O Multilingual-E5-Large é o modelo multilingue de embeddings densos de texto da intfloat, com vinte e quatro camadas e uma saída de 1024 dimensões. É inicializado a partir do XLM-RoBERTa Large e treinado adicionalmente com dados multilingues. A ficha do modelo descreve o suporte para o âmbito de cem línguas do XLM-R, assinalando um desempenho inferior em línguas com poucos recursos. Os seus vetores representam texto para tarefas de recuperação, comparação semântica e características numéricas.
Os prefixos treinados são “query:” e “passage:”, incluindo para texto que não está em inglês. Uma consulta de recuperação e as passagens do respetivo corpus utilizam os papéis correspondentes. Os prefixos mantêm-se como essas cadeias em inglês, enquanto o texto de origem conserva a sua própria língua. Para similaridade semântica simétrica, recuperação de paráfrases, mineração de bitextos ou utilização como características, o fabricante recomenda “query:”.
Uma coleção prática pode conter documentação em várias línguas suportadas. Guarde, juntamente com o vetor, a língua de cada passagem, o texto original e a localização na fonte. Prepare perguntas de pesquisa reais do público, em vez de presumir que um único teste em inglês representa toda a coleção. O resultado deve devolver a passagem efetiva e o seu contexto, para que o leitor possa avaliar o que ela diz.
Numa tarefa de correspondência multilingue, mantenha claro o objetivo da comparação. Um par candidato de traduções e uma consulta que procura uma passagem de apoio são preparações diferentes. As orientações do modelo sobre prefixos de papel fornecem uma convenção concreta para essas tarefas; omitir o prefixo não é o equivalente documentado, porque altera o padrão de entrada utilizado no treino.
O exemplo do fabricante calcula a média das representações dos tokens usando uma máscara de atenção para excluir o preenchimento e, em seguida, normaliza o vetor. Os produtos escalares normalizados dão a similaridade de cosseno. A matriz de 1024 dimensões representa um texto preparado. Mantenha o modelo exato e a preparação associados aos vetores armazenados, para que as consultas posteriores utilizem a representação correspondente.
Estes vetores podem fornecer ordenações de candidatos ou características para uma fase posterior de agrupamento ou classificação. Não traduzem a fonte nem redigem uma resposta. Devolva o texto da passagem subjacente quando um resultado de recuperação se destina a apoiar um leitor ou uma fase posterior de geração RAG.
A ficha do modelo documenta um pré-treino contrastivo com supervisão fraca, seguido de um ajuste fino supervisionado. A preparação multilingue inclui material como pares título–passagem, pares conversacionais e pares de tradução, enquanto dados rotulados de recuperação e de compreensão da linguagem constituem a fase posterior. Isto explica as tarefas de representação de texto a que o modelo se destina, sem estabelecer um desempenho igual em todas as línguas.
O fabricante identifica explicitamente a degradação em línguas com poucos recursos como uma limitação. Verifique as línguas e a redação efetivas da coleção, incluindo abreviaturas, nomes e vocabulário especializado. Um rótulo multilingue é uma descrição útil do âmbito; a relevância do texto devolvido continua a ter de ser examinada para o público e a tarefa em causa.
As entradas longas são truncadas em, no máximo, 512 tokens. Prepare um documento extenso como passagens coerentes, incluindo o prefixo de papel e os títulos relevantes. Mantenha as definições e ressalvas junto da afirmação que afetam, e guarde fora do vetor um identificador do documento principal e a versão da fonte.
O fabricante recomenda que se dê atenção à ordem relativa das pontuações de cosseno, em vez de tratar um valor absoluto como medida universal de confiança. Um resultado útil é um conjunto de passagens candidatas, representações de texto comparáveis ou características ligadas aos seus registos originais. Este modelo exato permanece distinto das versões E5 v2 exclusivamente em inglês e das variantes E5 ajustadas por instruções, mesmo quando outro modelo também devolve 1024 valores.
", "aboutText": "O Multilingual-E5-Large é o modelo multilingue de embeddings densos de texto da intfloat, com vinte e quatro camadas e uma saída de 1024 dimensões. É inicializado a partir do XLM-RoBERTa Large e treinado adicionalmente com dados multilingues. A ficha do modelo descreve o suporte para o âmbito de cem línguas do XLM-R, assinalando um desempenho inferior em línguas com poucos recursos. Os seus vetores representam texto para tarefas de recuperação, comparação semântica e características numéricas.\n\n### Preservar o papel da entrada em todas as línguas\n\nOs prefixos treinados são “query:” e “passage:”, incluindo para texto que não está em inglês. Uma consulta de recuperação e as passagens do respetivo corpus utilizam os papéis correspondentes. Os prefixos mantêm-se como essas cadeias em inglês, enquanto o texto de origem conserva a sua própria língua. Para similaridade semântica simétrica, recuperação de paráfrases, mineração de bitextos ou utilização como características, o fabricante recomenda “query:”.\n\nUma coleção prática pode conter documentação em várias línguas suportadas. Guarde, juntamente com o vetor, a língua de cada passagem, o texto original e a localização na fonte. Prepare perguntas de pesquisa reais do público, em vez de presumir que um único teste em inglês representa toda a coleção. O resultado deve devolver a passagem efetiva e o seu contexto, para que o leitor possa avaliar o que ela diz.\n\nNuma tarefa de correspondência multilingue, mantenha claro o objetivo da comparação. Um par candidato de traduções e uma consulta que procura uma passagem de apoio são preparações diferentes. As orientações do modelo sobre prefixos de papel fornecem uma convenção concreta para essas tarefas; omitir o prefixo não é o equivalente documentado, porque altera o padrão de entrada utilizado no treino.\n\n### Agregação e comparação de vetores\n\nO exemplo do fabricante calcula a média das representações dos tokens usando uma máscara de atenção para excluir o preenchimento e, em seguida, normaliza o vetor. Os produtos escalares normalizados dão a similaridade de cosseno. A matriz de 1024 dimensões representa um texto preparado. Mantenha o modelo exato e a preparação associados aos vetores armazenados, para que as consultas posteriores utilizem a representação correspondente.\n\nEstes vetores podem fornecer ordenações de candidatos ou características para uma fase posterior de agrupamento ou classificação. Não traduzem a fonte nem redigem uma resposta. Devolva o texto da passagem subjacente quando um resultado de recuperação se destina a apoiar um leitor ou uma fase posterior de geração RAG.\n\n### Treino e cobertura linguística\n\nA ficha do modelo documenta um pré-treino contrastivo com supervisão fraca, seguido de um ajuste fino supervisionado. A preparação multilingue inclui material como pares título–passagem, pares conversacionais e pares de tradução, enquanto dados rotulados de recuperação e de compreensão da linguagem constituem a fase posterior. Isto explica as tarefas de representação de texto a que o modelo se destina, sem estabelecer um desempenho igual em todas as línguas.\n\nO fabricante identifica explicitamente a degradação em línguas com poucos recursos como uma limitação. Verifique as línguas e a redação efetivas da coleção, incluindo abreviaturas, nomes e vocabulário especializado. Um rótulo multilingue é uma descrição útil do âmbito; a relevância do texto devolvido continua a ter de ser examinada para o público e a tarefa em causa.\n\n### Comprimento e resultados úteis\n\nAs entradas longas são truncadas em, no máximo, 512 tokens. Prepare um documento extenso como passagens coerentes, incluindo o prefixo de papel e os títulos relevantes. Mantenha as definições e ressalvas junto da afirmação que afetam, e guarde fora do vetor um identificador do documento principal e a versão da fonte.\n\nO fabricante recomenda que se dê atenção à ordem relativa das pontuações de cosseno, em vez de tratar um valor absoluto como medida universal de confiança. Um resultado útil é um conjunto de passagens candidatas, representações de texto comparáveis ou características ligadas aos seus registos originais. Este modelo exato permanece distinto das versões E5 v2 exclusivamente em inglês e das variantes E5 ajustadas por instruções, mesmo quando outro modelo também devolve 1024 valores.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "98ee3e52e24fee37926a2370d565721b8676a43a3c73ec6d517f5294676779e9", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pt-pt", "methods": [ { "html": "intfloat/multilingual-e5-largeO intfloat Multilingual-E5-Large codifica texto multilingue em vetores de 1024 dimensões com um modelo de 24 camadas. Suporta o âmbito de cem línguas do XLM-R, utiliza os prefixos ingleses query/passage para todas as línguas e trunca as entradas em 512 tokens.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
O Multilingual-E5-Large é o modelo multilingue de embeddings densos de texto da intfloat, com vinte e quatro camadas e uma saída de 1024 dimensões. É inicializado a partir do XLM-RoBERTa Large e treinado adicionalmente com dados multilingues. A ficha do modelo descreve o suporte para o âmbito de cem línguas do XLM-R, assinalando um desempenho inferior em línguas com poucos recursos. Os seus vetores representam texto para tarefas de recuperação, comparação semântica e características numéricas.
Os prefixos treinados são “query:” e “passage:”, incluindo para texto que não está em inglês. Uma consulta de recuperação e as passagens do respetivo corpus utilizam os papéis correspondentes. Os prefixos mantêm-se como essas cadeias em inglês, enquanto o texto de origem conserva a sua própria língua. Para similaridade semântica simétrica, recuperação de paráfrases, mineração de bitextos ou utilização como características, o fabricante recomenda “query:”.
Uma coleção prática pode conter documentação em várias línguas suportadas. Guarde, juntamente com o vetor, a língua de cada passagem, o texto original e a localização na fonte. Prepare perguntas de pesquisa reais do público, em vez de presumir que um único teste em inglês representa toda a coleção. O resultado deve devolver a passagem efetiva e o seu contexto, para que o leitor possa avaliar o que ela diz.
Numa tarefa de correspondência multilingue, mantenha claro o objetivo da comparação. Um par candidato de traduções e uma consulta que procura uma passagem de apoio são preparações diferentes. As orientações do modelo sobre prefixos de papel fornecem uma convenção concreta para essas tarefas; omitir o prefixo não é o equivalente documentado, porque altera o padrão de entrada utilizado no treino.
O exemplo do fabricante calcula a média das representações dos tokens usando uma máscara de atenção para excluir o preenchimento e, em seguida, normaliza o vetor. Os produtos escalares normalizados dão a similaridade de cosseno. A matriz de 1024 dimensões representa um texto preparado. Mantenha o modelo exato e a preparação associados aos vetores armazenados, para que as consultas posteriores utilizem a representação correspondente.
Estes vetores podem fornecer ordenações de candidatos ou características para uma fase posterior de agrupamento ou classificação. Não traduzem a fonte nem redigem uma resposta. Devolva o texto da passagem subjacente quando um resultado de recuperação se destina a apoiar um leitor ou uma fase posterior de geração RAG.
A ficha do modelo documenta um pré-treino contrastivo com supervisão fraca, seguido de um ajuste fino supervisionado. A preparação multilingue inclui material como pares título–passagem, pares conversacionais e pares de tradução, enquanto dados rotulados de recuperação e de compreensão da linguagem constituem a fase posterior. Isto explica as tarefas de representação de texto a que o modelo se destina, sem estabelecer um desempenho igual em todas as línguas.
O fabricante identifica explicitamente a degradação em línguas com poucos recursos como uma limitação. Verifique as línguas e a redação efetivas da coleção, incluindo abreviaturas, nomes e vocabulário especializado. Um rótulo multilingue é uma descrição útil do âmbito; a relevância do texto devolvido continua a ter de ser examinada para o público e a tarefa em causa.
As entradas longas são truncadas em, no máximo, 512 tokens. Prepare um documento extenso como passagens coerentes, incluindo o prefixo de papel e os títulos relevantes. Mantenha as definições e ressalvas junto da afirmação que afetam, e guarde fora do vetor um identificador do documento principal e a versão da fonte.
O fabricante recomenda que se dê atenção à ordem relativa das pontuações de cosseno, em vez de tratar um valor absoluto como medida universal de confiança. Um resultado útil é um conjunto de passagens candidatas, representações de texto comparáveis ou características ligadas aos seus registos originais. Este modelo exato permanece distinto das versões E5 v2 exclusivamente em inglês e das variantes E5 ajustadas por instruções, mesmo quando outro modelo também devolve 1024 valores.
POST /v1/embeddingstext, token_idsembedding| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites intfloat/multilingual-e5-large | Predefinição— |
Campoinput | Tipostring|string[]|integer[]|integer[][] | RequisitoObrigatório | Valores e limites Número mínimo de elementos: 1 Condições: Lote homogéneo não vazio. Os IDs de tokens são números inteiros não negativos. Orçamento de entrada: Máximo: 512 · Unidade de texto: bytes UTF8 · Unidade de tokens: elementos do array de tokens | Predefinição— |
Campoencoding_format | Tipostring | RequisitoOpcional | Valores e limites float | Predefiniçãofloat |
Campodimensions | Tipointeger | RequisitoNão suportado | Valores e limites Mínimo: 1 | Predefinição— |
Campouser | Tipojson_value | RequisitoOpcional | Valores e limites Condições: A fonte permite este campo de metadados JSON; a semântica exata a montante depende do modelo. | Predefinição— |
Camposession_id | Tipojson_value | RequisitoOpcional | Valores e limites Condições: A fonte permite este campo de metadados JSON; a semântica exata a montante depende do modelo. | Predefinição— |
Campotrace | Tipojson_value | RequisitoOpcional | Valores e limites Condições: A fonte permite este campo de metadados JSON; a semântica exata a montante depende do modelo. | Predefinição— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores e limites Condições: provider.options rejeitado | Predefinição— |
text_to_embedding
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, input |
Parâmetroinput_shapes | Contratostring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parâmetroencoding_format | Contratofloat |
Parâmetrodimensions_override | Contratofalse |
Parâmetromax_input_budget_units | Contrato512 |
Parâmetromultimodal_objects | Contratofalse |
Parâmetromaterial_types | Contratotext, token_ids |
Ciclo de vida: synchronous_json
Guarde o índice e a dimensão de cada vetor.
O nome do modelo multimodal não permite objetos de imagem neste caminho exato.
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
| Configuração | Tabela de tarifas | Custo |
|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Custo Entrada · Tokens de entrada $0.00002 / 1K tokens Saída · Tokens de saída $0 / 1K tokens Entrada · Leitura da cache — / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${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\nfrom openai import OpenAI\nimport os\n\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.embeddings.create(model='intfloat/multilingual-e5-large',input=["First document","Second document"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\njson
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Guarde cada vetor com o respetivo índice. O número de vetores tem de ser igual ao número de entradas; as dimensões têm de ser consistentes.
Não é introduzido nenhum endpoint de tarefas de embeddings.
| Campo | Tipo |
|---|---|
Campoobject | Tipostring |
Campomodel | Tipostring |
Campodata[].index | Tipointeger |
Campodata[].embedding | Tipofinite float[] |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot Ultra intfloat/multilingual-e5-large
Use os caminhos dos métodos indicados acima.