Source: https://ailoot.ai/models/pt-pt/intfloat-multilingual-e5-large/ Canonical: https://ailoot.ai/models/pt-pt/intfloat-multilingual-e5-large/ Language: pt-pt # Intfloat: Multilingual-E5-Large [Markdown](https://ailoot.ai/models/pt-pt/intfloat-multilingual-e5-large/index.md) · [JSON](https://ailoot.ai/models/pt-pt/intfloat-multilingual-e5-large/facts.json) ## [Intfloat: Multilingual-E5-Large](https://ailoot.ai/models/pt-pt/intfloat-multilingual-e5-large/) O 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. - [**Ailoot Ultra · Embeddings** `POST /v1/embeddings` `intfloat/multilingual-e5-large`](https://ailoot.ai/models/pt-pt/intfloat-multilingual-e5-large/#method-0) Sobre o modelo 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. #### Preservar o papel da entrada em todas as línguas 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. #### Agregação e comparação de vetores 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. #### Treino e cobertura linguística 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. #### Comprimento e resultados úteis 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. **Ailoot Ultra · Embeddings** `POST /v1/embeddings` `intfloat/multilingual-e5-large` [`intfloat/multilingual-e5-large`](https://ailoot.ai/models/pt-pt/#m=intfloat%2Fmultilingual-e5-large&route=Ultra&caller=intfloat%2Fmultilingual-e5-large&fmt=embeddings) Intfloat /`intfloat/multilingual-e5-large` ### Introdução O 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. Entradas aceites Texto · token\_ids Resultados embedding ### Disponível no Ailoot · entradas e métodos **Ailoot Ultra · Embeddings** `POST /v1/embeddings` Entrada `text`, `token_ids` Saída `embedding` Contexto 512 tokens Formato de saída json | Campo | Tipo | Requisito | Valores e limites | Predefinição | | --- | --- | --- | --- | --- | | Campo`model` | Tipo`string` | RequisitoObrigatório | Valores e limites intfloat/multilingual-e5-large | Predefinição— | | Campo`input` | Tipo`string\|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— | | Campo`encoding_format` | Tipo`string` | RequisitoOpcional | Valores e limites float | Predefiniçãofloat | | Campo`dimensions` | Tipo`integer` | RequisitoNão suportado | Valores e limites Mínimo: 1 | Predefinição— | | Campo`user` | Tipo`json_value` | RequisitoOpcional | Valores e limites Condições: A fonte permite este campo de metadados JSON; a semântica exata a montante depende do modelo. | Predefinição— | | Campo`session_id` | Tipo`json_value` | RequisitoOpcional | Valores e limites Condições: A fonte permite este campo de metadados JSON; a semântica exata a montante depende do modelo. | Predefinição— | | Campo`trace` | Tipo`json_value` | RequisitoOpcional | Valores e limites Condições: A fonte permite este campo de metadados JSON; a semântica exata a montante depende do modelo. | Predefinição— | | Campo`provider` | Tipo`object` | RequisitoOpcional | Valores e limites Condições: provider.options rejeitado | Predefinição— | Combinações de materiais de entrada **text\_to\_embedding** Parâmetros e ciclo de vida do método | Parâmetro | Contrato | | --- | --- | | Parâmetro`content_type` | Contratoapplication/json | | Parâmetro`required` | Contratomodel, input | | Parâmetro`input_shapes` | Contratostring, string\[\], nonnegative\_integer\_token\_array, nonnegative\_integer\_token\_array\[\] | | Parâmetro`encoding_format` | Contratofloat | | Parâmetro`dimensions_override` | Contratofalse | | Parâmetro`max_input_budget_units` | Contrato512 | | Parâmetro`multimodal_objects` | Contratofalse | | Parâmetro`material_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. ### Tarifários As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado. Modo rápido Tarifa normal Quando o modo rápido está selecionado Modo flex Tarifa normal Quando o modo flex está selecionado Esforço máximo de raciocínio Tarifa normal Quando o esforço máximo de raciocínio usa o ajuste predefinido (default) #### Tarifas Ailoot #### Preços por configuração | 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 **$0** / 1K tokens Entrada · Leitura da cache **—** / 1K tokens Entrada · Escrita na cache **—** / 1K tokens Entrada · Escrita na cache, 1 hora **—** / 1K tokens | O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. [Como funcionam a reserva e a liquidação →](https://ailoot.ai/docs/pt-pt/billing/reserve/) ### Exemplos de pedidos #### Ailoot Ultra · Embeddings curlPython SDK ```bash set -eu : "${AILOOT_API_KEY:?Set your Ailoot API key}" python3 - <<'PY_REQUEST' import json,os from pathlib import Path p=json.loads('{"model": "intfloat/multilingual-e5-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='intfloat/multilingual-e5-large',input=["First document","Second document"]) print(result) for item in result.data:print(item.index,item.embedding) ``` ### Receber e guardar os resultados #### Ailoot Ultra · Embeddings json ##### Guardar todos os resultados concluídos 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. ##### Se for necessário verificar a resposta original Não é introduzido nenhum endpoint de tarefas de embeddings. Campos da resposta | Campo | Tipo | | --- | --- | | Campo`object` | Tipostring | | Campo`model` | Tipostring | | Campo`data[].index` | Tipointeger | | Campo`data[].embedding` | Tipofinite float\[\] | | Campo`usage` | Tipoobject | Erros e passos seguintes | 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. | ### Aliases #### Aliases do modelo **Ailoot Ultra** [`intfloat/multilingual-e5-large`](https://ailoot.ai/models/pt-pt/#m=intfloat%2Fmultilingual-e5-large&route=Ultra&caller=intfloat%2Fmultilingual-e5-large&fmt=embeddings) #### Aliases dos caminhos dos métodos Use os caminhos dos métodos indicados acima. #### IDs de chamada relacionados [`intfloat/multilingual-e5-large`](https://ailoot.ai/models/pt-pt/#m=intfloat%2Fmultilingual-e5-large&route=Ultra&caller=intfloat%2Fmultilingual-e5-large&fmt=embeddings) FAQ · Intfloat: Multilingual-E5-Large Que entradas e resultados estão disponíveis? `POST /v1/embeddings` · `intfloat/multilingual-e5-large`: `text`, `token_ids` → `embedding` Que campos utiliza o pedido? `POST /v1/embeddings` · `intfloat/multilingual-e5-large`: `model`, `input`, `encoding_format`, `provider` Que limites se aplicam? `POST /v1/embeddings` · `intfloat/multilingual-e5-large`: `ctx`: `512`; `input.budget.maximum`: `512` (bytes UTF8); `input.min_items`: `1` Ligue o Ailoot ao Claude Code, OpenCode, Hermes ou à sua aplicação. ## A empresa e a sua carteira de projetos A empresa e a sua carteira de projetos: milhões de clientes; vendas mensais na ordem dos milhares de milhões. ## Compre tokens com desconto. Desconto por subscrição para trabalho regular. Códigos promocionais — até 50% na compra de tokens. Subscrição Escolha um plano com desconto para os pedidos regulares. Código promocional até 50% Introduza o código na compra. O preço é recalculado conforme a campanha em vigor. Custos no histórico O modelo, os tokens e o montante são guardados para cada pedido. [Escolher subscrição](https://ailoot.ai/docs/pt-pt/billing/subscriptions/) · [Ver preços dos modelos](https://ailoot.ai/models/pt-pt/) ## Ligue a API ao produto que vende. SaaS, aplicações e bots — ao abrigo da oferta e do contrato de licença Ailoot. Para revenda, peça uma licença de revendedor. Aplicação comercial Integre geração de texto, imagens, vídeo e som nas funcionalidades pagas do seu serviço. Licença de revendedor Envie uma descrição do projeto e do modelo de acesso. Peça condições escritas de utilização e revenda. Documentos no site A oferta, o contrato de licença e a política de tratamento de dados estão disponíveis antes da ligação. [Pedir licença de revendedor](mailto:support@ailoot.ai) · [Oferta e contrato de licença](https://ailoot.ai/legal/offer?lang=pt-pt) ## Ailoot · A empresa e a sua carteira de projetos A Ailoot assenta numa experiência operacional consolidada, numa ampla base de clientes, num serviço estável e no acompanhamento contínuo dos KPI. A empresa e a sua carteira de projetos: milhões de clientes; vendas mensais na ordem dos milhares de milhões. A Ailoot aplica essa experiência operacional ao acesso por API a funcionalidades de IA nos produtos dos clientes, agentes, aplicações e automatizações.