Source: https://ailoot.ai/models/pt-pt/liquid-lfm-2-5-embedding-350m-u003a-free/ Canonical: https://ailoot.ai/models/pt-pt/liquid-lfm-2-5-embedding-350m-u003a-free/ Language: pt-pt # LiquidAI: LFM2.5-Embedding-350M (free) [Markdown](https://ailoot.ai/models/pt-pt/liquid-lfm-2-5-embedding-350m-u003a-free/index.md) · [JSON](https://ailoot.ai/models/pt-pt/liquid-lfm-2-5-embedding-350m-u003a-free/facts.json) ## [LiquidAI: LFM2.5-Embedding-350M (free)](https://ailoot.ai/models/pt-pt/liquid-lfm-2-5-embedding-350m-u003a-free/) LiquidAI LFM2.5-Embedding-350M produz um vetor de 1024 dimensões por texto para recuperação multilingue e entre línguas. Destina-se a 11 línguas e a entradas curtas de 512 tokens, com prefixos distintos para consultas e documentos. - [**Ailoot Ultra · Embeddings** `POST /v1/embeddings` `liquid/lfm-2.5-embedding-350m:free`](https://ailoot.ai/models/pt-pt/liquid-lfm-2-5-embedding-350m-u003a-free/#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. LFM2.5-Embedding-350M é o bi-encoder denso da LiquidAI para recuperação multilingue e entre línguas. Produz um vetor de 1024 dimensões para cada texto e destina-se a pesquisa de contexto curto em onze línguas. A família de modelos com o nome 350M utiliza uma adaptação bidirecional de LFM2.5-350M-Base; a tabela detalhada do modelo indica aproximadamente 354 milhões de parâmetros para esta edição de embeddings. #### Uma representação bidirecional para recuperação O fabricante adapta a arquitetura de base para que a atenção e as convoluções locais possam utilizar contexto de ambos os lados de um token. O pooling do tipo CLS transforma o texto processado num vetor denso. A tabela do modelo descreve dezassete camadas: dez blocos de convolução, seis blocos de atenção e uma etapa de pooling. Este é um codificador para recuperação, com a sua própria preparação e saída, em vez da tarefa de geração de texto do modelo base. O modelo com nome separado LFM2.5-ColBERT-350M conserva vetores por token para interação tardia. Essa representação exige um índice e um método de comparação diferentes. O modelo Embedding aqui descrito fornece um vetor por documento ou consulta, sendo a similaridade do cosseno a comparação documentada. #### Utilize os prompts assimétricos corretos Prepare as consultas de pesquisa com «query:» e as passagens de origem com «document:». O fabricante armazena estes prompts na configuração e o seu fluxo de referência aplica o nome de prompt correspondente. Recomenda especificamente utilizar o papel correspondente de cada lado, porque o modelo foi treinado com estes prefixos. Este prefixo de documento é diferente da convenção «passage:» dos modelos E5. Uma coleção prática de pesquisa de produtos pode conter descrições nas línguas suportadas. Prepare a formulação da pesquisa do utilizador como consulta e cada descrição de produto como documento. Guarde o texto original, o identificador do produto e a língua com o vetor, para que um resultado de pesquisa possa devolver o registo correspondente. Numa coleção de suporte, conserve a política ou instrução relevante para a pergunta, em vez de a substituir por uma etiqueta curta sem relação. #### Línguas e tamanho das passagens O conjunto de línguas documentado é inglês, espanhol, alemão, francês, italiano, português, árabe, sueco, norueguês, japonês e coreano. O fabricante visa explicitamente tanto a recuperação dentro de uma língua como a recuperação entre línguas. Prepare perguntas reais do público previsto e examine o texto dos documentos devolvidos nessas línguas. A especificação de comprimento de documento é de 512 tokens. Divida uma fonte longa em passagens coerentes que preservem o título, as definições e as condições necessárias para um resultado recuperado. O prefixo de papel e o contexto acrescentado fazem parte da entrada preparada. Uma resposta de perguntas frequentes, uma explicação de produto ou uma secção focada de um documento técnico é uma unidade mais adequada do que um manual inteiro demasiado grande. #### Treino e correspondência O fabricante descreve três etapas de treino: pré-treino contrastivo em inglês, destilação multilingue e entre línguas e, depois, ajuste com exemplos negativos difíceis selecionados por mineração. O modelo resultante destina-se a catálogos de produtos, coleções de perguntas frequentes e suporte, pesquisa de ficheiros ou notas e recuperação de conhecimento empresarial. Estas são tarefas para as representações de texto, não alegações sobre a implementação de uma aplicação específica. O exemplo do produtor normaliza os vetores de consulta e documento e ordena-os com um produto escalar, equivalente à similaridade do cosseno. Pré-calcule as representações do corpus quando o material de origem estiver preparado e, depois, gere o embedding de uma consulta de pesquisa e devolva documentos candidatos com o seu texto e identificadores. Mantenha o modelo selecionado e a convenção de papéis associados ao índice, para que a comparação numérica utilize representações compatíveis. O resultado útil é um índice de pesquisa denso e compacto ou um vetor de consulta que recupera material de origem no conjunto de línguas documentado. Esta edição exata LFM2.5 Embedding permanece separada do seu companheiro ColBERT, dos recuperadores LFM2 anteriores e de implementações quantizadas externamente. O texto da passagem selecionada é a evidência utilizada por um leitor ou por uma etapa posterior de resposta RAG. **Ailoot Ultra · Embeddings** `POST /v1/embeddings` `liquid/lfm-2.5-embedding-350m:free` [`liquid/lfm-2.5-embedding-350m:free`](https://ailoot.ai/models/pt-pt/#m=liquid%2Flfm-2.5-embedding-350m%3Afree&route=Ultra&caller=liquid%2Flfm-2.5-embedding-350m%3Afree&fmt=embeddings) LiquidAI /`liquid/lfm-2.5-embedding-350m:free` ### Introdução LiquidAI LFM2.5-Embedding-350M produz um vetor de 1024 dimensões por texto para recuperação multilingue e entre línguas. Destina-se a 11 línguas e a entradas curtas de 512 tokens, com prefixos distintos para consultas e documentos. 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 liquid/lfm-2.5-embedding-350m:free | 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** / 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": "liquid/lfm-2.5-embedding-350m:free", "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='liquid/lfm-2.5-embedding-350m:free',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** [`liquid/lfm-2.5-embedding-350m:free`](https://ailoot.ai/models/pt-pt/#m=liquid%2Flfm-2.5-embedding-350m%3Afree&route=Ultra&caller=liquid%2Flfm-2.5-embedding-350m%3Afree&fmt=embeddings) #### Aliases dos caminhos dos métodos Use os caminhos dos métodos indicados acima. #### IDs de chamada relacionados [`liquid/lfm-2.5-embedding-350m:free`](https://ailoot.ai/models/pt-pt/#m=liquid%2Flfm-2.5-embedding-350m%3Afree&route=Ultra&caller=liquid%2Flfm-2.5-embedding-350m%3Afree&fmt=embeddings) FAQ · LiquidAI: LFM2.5-Embedding-350M (free) Que entradas e resultados estão disponíveis? `POST /v1/embeddings` · `liquid/lfm-2.5-embedding-350m:free`: `text`, `token_ids` → `embedding` Que campos utiliza o pedido? `POST /v1/embeddings` · `liquid/lfm-2.5-embedding-350m:free`: `model`, `input`, `encoding_format`, `provider` Que limites se aplicam? `POST /v1/embeddings` · `liquid/lfm-2.5-embedding-350m:free`: `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.