Source: https://ailoot.ai/models/ru/liquid-lfm-2-5-embedding-350m-u003a-free/ Canonical: https://ailoot.ai/models/ru/liquid-lfm-2-5-embedding-350m-u003a-free/ Language: ru # LiquidAI: LFM2.5-Embedding-350M (free) [Markdown](https://ailoot.ai/models/ru/liquid-lfm-2-5-embedding-350m-u003a-free/index.md) · [JSON](https://ailoot.ai/models/ru/liquid-lfm-2-5-embedding-350m-u003a-free/facts.json) ## [LiquidAI: LFM2.5-Embedding-350M (free)](https://ailoot.ai/models/ru/liquid-lfm-2-5-embedding-350m-u003a-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. - [**Ailoot Ultra · Эмбеддинги** `POST /v1/embeddings` `liquid/lfm-2.5-embedding-350m:free`](https://ailoot.ai/models/ru/liquid-lfm-2-5-embedding-350m-u003a-free/#method-0) 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`](https://ailoot.ai/models/ru/#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` ### Начало 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 | | --- | --- | --- | --- | --- | | Поле`model` | Тип`string` | ТребованиеОбязательно | Значения и ограничения liquid/lfm-2.5-embedding-350m:free | По умолчанию— | | Поле`input` | Тип`string\|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— | | Поле`encoding_format` | Тип`string` | ТребованиеНеобязательно | Значения и ограничения float | По умолчаниюfloat | | Поле`dimensions` | Тип`integer` | ТребованиеНе поддерживается | Значения и ограничения Минимум: 1 | По умолчанию— | | Поле`user` | Тип`json_value` | ТребованиеНеобязательно | Значения и ограничения Условия: Source допускает это поле метаданных JSON; точная семантика у исходного поставщика зависит от модели. | По умолчанию— | | Поле`session_id` | Тип`json_value` | ТребованиеНеобязательно | Значения и ограничения Условия: Source допускает это поле метаданных JSON; точная семантика у исходного поставщика зависит от модели. | По умолчанию— | | Поле`trace` | Тип`json_value` | ТребованиеНеобязательно | Значения и ограничения Условия: Source допускает это поле метаданных JSON; точная семантика у исходного поставщика зависит от модели. | По умолчанию— | | Поле`provider` | Тип`object` | ТребованиеНеобязательно | Значения и ограничения Условия: provider.options отклоняется | По умолчанию— | Сочетания входных материалов **text\_to\_embedding** Параметры и жизненный цикл метода | Параметр | Контракт | | --- | --- | | Параметр`content_type` | Контрактapplication/json | | Параметр`required` | Контрактmodel, input | | Параметр`input_shapes` | Контрактstring, string\[\], nonnegative\_integer\_token\_array, nonnegative\_integer\_token\_array\[\] | | Параметр`encoding_format` | Контрактfloat | | Параметр`dimensions_override` | Контрактfalse | | Параметр`max_input_budget_units` | Контракт512 | | Параметр`multimodal_objects` | Контрактfalse | | Параметр`material_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 **$0** / 1K токенов Вход · Чтение кэша **—** / 1K токенов Вход · Запись в кэш **—** / 1K токенов Вход · Запись в кэш, 1 час **—** / 1K токенов | Ailoot резервирует расчётную сумму перед запросом. После получения результата списывает итоговую плату по измеренному расходу. Для окончательного списания за потоковый ответ используется итоговая запись расхода. [Как работают резервирование и расчёт →](https://ailoot.ai/docs/ru/billing/reserve/) ### Примеры запросов #### Ailoot Ultra · Эмбеддинги curlPython SDK ```bash set -eu : "${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) ``` ### 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 | | --- | --- | | Поле`object` | Типstring | | Поле`model` | Типstring | | Поле`data[].index` | Типinteger | | Поле`data[].embedding` | Типfinite float\[\] | | Поле`usage` | 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`](https://ailoot.ai/models/ru/#m=liquid%2Flfm-2.5-embedding-350m%3Afree&route=Ultra&caller=liquid%2Flfm-2.5-embedding-350m%3Afree&fmt=embeddings) #### Псевдонимы путей метода Используйте пути методов, указанные выше. #### Связанные ID для вызова [`liquid/lfm-2.5-embedding-350m:free`](https://ailoot.ai/models/ru/#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) 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` Подключите Ailoot к Claude Code, OpenCode, Hermes или своему приложению. ## Компания и портфель её проектов Компания и портфель её проектов: миллионы клиентов; продажи на миллиарды ежемесячно. ## Покупайте токены со скидкой. Скидка по подписке для регулярной работы. Промокоды — до 50% на покупку токенов. Подписка Выберите тариф со скидкой для своих регулярных запросов. Промокод до 50% Введите код при покупке. Цена пересчитается с учётом действующей акции. Расходы в истории Модель, токены и сумма сохраняются для каждого запроса. [Выбрать подписку](https://ailoot.ai/docs/ru/billing/subscriptions/) · [Посмотреть цены моделей](https://ailoot.ai/models/ru/) ## Подключайте API к продукту, который вы продаёте. SaaS, приложения и боты — по оферте и лицензионному договору Ailoot. Для перепродажи запросите реселлерскую лицензию. Коммерческое приложение Встраивайте генерацию текста, картинок, видео и звука в платные функции своего сервиса. Лицензия для реселлера Пришлите описание проекта и схему доступа. Запросите письменные условия использования и перепродажи. Документы на сайте Оферта, лицензионный договор и политика обработки данных доступны до подключения. [Запросить реселлерскую лицензию](mailto:support@ailoot.ai) · [Оферта и лицензионный договор](https://ailoot.ai/legal/offer?lang=ru) ## Ailoot · Компания и портфель её проектов Ailoot опирается на накопленный опыт работы, большую клиентскую базу, стабильный сервис и постоянный контроль KPI. Компания и портфель её проектов: миллионы клиентов; продажи на миллиарды ежемесячно. Этот опыт Ailoot использует для API-доступа к нейросетям в продуктах клиентов, агентах, приложениях и автоматизациях.