LiquidAI: LFM2.5-Embedding-350M (free)
LiquidAI LFM2.5-Embedding-350M создаёт по одному 1024-мерному вектору на текст для многоязычного и межъязыкового поиска. Модель ориентирована на 11 языков и короткие входы до 512 токенов, с разными префиксами запроса и документа.
О модели
Описание раскрывает возможности модели. Доступные в Ailoot входные данные, результаты и параметры выбранного метода перечислены ниже.
LFM2.5-Embedding-350M — плотный биэнкодер LiquidAI для многоязычного и межъязыкового поиска. Он создаёт один 1024-мерный вектор для каждого текста и ориентирован на поиск с коротким контекстом на одиннадцати языках. Именованное семейство моделей 350M использует двунаправленную адаптацию LFM2.5-350M-Base; подробная таблица модели указывает примерно 354 миллиона параметров для этого издания эмбеддингов.
Двунаправленное поисковое представление
Производитель адаптирует основу так, чтобы внимание и локальные свёртки могли использовать контекст с обеих сторон токена. Пулинг в стиле CLS превращает обработанный текст в один плотный вектор. Таблица модели описывает семнадцать слоёв: десять свёрточных блоков, шесть блоков внимания и этап пулинга. Это поисковый кодировщик с собственной подготовкой и выходом, а не задача генерации текста базовой модели.
Отдельно именованная LFM2.5-ColBERT-350M сохраняет векторы отдельных токенов для позднего взаимодействия. Это представление требует другого индекса и способа сравнения. Описываемая здесь модель Embedding предоставляет один вектор на документ или запрос с косинусным сходством как документированным сравнением.
Используйте правильные асимметричные промпты
Готовьте поисковые запросы с «query:», а исходные фрагменты — с «document:». Производитель хранит эти промпты в конфигурации, и его эталонный процесс применяет соответствующее имя промпта. Он прямо рекомендует использовать соответствующую роль с каждой стороны, поскольку модель обучалась с этими префиксами. Этот префикс документа отличается от конвенции «passage:» моделей E5.
Практическая коллекция поиска продуктов может содержать описания на поддерживаемых языках. Готовьте поисковую формулировку пользователя как запрос, а каждое описание продукта — как документ. Храните исходный текст, идентификатор продукта и язык вместе с вектором, чтобы поиск мог вернуть соответствующую запись. Для коллекции поддержки сохраняйте правило или инструкцию, относящиеся к вопросу, вместо замены несвязанной короткой меткой.
Языки и размер фрагмента
Документированный набор языков — английский, испанский, немецкий, французский, итальянский, португальский, арабский, шведский, норвежский, японский и корейский. Производитель прямо ориентируется и на поиск внутри языка, и на поиск через языковые границы. Подготовьте реальные вопросы целевой аудитории и проверяйте возвращённый текст документов на этих языках.
Спецификация длины документа — 512 токенов. Делите длинный источник на связные фрагменты, сохраняющие заголовок, определения и условия, нужные найденному результату. Ролевой префикс и добавленный контекст входят в подготовленный вход. Ответ FAQ, пояснение продукта или целевой раздел технического документа — более подходящая единица, чем целое слишком большое руководство.
Обучение и сопоставление
Производитель описывает три этапа обучения: англоязычное контрастивное предобучение, многоязычную и межъязыковую дистилляцию, затем дообучение с найденными сложными негативными примерами. Полученная модель предназначена для продуктовых каталогов, FAQ и коллекций поддержки, поиска файлов или заметок и корпоративного поиска знаний. Это задачи текстовых представлений, а не утверждения о развёртывании конкретного приложения.
Пример производителя нормализует векторы запросов и документов и ранжирует их скалярным произведением, эквивалентным косинусному сходству. Предварительно вычисляйте представления корпуса после подготовки исходного материала, затем создавайте эмбеддинг поискового запроса и возвращайте кандидатные документы с текстом и идентификаторами. Храните выбранную модель и ролевую конвенцию вместе с индексом, чтобы числовое сравнение использовало совместимые представления.
Полезный результат — компактный плотный поисковый индекс или вектор запроса, находящий исходный материал в документированном наборе языков. Это конкретное издание LFM2.5 Embedding остаётся отдельным от сопровождающей модели ColBERT, более ранних поисковых моделей LFM2 и внешних квантованных реализаций. Текст выбранного фрагмента — свидетельство, используемое читателем или последующим этапом ответа RAG.
Ailoot Ultra · Эмбеддинги POST /v1/embeddings liquid/lfm-2.5-embedding-350m:free
liquid/lfm-2.5-embedding-350m:free
liquid/lfm-2.5-embedding-350m:freeНачало
LiquidAI LFM2.5-Embedding-350M создаёт по одному 1024-мерному вектору на текст для многоязычного и межъязыкового поиска. Модель ориентирована на 11 языков и короткие входы до 512 токенов, с разными префиксами запроса и документа.
- Допустимые входные данные
- Текст · token_ids
- Результаты
- embedding
Доступно в Ailoot · входные данные и методы
Ailoot Ultra · Эмбеддинги POST /v1/embeddings
- Входные данные
text,token_ids- Результат
embedding- Контекст
- 512 tokens
- Выходной формат
- json
| Поле | Тип | Требование | Значения и ограничения | По умолчанию |
|---|---|---|---|---|
Полеmodel | Типstring | ТребованиеОбязательно | Значения и ограничения liquid/lfm-2.5-embedding-350m:free | По умолчанию— |
Полеinput | Типstring|string[]|integer[]|integer[][] | ТребованиеОбязательно | Значения и ограничения Минимум элементов: 1 Условия: Непустой однородный пакет. ID токенов — неотрицательные целые числа. Входной бюджет: Максимум: 512 · Текстовая единица: байты UTF8 · Единица токенов: элементы массива токенов | По умолчанию— |
Полеencoding_format | Типstring | ТребованиеНеобязательно | Значения и ограничения float | По умолчаниюfloat |
Полеdimensions | Типinteger | ТребованиеНе поддерживается | Значения и ограничения Минимум: 1 | По умолчанию— |
Полеuser | Типjson_value | ТребованиеНеобязательно | Значения и ограничения Условия: Source допускает это поле метаданных JSON; точная семантика у исходного поставщика зависит от модели. | По умолчанию— |
Полеsession_id | Типjson_value | ТребованиеНеобязательно | Значения и ограничения Условия: Source допускает это поле метаданных JSON; точная семантика у исходного поставщика зависит от модели. | По умолчанию— |
Полеtrace | Типjson_value | ТребованиеНеобязательно | Значения и ограничения Условия: Source допускает это поле метаданных JSON; точная семантика у исходного поставщика зависит от модели. | По умолчанию— |
Полеprovider | Типobject | ТребованиеНеобязательно | Значения и ограничения Условия: provider.options отклоняется | По умолчанию— |
Сочетания входных материалов
text_to_embedding
Параметры и жизненный цикл метода
| Параметр | Контракт |
|---|---|
Параметрcontent_type | Контрактapplication/json |
Параметрrequired | Контрактmodel, input |
Параметрinput_shapes | Контрактstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Параметрencoding_format | Контрактfloat |
Параметрdimensions_override | Контрактfalse |
Параметрmax_input_budget_units | Контракт512 |
Параметрmultimodal_objects | Контрактfalse |
Параметрmaterial_types | Контрактtext, token_ids |
Жизненный цикл: synchronous_json
Сохраняйте индекс и размерность каждого вектора.
Название мультимодальной модели не означает допуск объектов изображений на этом конкретном маршруте.
Тарифы
Тарифная справка не добавляет режимы запроса. Поддерживаемые параметры указаны для выбранного метода.
- Быстрый режим
- Стандартный тариф При выборе быстрого режима
- Режим flex
- Стандартный тариф При выборе режима flex
- Максимальная интенсивность рассуждений
- Стандартный тариф При максимальной интенсивности рассуждений с корректировкой по умолчанию (default)
Ставки Ailoot
Цены по конфигурациям
| Конфигурация | Шкала ставок | Плата |
|---|---|---|
| КонфигурацияБазовые ставки за токены | Шкала ставокБазовая ставка | Плата Вход · Входные токены $0 / 1K токенов Выход · Выходные токены $0 / 1K токенов Вход · Чтение кэша — / 1K токенов Вход · Запись в кэш — / 1K токенов Вход · Запись в кэш, 1 час — / 1K токенов |
Ailoot резервирует расчётную сумму перед запросом. После получения результата списывает итоговую плату по измеренному расходу. Для окончательного списания за потоковый ответ используется итоговая запись расхода. Как работают резервирование и расчёт →
Примеры запросов
Ailoot Ultra · Эмбеддинги
set -eu
: "${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
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)
Получить и сохранить результаты
Ailoot Ultra · Эмбеддинги
json
Сохраняйте все готовые результаты
Сохраняйте каждый полностью полученный ответ, файл и элемент содержимого.
Сохраняйте каждый вектор с его индексом. Число векторов должно совпадать с числом входных элементов; размерности должны быть согласованы.
Если нужно проверить исходный ответ
Отдельный эндпоинт заданий эмбеддингов не вводится.
Поля ответа
| Поле | Тип |
|---|---|
Полеobject | Типstring |
Полеmodel | Типstring |
Полеdata[].index | Типinteger |
Полеdata[].embedding | Типfinite float[] |
Полеusage | Типobject |
Ошибки и дальнейшие шаги
| Ответ | Условие | Следующий шаг |
|---|---|---|
Ответ400 · invalid_request_error | УсловиеНеверные обязательные поля, представление материалов или значение параметра | Следующий шагИсправьте указанные поля перед новым запросом на создание. |
Псевдонимы
Псевдонимы моделей
Ailoot Ultra liquid/lfm-2.5-embedding-350m:free
Псевдонимы путей метода
Используйте пути методов, указанные выше.
Связанные ID для вызова
FAQ · LiquidAI: LFM2.5-Embedding-350M (free)
- Какие входные данные и результаты доступны?
POST /v1/embeddings·liquid/lfm-2.5-embedding-350m:free:text,token_ids→embedding- Какие поля использует запрос?
POST /v1/embeddings·liquid/lfm-2.5-embedding-350m:free:model,input,encoding_format,provider- Какие ограничения действуют?
POST /v1/embeddings·liquid/lfm-2.5-embedding-350m:free:ctx:512;input.budget.maximum:512(байты UTF8);input.min_items:1