Kontrakt\"><span class=\"card-cell-label\">Kontrakt</span>float</td></tr><tr><th data-cell-label=\"Parametr\" scope=\"row\"><span class=\"card-cell-label\">Parametr</span><code>dimensions_override</code></th><td data-cell-label=\"Kontrakt\"><span class=\"card-cell-label\">Kontrakt</span>false</td></tr><tr><th data-cell-label=\"Parametr\" scope=\"row\"><span class=\"card-cell-label\">Parametr</span><code>max_input_budget_units</code></th><td data-cell-label=\"Kontrakt\"><span class=\"card-cell-label\">Kontrakt</span>512</td></tr><tr><th data-cell-label=\"Parametr\" scope=\"row\"><span class=\"card-cell-label\">Parametr</span><code>multimodal_objects</code></th><td data-cell-label=\"Kontrakt\"><span class=\"card-cell-label\">Kontrakt</span>false</td></tr><tr><th data-cell-label=\"Parametr\" scope=\"row\"><span class=\"card-cell-label\">Parametr</span><code>material_types</code></th><td data-cell-label=\"Kontrakt\"><span class=\"card-cell-label\">Kontrakt</span>text, token_ids</td></tr></tbody></table></div><p>Cykl życia: <code>synchronous_json</code></p><p class=\"note-s\">Zachowaj indeks i liczbę wymiarów każdego wektora.</p><p class=\"note-s\">Nawet jeśli nazwa modelu wskazuje na multimodalność, ta konkretna ścieżka nie obsługuje obiektów obrazów.</p></details></details></section><section class=\"card-section\" data-card-section=\"pricing\"><h3 tabindex=\"-1\">Cennik</h3><div data-native-semantic-method=\"v1\" data-tariff-reference-only><p class=\"note-s\" data-rate-support-note>Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.</p><dl data-price-conditions><dt>Tryb szybki</dt><dd>Stawka standardowa <span class=\"note-s\">Gdy wybrany jest tryb szybki</span></dd><dt>Tryb flex</dt><dd>Stawka standardowa <span class=\"note-s\">Gdy wybrany jest tryb flex</span></dd><dt>Maksymalna intensywność rozumowania</dt><dd>Stawka standardowa <span class=\"note-s\">Gdy dla maksymalnej intensywności rozumowania stosowana jest domyślna korekta (default)</span></dd></dl></div><div data-declared-tariff-pricing><h4>Stawki Ailoot</h4><h4>Ceny według konfiguracji</h4><div class=\"tw\" data-pricing-profiles><table><thead><tr><th>Konfiguracja</th><th>Tabela stawek</th><th>Opłata</th></tr></thead><tbody><tr><th data-cell-label=\"Konfiguracja\" scope=\"row\"><span class=\"card-cell-label\">Konfiguracja</span>Podstawowe stawki za tokeny</th><td data-cell-label=\"Tabela stawek\"><span class=\"card-cell-label\">Tabela stawek</span>Stawka podstawowa</td><td data-cell-label=\"Opłata\"><span class=\"card-cell-label\">Opłata</span><div><span>Wejście · Tokeny wejściowe</span> <b>$0.00002</b> <span class=\"price-unit\">/ 1K tokenów</span></div><div><span>Wyjście · Tokeny wyjściowe</span> <b>$0</b> <span class=\"price-unit\">/ 1K tokenów</span></div><div><span>Wejście · Odczyt cache</span> <b>—</b> <span class=\"price-unit\">/ 1K tokenów</span></div><div><span>Wejście · Zapis do cache</span> <b>—</b> <span class=\"price-unit\">/ 1K tokenów</span></div><div><span>Wejście · Zapis do cache, 1 godz.</span> <b>—</b> <span class=\"price-unit\">/ 1K tokenów</span></div></td></tr></tbody></table></div></div><p class=\"note-s\">Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. <a href=\"/docs/pl/billing/reserve/\">Jak działają rezerwacja i rozliczenie →</a></p></section><section class=\"card-section\" data-card-section=\"examples\"><h3 tabindex=\"-1\">Przykładowe żądania</h3><h4>Ailoot Ultra · Reprezentacje wektorowe</h4><div class=\"code-group\"><div class=\"cg-bar\"><div class=\"cg-tabs\" role=\"tablist\" aria-label=\"Warianty kodu\"><button class=\"cg-tab\" id=\"model-code-1766-tab-0\" role=\"tab\" type=\"button\" aria-controls=\"model-code-1766-panel-0\" aria-selected=\"true\" tabindex=\"0\">curl</button><button class=\"cg-tab\" id=\"model-code-1766-tab-1\" role=\"tab\" type=\"button\" aria-controls=\"model-code-1766-panel-1\" aria-selected=\"false\" tabindex=\"-1\">Python SDK</button></div><div class=\"cg-tools\"><button class=\"cg-btn cg-copy\" type=\"button\" aria-label=\"Kopiuj kod\"><svg class=\"cp\" viewBox=\"0 0 16 16\" fill=\"none\" stroke=\"currentColor\" stroke-width=\"1.4\"><rect x=\"5.25\" y=\"5.25\" width=\"8.5\" height=\"8.5\" rx=\"1.75\"/><path d=\"M10.75 5.25V3.5a1.25 1.25 0 0 0-1.25-1.25H3.5A1.25 1.25 0 0 0 2.25 3.5v6a1.25 1.25 0 0 0 1.25 1.25h1.75\"/></svg><svg class=\"ok\" viewBox=\"0 0 16 16\" fill=\"none\" stroke=\"currentColor\" stroke-width=\"1.4\"><path d=\"m3 8.5 3.25 3.25L13 5\"/></svg></button></div></div><div class=\"cg-body\"><div class=\"cg-pane\" id=\"model-code-1766-panel-0\" role=\"tabpanel\" aria-labelledby=\"model-code-1766-tab-0\"><pre data-lang=\"bash\"><code>set -eu\n: &quot;${AILOOT_API_KEY:?Set your Ailoot API key}&quot;\npython3 - &lt;&lt;&#39;PY_REQUEST&#39;\nimport json,os\nfrom pathlib import Path\np=json.loads(&#39;{&quot;model&quot;: &quot;intfloat/multilingual-e5-large&quot;, &quot;input&quot;: [&quot;First document&quot;, &quot;Second document&quot;]}&#39;)\n\nPath(&quot;request.json&quot;).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 &quot;Authorization: Bearer $AILOOT_API_KEY&quot; -H &#39;Content-Type: application/json&#39; \\\n  --data-binary @request.json -D response-headers.txt -o result.json\npython3 - &lt;&lt;&#39;PY_RESULT&#39;\nimport json\nfrom pathlib import Path\nr=json.loads(Path(&quot;result.json&quot;).read_text())\nfor x in r.get(&quot;data&quot;,[]): print(json.dumps({&quot;index&quot;:x.get(&quot;index&quot;),&quot;embedding&quot;:x.get(&quot;embedding&quot;)}))\nPY_RESULT\n</code></pre></div><div class=\"cg-pane\" id=\"model-code-1766-panel-1\" role=\"tabpanel\" aria-labelledby=\"model-code-1766-tab-1\" hidden><pre data-lang=\"python\"><code>from openai import OpenAI\nimport os\n\nclient=OpenAI(base_url=&quot;https://api.ailoot.ai/v1&quot;,api_key=os.environ[&quot;AILOOT_API_KEY&quot;],max_retries=0)\nresult=client.embeddings.create(model=&#39;intfloat/multilingual-e5-large&#39;,input=[&quot;First document&quot;,&quot;Second document&quot;])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\n</code></pre></div></div></div></section><section class=\"card-section\" data-card-section=\"results\"><h3 tabindex=\"-1\">Odbieranie i zapisywanie wyników</h3><h4>Ailoot Ultra · Reprezentacje wektorowe</h4><p class=\"note-s\">json</p><div class=\"card-result-process\" data-all-results><h5>Zachowaj wszystkie ukończone wyniki</h5><p class=\"note-s\">Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.</p><p class=\"note-s\">Zachowaj każdy wektor wraz z jego indeksem. Liczba wektorów musi być równa liczbie elementów wejściowych; wszystkie wektory muszą mieć tę samą liczbę wymiarów.</p></div><div class=\"card-result-process\" data-unknown-recovery><h5>Jeśli trzeba sprawdzić pierwotną odpowiedź</h5><p class=\"note-s\">Nie wprowadzono endpointu zadań generowania osadzeń.</p></div><details class=\"card-about\" data-output-fields><summary>Pola odpowiedzi</summary><div class=\"tw\" data-card-table=\"output\"><table><thead><tr><th>Pole</th><th>Typ</th></tr></thead><tbody><tr><th data-cell-label=\"Pole\" scope=\"row\"><span class=\"card-cell-label\">Pole</span><code class=\"card-field-name\">object</code></th><td data-cell-label=\"Typ\" data-field-type><span class=\"card-cell-label\">Typ</span>string</td></tr><tr><th data-cell-label=\"Pole\" scope=\"row\"><span class=\"card-cell-label\">Pole</span><code class=\"card-field-name\">model</code></th><td data-cell-label=\"Typ\" data-field-type><span class=\"card-cell-label\">Typ</span>string</td></tr><tr><th data-cell-label=\"Pole\" scope=\"row\"><span class=\"card-cell-label\">Pole</span><code class=\"card-field-name\">data[].index</code></th><td data-cell-label=\"Typ\" data-field-type><span class=\"card-cell-label\">Typ</span>integer</td></tr><tr><th data-cell-label=\"Pole\" scope=\"row\"><span class=\"card-cell-label\">Pole</span><code class=\"card-field-name\">data[].embedding</code></th><td data-cell-label=\"Typ\" data-field-type><span class=\"card-cell-label\">Typ</span>finite float[]</td></tr><tr><th data-cell-label=\"Pole\" scope=\"row\"><span class=\"card-cell-label\">Pole</span><code class=\"card-field-name\">usage</code></th><td data-cell-label=\"Typ\" data-field-type><span class=\"card-cell-label\">Typ</span>object</td></tr></tbody></table></div></details><details class=\"card-about\" data-method-errors><summary>Błędy i dalsze kroki</summary><div class=\"tw\" data-card-table=\"errors\"><table><thead><tr><th>Odpowiedź</th><th>Warunek</th><th>Następny krok</th></tr></thead><tbody><tr><th data-cell-label=\"Odpowiedź\" scope=\"row\"><span class=\"card-cell-label\">Odpowiedź</span>400 · <code>invalid_request_error</code></th><td data-cell-label=\"Warunek\"><span class=\"card-cell-label\">Warunek</span>Nieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru</td><td data-cell-label=\"Następny krok\"><span class=\"card-cell-label\">Następny krok</span>Popraw wskazane pola przed nowym żądaniem utworzenia.</td></tr></tbody></table></div></details></section><section class=\"card-section\" data-card-section=\"aliases\"><h3 tabindex=\"-1\">Aliasy</h3><h4>Aliasy modelu</h4><p class=\"note-s\"><span data-model-alias-route=\"Ultra\"><b>Ailoot Ultra</b> <a href=\"#m=intfloat%2Fmultilingual-e5-large&amp;route=Ultra&amp;caller=intfloat%2Fmultilingual-e5-large&amp;fmt=embeddings\"><code>intfloat/multilingual-e5-large</code></a></span></p><h4>Aliasy ścieżek metod</h4><p class=\"note-s\">Użyj ścieżek metod podanych powyżej.</p><h4>Powiązane ID modeli</h4><p class=\"note-s\"><a href=\"#m=intfloat%2Fmultilingual-e5-large&amp;route=Ultra&amp;caller=intfloat%2Fmultilingual-e5-large&amp;fmt=embeddings\"><code>intfloat/multilingual-e5-large</code></a></p></section></div>",
      "method_identity": {
        "effective_request_model_id": "intfloat/multilingual-e5-large",
        "fmt": "embeddings",
        "http": "POST",
        "path": "/v1/embeddings",
        "request_model_id": "intfloat/multilingual-e5-large",
        "route_label": "Ultra"
      },
      "method_key": "Ultra|embeddings|/v1/embeddings|intfloat%2Fmultilingual-e5-large",
      "ordinal": 0,
      "rawMethod": {
        "available": null,
        "cache_read": null,
        "cache_write": null,
        "cache_write_1h": null,
        "contract": {
          "data": {
            "all_results": "Keep every vector with its index. Vector count must equal input count; dimensions must be consistent.",
            "errors": [
              {
                "code": null,
                "condition": "Nieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru",
                "http_status": 400,
                "recovery": "Popraw wskazane pola przed nowym żądaniem utworzenia.",
                "type": "invalid_request_error"
              }
            ],
            "hints": [],
            "ignored_fields": [],
            "lifecycle": {
              "create": {
                "http": "POST",
                "path": "/v1/embeddings"
              },
              "job_read": null,
              "mode": "synchronous_json",
              "unknown": "Nie wprowadzono endpointu zadań generowania osadzeń."
            },
            "material_combinations": [
              {
                "alternatives": [
                  "string",
                  "string[]",
                  "nonnegative_integer_token_array",
                  "nonnegative_integer_token_array[]"
                ],
                "mode": "text_to_embedding"
              }
            ],
            "operation_modes": [
              "single_embedding",
              "batched_embeddings"
            ],
            "outputs": {
              "all_results": "Zachowaj każdy wektor wraz z jego indeksem. Liczba wektorów musi być równa liczbie elementów wejściowych; wszystkie wektory muszą mieć tę samą liczbę wymiarów.",
              "default_dimensions": null,
              "family": "embedding",
              "fields": [
                {
                  "description": null,
                  "name": "object",
                  "type": "string"
                },
                {
                  "description": null,
                  "name": "model",
                  "type": "string"
                },
                {
                  "description": null,
                  "name": "data[].index",
                  "type": "integer"
                },
                {
                  "description": null,
                  "name": "data[].embedding",
                  "type": "finite float[]"
                },
                {
                  "description": null,
                  "name": "usage",
                  "type": "object"
                }
              ],
              "format": "json"
            },
            "parameters": [
              {
                "availability": "source_interface",
                "default": null,
                "default_known": false,
                "enum": [
                  "intfloat/multilingual-e5-large"
                ],
                "enum_known": true,
                "name": "model",
                "required": true,
                "type": "string"
              },
              {
                "availability": "source_interface",
                "budget": {
                  "maximum": 512,
                  "text_unit": "bajty UTF8",
                  "token_unit": "elementy tablicy tokenów"
                },
                "conditions": "Niepusta, jednorodna partia danych. Identyfikatory tokenów są nieujemnymi liczbami całkowitymi.",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "min_items": 1,
                "name": "input",
                "required": true,
                "type": "string|string[]|integer[]|integer[][]"
              },
              {
                "availability": "source_interface",
                "default": "float",
                "default_known": true,
                "enum": [
                  "float"
                ],
                "enum_known": true,
                "name": "encoding_format",
                "required": false,
                "type": "string"
              },
              {
                "availability": "unsupported",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "minimum": 1,
                "name": "dimensions",
                "required": false,
                "type": "integer"
              },
              {
                "availability": "pass_through_metadata",
                "conditions": "Źródło dopuszcza to pole metadanych JSON; dokładna semantyka po stronie dostawcy zależy od modelu.",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "name": "user",
                "required": false,
                "type": "json_value"
              },
              {
                "availability": "pass_through_metadata",
                "conditions": "Źródło dopuszcza to pole metadanych JSON; dokładna semantyka po stronie dostawcy zależy od modelu.",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "name": "session_id",
                "required": false,
                "type": "json_value"
              },
              {
                "availability": "pass_through_metadata",
                "conditions": "Źródło dopuszcza to pole metadanych JSON; dokładna semantyka po stronie dostawcy zależy od modelu.",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "name": "trace",
                "required": false,
                "type": "json_value"
              },
              {
                "availability": "source_interface",
                "conditions": "Odrzucono provider.options",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "name": "provider",
                "required": false,
                "type": "object"
              }
            ],
            "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.",
            "unsupported": [
              "mixed input kinds",
              "empty input",
              "image/audio/file objects",
              "encoding_format=base64",
              "dimensions override"
            ]
          },
          "hints": [
            "Zachowaj indeks i liczbę wymiarów każdego wektora.",
            "Nawet jeśli nazwa modelu wskazuje na multimodalność, ta konkretna ścieżka nie obsługuje obiektów obrazów."
          ],
          "input": {
            "content_type": "application/json",
            "dimensions_override": false,
            "encoding_format": [
              "float"
            ],
            "input_shapes": [
              "string",
              "string[]",
              "nonnegative_integer_token_array",
              "nonnegative_integer_token_array[]"
            ],
            "material_types": [
              "text",
              "token_ids"
            ],
            "max_input_budget_units": 512,
            "multimodal_objects": false,
            "required": [
              "model",
              "input"
            ]
          },
          "lifecycle": {
            "mode": "synchronous_json",
            "unknown": "no embedding job endpoint inferred"
          },
          "manufacturer_capability": null,
          "method": {
            "http": "POST",
            "path": "/v1/embeddings"
          },
          "method_aliases": [],
          "operation_modes": [
            "text_to_embedding"
          ],
          "output": {
            "default_dimensions": null,
            "family": "embedding",
            "format": "json",
            "http_success": 200,
            "vectors": "one dense float vector per input; indices/model/usage validated"
          }
        },
        "ctx": 512,
        "declared_pricing_profiles": [
          {
            "dimensions": {
              "regime": "base"
            },
            "label": "Podstawowe stawki za tokeny",
            "units": [
              {
                "amount": "0.00002000",
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "input_price",
                "label": "Input tokens",
                "native_amount_usd_per_unit": "0.00000002",
                "native_quantity": 1,
                "native_unit": "input_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "input_token"
              },
              {
                "amount": "0",
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "output_price",
                "label": "Output tokens",
                "native_amount_usd_per_unit": "0",
                "native_quantity": 1,
                "native_unit": "output_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "out",
                "unit": "output_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_read_price",
                "label": "Cache read",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "cached_input_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "cached_input_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_write_price",
                "label": "Cache write",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "generic_cache_creation_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "generic_cache_creation_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_write_1h_price",
                "label": "Cache write, 1 hour",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "one_hour_cache_creation_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "one_hour_cache_creation_token"
              }
            ]
          }
        ],
        "examples": [
          {
            "code": "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/multilingual-e5-large\", \"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\n",
            "label": "curl · retained exact creation",
            "language": "bash"
          },
          {
            "code": "from 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/multilingual-e5-large',input=[\"First document\",\"Second document\"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\n",
            "label": "Python SDK · all vectors",
            "language": "python"
          }
        ],
        "family": "openai",
        "fast_multiplier": 1,
        "flex_multiplier": 1,
        "fmt": "embeddings",
        "hints": [
          "Keep every vector index and dimension.",
          "Multimodal model name does not admit image objects on this exact path."
        ],
        "http": "POST",
        "in": 0.02,
        "input": [
          "text",
          "token_ids"
        ],
        "label": "Эмбеддинги",
        "max_out": null,
        "max_reasoning_effort_multiplier": 1,
        "method_aliases": [],
        "out": 0,
        "output": [
          "embedding"
        ],
        "path": "/v1/embeddings",
        "price_conditions": [
          {
            "label": "Tryb szybki",
            "value": "Stawka standardowa",
            "when": "Gdy wybrany jest tryb szybki"
          },
          {
            "label": "Tryb flex",
            "value": "Stawka standardowa",
            "when": "Gdy wybrany jest tryb flex"
          },
          {
            "label": "Maksymalna intensywność rozumowania",
            "value": "Stawka standardowa",
            "when": "Gdy dla maksymalnej intensywności rozumowania stosowana jest domyślna korekta (default)"
          }
        ],
        "pricing": {
          "billing_mode": "token",
          "image_input_price": null,
          "image_output_price": null,
          "per_request_price": null
        },
        "pricing_profiles": [
          {
            "dimensions": {
              "regime": "base"
            },
            "label": "Base token rates",
            "units": [
              {
                "amount": "0.00002000",
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "input_price",
                "label": "Input tokens",
                "native_amount_usd_per_unit": "0.00000002",
                "native_quantity": 1,
                "native_unit": "input_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "input_token"
              },
              {
                "amount": "0",
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "output_price",
                "label": "Output tokens",
                "native_amount_usd_per_unit": "0",
                "native_quantity": 1,
                "native_unit": "output_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "out",
                "unit": "output_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_read_price",
                "label": "Cache read",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "cached_input_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "cached_input_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_write_price",
                "label": "Cache write",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "generic_cache_creation_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "generic_cache_creation_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_write_1h_price",
                "label": "Cache write, 1 hour",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "one_hour_cache_creation_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "one_hour_cache_creation_token"
              }
            ]
          }
        ],
        "request_model_id": "intfloat/multilingual-e5-large",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "units": [
          {
            "amount": "0.00002000",
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "input_price",
            "label": "Input tokens",
            "native_amount_usd_per_unit": "0.00000002",
            "native_quantity": 1,
            "native_unit": "input_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "input_token"
          },
          {
            "amount": "0",
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "output_price",
            "label": "Output tokens",
            "native_amount_usd_per_unit": "0",
            "native_quantity": 1,
            "native_unit": "output_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "out",
            "unit": "output_token"
          },
          {
            "amount": null,
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "cache_read_price",
            "label": "Cache read",
            "native_amount_usd_per_unit": null,
            "native_quantity": 1,
            "native_unit": "cached_input_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "cached_input_token"
          },
          {
            "amount": null,
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "cache_write_price",
            "label": "Cache write",
            "native_amount_usd_per_unit": null,
            "native_quantity": 1,
            "native_unit": "generic_cache_creation_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "generic_cache_creation_token"
          },
          {
            "amount": null,
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "cache_write_1h_price",
            "label": "Cache write, 1 hour",
            "native_amount_usd_per_unit": null,
            "native_quantity": 1,
            "native_unit": "one_hour_cache_creation_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "one_hour_cache_creation_token"
          }
        ]
      }
    }
  ],
  "model_id": "intfloat/multilingual-e5-large",
  "nativeProvenance": {
    "input_facts_canonical_sha256": "3e50f15c4a016be1a1c108333bbbe0f0a7899a70401c20efb1e2a5fcdc6b5602",
    "input_html_sha256": "a23ee8fbc925195d63b3dedf0b2332d105561de7bc785f94596a2bf3b16aa566",
    "private_audit_sha256": "31cdc68c3641faf1f57ba536a559cfe33f4a43a4224c48d51e334f00dbde5e2b",
    "role": "historical-normalized-input-audit-hashes",
    "schema": "ailoot-native-model-provenance-v2"
  },
  "page": {
    "canonical": "https://ailoot.ai/models/pl/intfloat-multilingual-e5-large/",
    "description": "intfloat Multilingual-E5-Large koduje tekst wielojęzyczny w wektory o 1024 wymiarach za pomocą modelu z 24 warstwami. Obsługuje zakres stu języków XLM-R, używa angielskich prefiksów query/passage w każdym języku i przycina wejście do 512 tokenów.",
    "locale": "pl",
    "md_url": "https://ailoot.ai/models/pl/intfloat-multilingual-e5-large/index.md",
    "title": "Intfloat: Multilingual-E5-Large — Ailoot",
    "url": "https://ailoot.ai/models/pl/intfloat-multilingual-e5-large/"
  },
  "rawModel": {
    "about": "Multilingual-E5-Large to wielojęzyczny model gęstych osadzeń tekstowych intfloat, z dwudziestoma czterema warstwami i wyjściem o 1024 wymiarach. Jest inicjalizowany na podstawie XLM-RoBERTa Large i dalej trenowany na danych wielojęzycznych. Karta modelu opisuje obsługę zakresu stu języków XLM-R, zaznaczając słabsze wyniki dla języków o niewielkich zasobach danych. Jego wektory reprezentują tekst do wyszukiwania, porównania semantycznego i zadań z cechami liczbowymi.\n\n### Zachowaj rolę wejścia w każdym języku\n\nPrefiksy używane w treningu to „query:” i „passage:”, również dla tekstu nieangielskiego. Zapytanie wyszukiwawcze i fragmenty jego korpusu korzystają z odpowiadających im ról. Prefiksy pozostają tymi angielskimi ciągami znaków, a źródłowe sformułowania zachowują własny język. Do symetrycznego podobieństwa semantycznego, wyszukiwania parafraz, wydobywania par tekstów dwujęzycznych lub wykorzystania cech producent zaleca „query:”.\n\nPraktyczny zbiór może zawierać dokumentację w kilku obsługiwanych językach. Zachowaj z wektorem każdego fragmentu jego język, oryginalny tekst i lokalizację źródła. Przygotuj rzeczywiste pytania odbiorców, zamiast zakładać, że jeden angielski test reprezentuje cały zbiór. Wyjście powinno zwracać rzeczywisty fragment i jego kontekst, aby czytelnik mógł ocenić jego treść.\n\nW zadaniu dopasowania wielojęzycznego jasno określ cel porównania. Proponowana para tłumaczeń i zapytanie szukające wspierającego fragmentu wymagają różnego przygotowania. Wskazówki modelu dotyczące prefiksów ról dostarczają konkretnej konwencji dla tych zadań; pominięcie prefiksu nie jest udokumentowanym odpowiednikiem, ponieważ zmienia wzorzec wejścia używany podczas treningu.\n\n### Agregacja i porównywanie wektorów\n\nPrzykład producenta uśrednia reprezentacje tokenów, korzystając z maski uwagi do wykluczenia dopełnienia, a następnie normalizuje wektor. Iloczyny skalarne znormalizowanych wektorów dają podobieństwo cosinusowe. Tablica o 1024 wymiarach reprezentuje jeden przygotowany tekst. Zachowaj powiązanie dokładnego modelu i przygotowania ze składowanymi wektorami, aby późniejsze zapytania używały zgodnej reprezentacji.\n\nWektory te mogą dostarczać rankingi kandydatów lub cechy do późniejszego etapu grupowania albo klasyfikacji. Nie tłumaczą źródła ani nie piszą odpowiedzi. Zwracaj źródłowy tekst fragmentu, gdy wynik wyszukiwania ma wspierać czytelnika lub późniejszy etap generowania w RAG.\n\n### Trening i pokrycie języków\n\nKarta modelu dokumentuje kontrastywne trenowanie wstępne ze słabym nadzorem, po którym następuje nadzorowane dostrajanie. Przygotowanie wielojęzyczne obejmuje materiał taki jak pary tytuł–fragment, pary konwersacyjne i pary tłumaczeń, a oznaczone dane wyszukiwania i rozumienia języka służą późniejszemu etapowi. Wyjaśnia to zamierzone zadania reprezentacji tekstu, nie potwierdzając równych wyników w każdym języku.\n\nProducent wyraźnie wskazuje pogorszenie wyników w językach o niewielkich zasobach jako ograniczenie. Sprawdzaj rzeczywiste języki i sformułowania w zbiorze, w tym skróty, nazwy i słownictwo specjalistyczne. Etykieta wielojęzyczności jest użytecznym opisem zakresu; trafność zwracanego tekstu nadal wymaga oceny dla odbiorców i zadania.\n\n### Długość i użyteczne wyniki\n\nDługie wejście jest przycinane do maksymalnie 512 tokenów. Przygotuj obszerny dokument jako spójne fragmenty zawierające prefiks roli i istotne nagłówki. Zachowaj definicje i zastrzeżenia obok twierdzenia, na które wpływają, a identyfikator dokumentu nadrzędnego i wersję źródła przechowuj poza wektorem.\n\nProducent zaleca skupienie się na względnej kolejności ocen cosinusowych, zamiast traktować wartość bezwzględną jako uniwersalną miarę pewności. Użyteczny wynik to zbiór fragmentów kandydujących, porównywalne reprezentacje tekstu lub cechy powiązane z pierwotnymi rekordami. Ten konkretny model pozostaje odrębny od wyłącznie angielskich punktów kontrolnych E5 v2 i wariantów E5 dostrojonych instrukcjami, nawet gdy inny model również zwraca 1024 wartości.",
    "alias_of": null,
    "aliases": [],
    "author": "Intfloat",
    "available": null,
    "canonical_model": "intfloat/multilingual-e5-large",
    "capabilities": {
      "context_length": 512,
      "manufacturer_input": [
        "text"
      ],
      "manufacturer_output": [
        "embeddings"
      ]
    },
    "card_routes": [
      {
        "label": "Ultra",
        "rates": [
          {
            "amount": "0.00002000",
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "input_price",
            "label": "Input tokens",
            "native_amount_usd_per_unit": "0.00000002",
            "native_quantity": 1,
            "native_unit": "input_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "input_token"
          },
          {
            "amount": "0",
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "output_price",
            "label": "Output tokens",
            "native_amount_usd_per_unit": "0",
            "native_quantity": 1,
            "native_unit": "output_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "out",
            "unit": "output_token"
          }
        ],
        "summary": "Pełny cennik konfiguracji w szczegółach."
      }
    ],
    "ctx": 512,
    "entity_type": "model",
    "formats": [
      "embeddings"
    ],
    "id": "intfloat/multilingual-e5-large",
    "input": [
      "text",
      "token_ids"
    ],
    "kind": "embedding",
    "max_out": null,
    "methods": [
      {
        "available": null,
        "cache_read": null,
        "cache_write": null,
        "cache_write_1h": null,
        "contract": {
          "data": {
            "all_results": "Keep every vector with its index. Vector count must equal input count; dimensions must be consistent.",
            "errors": [
              {
                "code": null,
                "condition": "Nieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru",
                "http_status": 400,
                "recovery": "Popraw wskazane pola przed nowym żądaniem utworzenia.",
                "type": "invalid_request_error"
              }
            ],
            "hints": [],
            "ignored_fields": [],
            "lifecycle": {
              "create": {
                "http": "POST",
                "path": "/v1/embeddings"
              },
              "job_read": null,
              "mode": "synchronous_json",
              "unknown": "Nie wprowadzono endpointu zadań generowania osadzeń."
            },
            "material_combinations": [
              {
                "alternatives": [
                  "string",
                  "string[]",
                  "nonnegative_integer_token_array",
                  "nonnegative_integer_token_array[]"
                ],
                "mode": "text_to_embedding"
              }
            ],
            "operation_modes": [
              "single_embedding",
              "batched_embeddings"
            ],
            "outputs": {
              "all_results": "Zachowaj każdy wektor wraz z jego indeksem. Liczba wektorów musi być równa liczbie elementów wejściowych; wszystkie wektory muszą mieć tę samą liczbę wymiarów.",
              "default_dimensions": null,
              "family": "embedding",
              "fields": [
                {
                  "description": null,
                  "name": "object",
                  "type": "string"
                },
                {
                  "description": null,
                  "name": "model",
                  "type": "string"
                },
                {
                  "description": null,
                  "name": "data[].index",
                  "type": "integer"
                },
                {
                  "description": null,
                  "name": "data[].embedding",
                  "type": "finite float[]"
                },
                {
                  "description": null,
                  "name": "usage",
                  "type": "object"
                }
              ],
              "format": "json"
            },
            "parameters": [
              {
                "availability": "source_interface",
                "default": null,
                "default_known": false,
                "enum": [
                  "intfloat/multilingual-e5-large"
                ],
                "enum_known": true,
                "name": "model",
                "required": true,
                "type": "string"
              },
              {
                "availability": "source_interface",
                "budget": {
                  "maximum": 512,
                  "text_unit": "bajty UTF8",
                  "token_unit": "elementy tablicy tokenów"
                },
                "conditions": "Niepusta, jednorodna partia danych. Identyfikatory tokenów są nieujemnymi liczbami całkowitymi.",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "min_items": 1,
                "name": "input",
                "required": true,
                "type": "string|string[]|integer[]|integer[][]"
              },
              {
                "availability": "source_interface",
                "default": "float",
                "default_known": true,
                "enum": [
                  "float"
                ],
                "enum_known": true,
                "name": "encoding_format",
                "required": false,
                "type": "string"
              },
              {
                "availability": "unsupported",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "minimum": 1,
                "name": "dimensions",
                "required": false,
                "type": "integer"
              },
              {
                "availability": "pass_through_metadata",
                "conditions": "Źródło dopuszcza to pole metadanych JSON; dokładna semantyka po stronie dostawcy zależy od modelu.",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "name": "user",
                "required": false,
                "type": "json_value"
              },
              {
                "availability": "pass_through_metadata",
                "conditions": "Źródło dopuszcza to pole metadanych JSON; dokładna semantyka po stronie dostawcy zależy od modelu.",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "name": "session_id",
                "required": false,
                "type": "json_value"
              },
              {
                "availability": "pass_through_metadata",
                "conditions": "Źródło dopuszcza to pole metadanych JSON; dokładna semantyka po stronie dostawcy zależy od modelu.",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "name": "trace",
                "required": false,
                "type": "json_value"
              },
              {
                "availability": "source_interface",
                "conditions": "Odrzucono provider.options",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "name": "provider",
                "required": false,
                "type": "object"
              }
            ],
            "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.",
            "unsupported": [
              "mixed input kinds",
              "empty input",
              "image/audio/file objects",
              "encoding_format=base64",
              "dimensions override"
            ]
          },
          "hints": [
            "Zachowaj indeks i liczbę wymiarów każdego wektora.",
            "Nawet jeśli nazwa modelu wskazuje na multimodalność, ta konkretna ścieżka nie obsługuje obiektów obrazów."
          ],
          "input": {
            "content_type": "application/json",
            "dimensions_override": false,
            "encoding_format": [
              "float"
            ],
            "input_shapes": [
              "string",
              "string[]",
              "nonnegative_integer_token_array",
              "nonnegative_integer_token_array[]"
            ],
            "material_types": [
              "text",
              "token_ids"
            ],
            "max_input_budget_units": 512,
            "multimodal_objects": false,
            "required": [
              "model",
              "input"
            ]
          },
          "lifecycle": {
            "mode": "synchronous_json",
            "unknown": "no embedding job endpoint inferred"
          },
          "manufacturer_capability": null,
          "method": {
            "http": "POST",
            "path": "/v1/embeddings"
          },
          "method_aliases": [],
          "operation_modes": [
            "text_to_embedding"
          ],
          "output": {
            "default_dimensions": null,
            "family": "embedding",
            "format": "json",
            "http_success": 200,
            "vectors": "one dense float vector per input; indices/model/usage validated"
          }
        },
        "ctx": 512,
        "declared_pricing_profiles": [
          {
            "dimensions": {
              "regime": "base"
            },
            "label": "Podstawowe stawki za tokeny",
            "units": [
              {
                "amount": "0.00002000",
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "input_price",
                "label": "Input tokens",
                "native_amount_usd_per_unit": "0.00000002",
                "native_quantity": 1,
                "native_unit": "input_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "input_token"
              },
              {
                "amount": "0",
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "output_price",
                "label": "Output tokens",
                "native_amount_usd_per_unit": "0",
                "native_quantity": 1,
                "native_unit": "output_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "out",
                "unit": "output_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_read_price",
                "label": "Cache read",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "cached_input_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "cached_input_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_write_price",
                "label": "Cache write",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "generic_cache_creation_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "generic_cache_creation_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_write_1h_price",
                "label": "Cache write, 1 hour",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "one_hour_cache_creation_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "one_hour_cache_creation_token"
              }
            ]
          }
        ],
        "examples": [
          {
            "code": "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/multilingual-e5-large\", \"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\n",
            "label": "curl · retained exact creation",
            "language": "bash"
          },
          {
            "code": "from 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/multilingual-e5-large',input=[\"First document\",\"Second document\"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\n",
            "label": "Python SDK · all vectors",
            "language": "python"
          }
        ],
        "family": "openai",
        "fast_multiplier": 1,
        "flex_multiplier": 1,
        "fmt": "embeddings",
        "hints": [
          "Keep every vector index and dimension.",
          "Multimodal model name does not admit image objects on this exact path."
        ],
        "http": "POST",
        "in": 0.02,
        "input": [
          "text",
          "token_ids"
        ],
        "label": "Эмбеддинги",
        "max_out": null,
        "max_reasoning_effort_multiplier": 1,
        "method_aliases": [],
        "out": 0,
        "output": [
          "embedding"
        ],
        "path": "/v1/embeddings",
        "price_conditions": [
          {
            "label": "Tryb szybki",
            "value": "Stawka standardowa",
            "when": "Gdy wybrany jest tryb szybki"
          },
          {
            "label": "Tryb flex",
            "value": "Stawka standardowa",
            "when": "Gdy wybrany jest tryb flex"
          },
          {
            "label": "Maksymalna intensywność rozumowania",
            "value": "Stawka standardowa",
            "when": "Gdy dla maksymalnej intensywności rozumowania stosowana jest domyślna korekta (default)"
          }
        ],
        "pricing": {
          "billing_mode": "token",
          "image_input_price": null,
          "image_output_price": null,
          "per_request_price": null
        },
        "pricing_profiles": [
          {
            "dimensions": {
              "regime": "base"
            },
            "label": "Base token rates",
            "units": [
              {
                "amount": "0.00002000",
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "input_price",
                "label": "Input tokens",
                "native_amount_usd_per_unit": "0.00000002",
                "native_quantity": 1,
                "native_unit": "input_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "input_token"
              },
              {
                "amount": "0",
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "output_price",
                "label": "Output tokens",
                "native_amount_usd_per_unit": "0",
                "native_quantity": 1,
                "native_unit": "output_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "out",
                "unit": "output_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_read_price",
                "label": "Cache read",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "cached_input_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "cached_input_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_write_price",
                "label": "Cache write",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "generic_cache_creation_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "generic_cache_creation_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_write_1h_price",
                "label": "Cache write, 1 hour",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "one_hour_cache_creation_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "one_hour_cache_creation_token"
              }
            ]
          }
        ],
        "request_model_id": "intfloat/multilingual-e5-large",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "units": [
          {
            "amount": "0.00002000",
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "input_price",
            "label": "Input tokens",
            "native_amount_usd_per_unit": "0.00000002",
            "native_quantity": 1,
            "native_unit": "input_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "input_token"
          },
          {
            "amount": "0",
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "output_price",
            "label": "Output tokens",
            "native_amount_usd_per_unit": "0",
            "native_quantity": 1,
            "native_unit": "output_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "out",
            "unit": "output_token"
          },
          {
            "amount": null,
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "cache_read_price",
            "label": "Cache read",
            "native_amount_usd_per_unit": null,
            "native_quantity": 1,
            "native_unit": "cached_input_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "cached_input_token"
          },
          {
            "amount": null,
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "cache_write_price",
            "label": "Cache write",
            "native_amount_usd_per_unit": null,
            "native_quantity": 1,
            "native_unit": "generic_cache_creation_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "generic_cache_creation_token"
          },
          {
            "amount": null,
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "cache_write_1h_price",
            "label": "Cache write, 1 hour",
            "native_amount_usd_per_unit": null,
            "native_quantity": 1,
            "native_unit": "one_hour_cache_creation_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "one_hour_cache_creation_token"
          }
        ]
      }
    ],
    "model_aliases": [
      {
        "canonical_model_id": "intfloat/multilingual-e5-large",
        "request_model_id": "intfloat/multilingual-e5-large",
        "route_label": "Ultra"
      }
    ],
    "name": "Intfloat: Multilingual-E5-Large",
    "price": {
      "in": 0.02,
      "in_label": null,
      "out": 0,
      "out_label": null,
      "scope_label": "Token rates",
      "sort_in": 0.02,
      "sort_out": 0,
      "varies": false
    },
    "pricing_profiles": [
      {
        "dimensions": {
          "regime": "base"
        },
        "label": "Эмбеддинги · Base token rates",
        "units": [
          {
            "amount": "0.00002000",
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "input_price",
            "label": "Input tokens",
            "native_amount_usd_per_unit": "0.00000002",
            "native_quantity": 1,
            "native_unit": "input_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "input_token"
          },
          {
            "amount": "0",
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "output_price",
            "label": "Output tokens",
            "native_amount_usd_per_unit": "0",
            "native_quantity": 1,
            "native_unit": "output_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "out",
            "unit": "output_token"
          },
          {
            "amount": null,
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "cache_read_price",
            "label": "Cache read",
            "native_amount_usd_per_unit": null,
            "native_quantity": 1,
            "native_unit": "cached_input_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "cached_input_token"
          },
          {
            "amount": null,
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "cache_write_price",
            "label": "Cache write",
            "native_amount_usd_per_unit": null,
            "native_quantity": 1,
            "native_unit": "generic_cache_creation_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "generic_cache_creation_token"
          },
          {
            "amount": null,
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "cache_write_1h_price",
            "label": "Cache write, 1 hour",
            "native_amount_usd_per_unit": null,
            "native_quantity": 1,
            "native_unit": "one_hour_cache_creation_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "one_hour_cache_creation_token"
          }
        ]
      }
    ],
    "public_id": "intfloat/multilingual-e5-large",
    "short": "intfloat Multilingual-E5-Large koduje tekst wielojęzyczny w wektory o 1024 wymiarach za pomocą modelu z 24 warstwami. Obsługuje zakres stu języków XLM-R, używa angielskich prefiksów query/passage w każdym języku i przycina wejście do 512 tokenów."
  },
  "renderer_schema": {
    "method_order": "Original DTO methods order; every exact route/format/path/caller survives.",
    "prices": "Original public DTO fields and original native display HTML; no flattened or normalized offers."
  },
  "representation": "exact-public-dto-and-native-renderer-html",
  "representationNotes": {
    "current_reference": {
      "about_json_pointer": "/aboutHtml",
      "methods": [
        {
          "contract_json_pointer": "/methods/0/rawMethod/contract",
          "html_json_pointer": "/methods/0/html",
          "method_ordinal": 0
        }
      ],
      "role": "current-semantic-reference"
    },
    "raw_input": {
      "examples_role": "historical-input-not-current-ready-examples",
      "json_pointers": [
        "/rawModel",
        "/methods/0/rawMethod"
      ],
      "role": "historical-owner-input"
    },
    "schema": "ailoot-native-model-representations-v1"
  },
  "schema": "ailoot-static-model-facts-v1",
  "schema_version": 1,
  "shortText": "intfloat Multilingual-E5-Large koduje tekst wielojęzyczny w wektory o 1024 wymiarach za pomocą modelu z 24 warstwami. Obsługuje zakres stu języków XLM-R, używa angielskich prefiksów query/passage w każdym języku i przycina wejście do 512 tokenów.",
  "source": {
    "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1",
    "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036",
    "raw_model_json_sha256": "0a044f1ca40e8f86b7f57fedfc5b3b5517b27d891405781d1dd7e35f77c2619f",
    "renderer_sha256": "1217dcf19a93e99ac1d6fd7bf974dc19adc12fea4bd4470c2601f04e48f688cb"
  },
  "sourceRevision": "7a1efec0b5be41f4638f86481b9ba00dfd12a698790fd147a008e95f9cc4b1bb"
}