Source: https://ailoot.ai/models/pl/thenlper-gte-large/
Canonical: https://ailoot.ai/models/pl/thenlper-gte-large/
Language: pl

# Thenlper: GTE-Large

[Markdown](https://ailoot.ai/models/pl/thenlper-gte-large/index.md) · [JSON](https://ailoot.ai/models/pl/thenlper-gte-large/facts.json)

## [Thenlper: GTE-Large](https://ailoot.ai/models/pl/thenlper-gte-large/)

Alibaba DAMO Academy GTE-large zamienia tekst angielski na 1024-wymiarowe wektory do wyszukiwania, oceny podobieństwa semantycznego i ponownego rankingu opartego na osadzeniach. Procedura referencyjna używa uśredniania, opcjonalnej normalizacji i maksymalnej długości sekwencji wynoszącej 512 tokenów.

- [**Ailoot Ultra · Reprezentacje wektorowe** `POST /v1/embeddings` `thenlper/gte-large`](https://ailoot.ai/models/pl/thenlper-gte-large/#method-0)

O modelu

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

GTE-large to duża wersja modelu General Text Embeddings wytrenowana przez Alibaba DAMO Academy. Jest to koder tekstu angielskiego oparty głównie na architekturze BERT, tworzący gęstą reprezentację 1024-wymiarową dla każdego wejścia. Producent trenuje rodzinę GTE na parach powiązanych ze sobą tekstów z różnych dziedzin i wskazuje wyszukiwanie, ocenę podobieństwa semantycznego tekstów oraz ponowny ranking tekstów jako dalsze zastosowania.

#### Reprezentuj zawartość sekcji

Przygotuj fragment angielskiego tekstu, który ma być porównywany z zapytaniem wyszukiwania. W kolekcji raportów technicznych zachowaj temat krótkiej sekcji, obserwację i istotny warunek. Raport opisujący drgania występujące tylko przy określonym obciążeniu powinien zachować ten warunek, zamiast pozostawiać ogólne stwierdzenie o drganiach.

Przechowuj identyfikatory źródeł, tytuły dokumentów i położenie sekcji wraz z zapisanymi wektorami. Zapytanie może wyszukać kandydujące sekcje, a oryginalny raport pozostaje dostępny do weryfikacji urządzenia, warunku i wniosku. Osadzenie dostarcza liczbowej reprezentacji zawartości fragmentu.

#### Agregacja, normalizacja i wykorzystanie wektorów

Opublikowana procedura używa uśredniania reprezentacji tokenów z maską uwagi, wykluczając z obliczenia średniej pozycje dopełniające. Pokazuje również opcjonalną normalizację L2, po której następuje porównanie znormalizowanych wektorów przez iloczyn skalarny. Przykład Sentence Transformers używa podobieństwa kosinusowego.

Zachowaj te same ustawienia przygotowania, agregacji i porównania w kolekcji i po stronie zapytań. Każda reprezentacja zawiera 1024 składniki. Większa liczba składników jest szczegółem danej wersji; nie dowodzi, że wektory GTE-large można mieszać z 768-wymiarową reprezentacją GTE-base lub z innym koderem 1024-wymiarowym.

Proces ponownego rankingu może porównywać osadzenie zapytania z już wyszukanym zestawem osadzeń kandydatów i zmieniać kolejność tych rekordów. Zachowaj rozróżnienie między tym porównywaniem wektorów a osobnym modelem, który wspólnie ocenia parę zapytanie–fragment.

#### Długość wejścia i ograniczenie do języka angielskiego

Karta modelu wyraźnie ogranicza ten konkretny model do tekstu angielskiego i obcina długie wejścia do maksymalnie 512 tokenów. Dziel długi raport techniczny na spójne sekcje i zachowaj dość lokalnego kontekstu, aby każda była zrozumiała samodzielnie. Jeśli zdanie zależy od wcześniejszego zastrzeżenia, zachowaj je w tej samej indeksowanej jednostce, o ile się mieści.

Granica tokenów różni się od widocznej liczby słów. Sprawdź długość przygotowanej sekcji i upewnij się, że szczegół potrzebny w zamierzonym wyszukiwaniu nie znajduje się poza częścią zachowaną po obcięciu.

#### Sprawdzaj wyszukane materiały źródłowe

W aplikacji do przeszukiwania raportów prezentuj kandydujące sekcje wraz z ich położeniem w źródłach i sprawdzaj rzeczywistą zawartość. Podobne obserwacje mogą mieć różne przyczyny lub zalecenia. Wynik porównania wektorów pomaga uporządkować kandydatów przy wybranej konfiguracji porównania; nie dowodzi, że wniosek z raportu ma zastosowanie w nowej sytuacji.

W RAG używaj wybranych sekcji jako kontekstu źródłowego dla etapu pisania odpowiedzi i zachowaj ich powiązania z dokumentami. Ten konkretny profil GTE-large dostarcza gęstych osadzeń angielskiego tekstu o 1024 wymiarach i granicy wejścia wynoszącej 512 tokenów. Późniejsze wielojęzyczne wersje GTE i wersje z rozszerzonym kontekstem mają odrębne tożsamości, więc ich zakres językowy ani ustawienia wejścia nie wynikają z nazwy rodziny tej wersji modelu.

**Ailoot Ultra · Reprezentacje wektorowe** `POST /v1/embeddings` `thenlper/gte-large`

[`thenlper/gte-large`](https://ailoot.ai/models/pl/#m=thenlper%2Fgte-large&route=Ultra&caller=thenlper%2Fgte-large&fmt=embeddings)

Thenlper /`thenlper/gte-large`

### Start

Alibaba DAMO Academy GTE-large zamienia tekst angielski na 1024-wymiarowe wektory do wyszukiwania, oceny podobieństwa semantycznego i ponownego rankingu opartego na osadzeniach. Procedura referencyjna używa uśredniania, opcjonalnej normalizacji i maksymalnej długości sekwencji wynoszącej 512 tokenów.

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 thenlper/gte-large | 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 →](https://ailoot.ai/docs/pl/billing/reserve/)

### Przykładowe żądania

#### Ailoot Ultra · Reprezentacje wektorowe

curlPython SDK

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

```python
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='thenlper/gte-large',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** [`thenlper/gte-large`](https://ailoot.ai/models/pl/#m=thenlper%2Fgte-large&route=Ultra&caller=thenlper%2Fgte-large&fmt=embeddings)

#### Aliasy ścieżek metod

Użyj ścieżek metod podanych powyżej.

#### Powiązane ID modeli

[`thenlper/gte-large`](https://ailoot.ai/models/pl/#m=thenlper%2Fgte-large&route=Ultra&caller=thenlper%2Fgte-large&fmt=embeddings)

FAQ · Thenlper: GTE-Large

Jakie dane wejściowe i wyniki są dostępne?

`POST /v1/embeddings` · `thenlper/gte-large`: `text`, `token_ids` → `embedding`

Jakich pól używa żądanie?

`POST /v1/embeddings` · `thenlper/gte-large`: `model`, `input`, `encoding_format`, `provider`

Jakie limity obowiązują?

`POST /v1/embeddings` · `thenlper/gte-large`: `input.budget.maximum`: `512` (bajty UTF8); `input.min_items`: `1`

Połącz Ailoot z Claude Code, OpenCode, Hermes albo własną aplikacją.

## Firma i jej portfel projektów

Firma i jej portfel projektów: miliony klientów; miesięczna sprzedaż liczona w miliardach.

## Kupuj tokeny z rabatem.

Rabat subskrypcji do regularnej pracy. Kody promocyjne — do 50% na tokeny.

Subskrypcja

Wybierz plan z rabatem do regularnych żądań.

Kod promocyjny do 50%

Wpisz kod przy zakupie. Cena zostanie przeliczona według aktualnej promocji.

Koszty w historii

Model, tokeny i kwota są zapisywane dla każdego żądania.

[Wybierz subskrypcję](https://ailoot.ai/docs/pl/billing/subscriptions/) · [Sprawdź ceny modeli](https://ailoot.ai/models/pl/)

## Połącz API z produktem, który sprzedajesz.

SaaS, aplikacje i boty na warunkach oferty i umowy licencyjnej Ailoot. Do odsprzedaży poproś o licencję resellerską.

Aplikacja komercyjna

Wbuduj generowanie tekstu, obrazów, wideo i dźwięku w płatne funkcje usługi.

Licencja resellerska

Prześlij opis projektu i schemat dostępu. Poproś o pisemne warunki używania i odsprzedaży.

Dokumenty na stronie

Oferta, umowa licencyjna i polityka przetwarzania danych są dostępne przed połączeniem.

[Poproś o licencję resellerską](mailto:support@ailoot.ai) · [Oferta i umowa licencyjna](https://ailoot.ai/legal/offer?lang=pl)

## Ailoot · Firma i jej portfel projektów





Ailoot opiera się na zgromadzonym doświadczeniu operacyjnym, szerokiej bazie klientów, stabilnej usłudze i stałej kontroli KPI.





Firma i jej portfel projektów: miliony klientów; miesięczna sprzedaż liczona w miliardach.





Ailoot wykorzystuje to doświadczenie operacyjne, zapewniając dostęp przez API do funkcji AI w produktach klientów, agentach, aplikacjach i automatyzacjach.