LFM2.5-Embedding-350M är LiquidAI:s täta bi-encoder för flerspråkig sökning och sökning över språkgränser. Den producerar en vektor med 1024 dimensioner för varje text och riktar sig mot sökning med kort kontext på elva språk. Den namngivna 350M-modellfamiljen använder en dubbelriktad anpassning av LFM2.5-350M-Base; den detaljerade modelltabellen anger ungefär 354 miljoner parametrar för denna inbäddningsutgåva.
Tillverkaren anpassar basmodellen så att attention och lokala faltningar kan använda kontext på båda sidor av en token. Poolning i CLS-stil omvandlar den behandlade texten till en tät vektor. Modelltabellen beskriver sjutton lager: tio faltningsblock, sex attention-block och ett poolningssteg. Detta är en sökkodare med egen förberedelse och eget resultat, i stället för basmodellens textgenereringsuppgift.
Den separat namngivna LFM2.5-ColBERT-350M behåller vektorer per token för sen interaktion. Den representationen kräver ett annat index och en annan jämförelsemetod. Inbäddningsmodellen här ger en vektor per dokument eller fråga med cosinuslikhet som dokumenterad jämförelse.
Förbered sökfrågor med ”query:” och källpassager med ”document:”. Tillverkaren lagrar dessa prompter i konfigurationen och referensarbetsflödet använder motsvarande promptnamn. Den rekommenderar särskilt att använda motsvarande roll på varje sida eftersom modellen tränades med dessa prefix. Detta dokumentprefix skiljer sig från E5-modellernas ”passage:”-konvention.
En praktisk produktsöksamling kan innehålla beskrivningar på de språk som stöds. Förbered användarens sökformulering som en fråga och varje produktbeskrivning som ett dokument. Lagra originaltexten, produktidentifieraren och språket tillsammans med vektorn så att ett sökresultat kan returnera motsvarande post. För en supportsamling behåller du regeln eller instruktionen som är relevant för frågan i stället för att ersätta den med en ovidkommande kort etikett.
Den dokumenterade språkuppsättningen är engelska, spanska, tyska, franska, italienska, portugisiska, arabiska, svenska, norska, japanska och koreanska. Tillverkaren riktar modellen uttryckligen mot både sökning inom ett språk och över språkgränser. Förbered verkliga frågor från den avsedda målgruppen och granska den returnerade dokumenttexten på dessa språk.
Specifikationen för dokumentlängd är 512 token. Dela en lång källa i sammanhängande passager som bevarar rubriken, definitionerna och villkoren som ett hämtat resultat behöver. Rollprefixet och tillagd kontext ingår i den förberedda inmatningen. Ett FAQ-svar, en produktförklaring eller ett fokuserat avsnitt i ett tekniskt dokument är en mer lämplig enhet än en hel för stor manual.
Tillverkaren beskriver tre träningssteg: engelsk kontrastiv förträning; flerspråkig destillation och destillation över språkgränser; därefter finjustering med utvunna svåra negativa exempel. Den resulterande modellen är avsedd för produktkataloger, FAQ- och supportsamlingar, fil- eller anteckningssökning och sökning i verksamhetskunskap. Detta är uppgifter för textrepresentationerna, inte påståenden om driftsättning av en viss applikation.
Tillverkarens exempel normaliserar fråge- och dokumentvektorer och rangordnar dem med en skalärprodukt, motsvarande cosinuslikhet. Beräkna korpusrepresentationerna i förväg när källmaterialet förbereds, beräkna sedan inbäddningen för en sökfråga och returnera kandidatdokument med deras text och identifierare. Behåll den valda modellen och rollkonventionen tillsammans med indexet så att den numeriska jämförelsen använder kompatibla representationer.
Det användbara resultatet är ett kompakt, tätt sökindex eller en frågevektor som hämtar källmaterial över den dokumenterade språkuppsättningen. Denna exakta LFM2.5 Embedding-utgåva förblir åtskild från sin ColBERT-följeslagare, äldre LFM2-sökmodeller och externt kvantiserade implementationer. Den valda passagetexten är evidensen som används av en läsare eller ett senare RAG-svarssteg.
", "aboutText": "LFM2.5-Embedding-350M är LiquidAI:s täta bi-encoder för flerspråkig sökning och sökning över språkgränser. Den producerar en vektor med 1024 dimensioner för varje text och riktar sig mot sökning med kort kontext på elva språk. Den namngivna 350M-modellfamiljen använder en dubbelriktad anpassning av LFM2.5-350M-Base; den detaljerade modelltabellen anger ungefär 354 miljoner parametrar för denna inbäddningsutgåva.\n\n### En dubbelriktad sökrepresentation\n\nTillverkaren anpassar basmodellen så att attention och lokala faltningar kan använda kontext på båda sidor av en token. Poolning i CLS-stil omvandlar den behandlade texten till en tät vektor. Modelltabellen beskriver sjutton lager: tio faltningsblock, sex attention-block och ett poolningssteg. Detta är en sökkodare med egen förberedelse och eget resultat, i stället för basmodellens textgenereringsuppgift.\n\nDen separat namngivna LFM2.5-ColBERT-350M behåller vektorer per token för sen interaktion. Den representationen kräver ett annat index och en annan jämförelsemetod. Inbäddningsmodellen här ger en vektor per dokument eller fråga med cosinuslikhet som dokumenterad jämförelse.\n\n### Använd rätt asymmetriska prompter\n\nFörbered sökfrågor med ”query:” och källpassager med ”document:”. Tillverkaren lagrar dessa prompter i konfigurationen och referensarbetsflödet använder motsvarande promptnamn. Den rekommenderar särskilt att använda motsvarande roll på varje sida eftersom modellen tränades med dessa prefix. Detta dokumentprefix skiljer sig från E5-modellernas ”passage:”-konvention.\n\nEn praktisk produktsöksamling kan innehålla beskrivningar på de språk som stöds. Förbered användarens sökformulering som en fråga och varje produktbeskrivning som ett dokument. Lagra originaltexten, produktidentifieraren och språket tillsammans med vektorn så att ett sökresultat kan returnera motsvarande post. För en supportsamling behåller du regeln eller instruktionen som är relevant för frågan i stället för att ersätta den med en ovidkommande kort etikett.\n\n### Språk och passagestorlek\n\nDen dokumenterade språkuppsättningen är engelska, spanska, tyska, franska, italienska, portugisiska, arabiska, svenska, norska, japanska och koreanska. Tillverkaren riktar modellen uttryckligen mot både sökning inom ett språk och över språkgränser. Förbered verkliga frågor från den avsedda målgruppen och granska den returnerade dokumenttexten på dessa språk.\n\nSpecifikationen för dokumentlängd är 512 token. Dela en lång källa i sammanhängande passager som bevarar rubriken, definitionerna och villkoren som ett hämtat resultat behöver. Rollprefixet och tillagd kontext ingår i den förberedda inmatningen. Ett FAQ-svar, en produktförklaring eller ett fokuserat avsnitt i ett tekniskt dokument är en mer lämplig enhet än en hel för stor manual.\n\n### Träning och matchning\n\nTillverkaren beskriver tre träningssteg: engelsk kontrastiv förträning; flerspråkig destillation och destillation över språkgränser; därefter finjustering med utvunna svåra negativa exempel. Den resulterande modellen är avsedd för produktkataloger, FAQ- och supportsamlingar, fil- eller anteckningssökning och sökning i verksamhetskunskap. Detta är uppgifter för textrepresentationerna, inte påståenden om driftsättning av en viss applikation.\n\nTillverkarens exempel normaliserar fråge- och dokumentvektorer och rangordnar dem med en skalärprodukt, motsvarande cosinuslikhet. Beräkna korpusrepresentationerna i förväg när källmaterialet förbereds, beräkna sedan inbäddningen för en sökfråga och returnera kandidatdokument med deras text och identifierare. Behåll den valda modellen och rollkonventionen tillsammans med indexet så att den numeriska jämförelsen använder kompatibla representationer.\n\nDet användbara resultatet är ett kompakt, tätt sökindex eller en frågevektor som hämtar källmaterial över den dokumenterade språkuppsättningen. Denna exakta LFM2.5 Embedding-utgåva förblir åtskild från sin ColBERT-följeslagare, äldre LFM2-sökmodeller och externt kvantiserade implementationer. Den valda passagetexten är evidensen som används av en läsare eller ett senare RAG-svarssteg.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "8b57633ebeae060e56febaca73a0ef8702986282fda9e4660d5ddbb133aa936c", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "sv", "methods": [ { "html": "liquid/lfm-2.5-embedding-350m:freeLiquidAI LFM2.5-Embedding-350M producerar en 1024-dimensionell vektor per text för flerspråkig och språköverskridande informationssökning. Den riktar sig till 11 språk och korta indata på 512 token, med separata prefix för fråga och dokument.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
LFM2.5-Embedding-350M är LiquidAI:s täta bi-encoder för flerspråkig sökning och sökning över språkgränser. Den producerar en vektor med 1024 dimensioner för varje text och riktar sig mot sökning med kort kontext på elva språk. Den namngivna 350M-modellfamiljen använder en dubbelriktad anpassning av LFM2.5-350M-Base; den detaljerade modelltabellen anger ungefär 354 miljoner parametrar för denna inbäddningsutgåva.
Tillverkaren anpassar basmodellen så att attention och lokala faltningar kan använda kontext på båda sidor av en token. Poolning i CLS-stil omvandlar den behandlade texten till en tät vektor. Modelltabellen beskriver sjutton lager: tio faltningsblock, sex attention-block och ett poolningssteg. Detta är en sökkodare med egen förberedelse och eget resultat, i stället för basmodellens textgenereringsuppgift.
Den separat namngivna LFM2.5-ColBERT-350M behåller vektorer per token för sen interaktion. Den representationen kräver ett annat index och en annan jämförelsemetod. Inbäddningsmodellen här ger en vektor per dokument eller fråga med cosinuslikhet som dokumenterad jämförelse.
Förbered sökfrågor med ”query:” och källpassager med ”document:”. Tillverkaren lagrar dessa prompter i konfigurationen och referensarbetsflödet använder motsvarande promptnamn. Den rekommenderar särskilt att använda motsvarande roll på varje sida eftersom modellen tränades med dessa prefix. Detta dokumentprefix skiljer sig från E5-modellernas ”passage:”-konvention.
En praktisk produktsöksamling kan innehålla beskrivningar på de språk som stöds. Förbered användarens sökformulering som en fråga och varje produktbeskrivning som ett dokument. Lagra originaltexten, produktidentifieraren och språket tillsammans med vektorn så att ett sökresultat kan returnera motsvarande post. För en supportsamling behåller du regeln eller instruktionen som är relevant för frågan i stället för att ersätta den med en ovidkommande kort etikett.
Den dokumenterade språkuppsättningen är engelska, spanska, tyska, franska, italienska, portugisiska, arabiska, svenska, norska, japanska och koreanska. Tillverkaren riktar modellen uttryckligen mot både sökning inom ett språk och över språkgränser. Förbered verkliga frågor från den avsedda målgruppen och granska den returnerade dokumenttexten på dessa språk.
Specifikationen för dokumentlängd är 512 token. Dela en lång källa i sammanhängande passager som bevarar rubriken, definitionerna och villkoren som ett hämtat resultat behöver. Rollprefixet och tillagd kontext ingår i den förberedda inmatningen. Ett FAQ-svar, en produktförklaring eller ett fokuserat avsnitt i ett tekniskt dokument är en mer lämplig enhet än en hel för stor manual.
Tillverkaren beskriver tre träningssteg: engelsk kontrastiv förträning; flerspråkig destillation och destillation över språkgränser; därefter finjustering med utvunna svåra negativa exempel. Den resulterande modellen är avsedd för produktkataloger, FAQ- och supportsamlingar, fil- eller anteckningssökning och sökning i verksamhetskunskap. Detta är uppgifter för textrepresentationerna, inte påståenden om driftsättning av en viss applikation.
Tillverkarens exempel normaliserar fråge- och dokumentvektorer och rangordnar dem med en skalärprodukt, motsvarande cosinuslikhet. Beräkna korpusrepresentationerna i förväg när källmaterialet förbereds, beräkna sedan inbäddningen för en sökfråga och returnera kandidatdokument med deras text och identifierare. Behåll den valda modellen och rollkonventionen tillsammans med indexet så att den numeriska jämförelsen använder kompatibla representationer.
Det användbara resultatet är ett kompakt, tätt sökindex eller en frågevektor som hämtar källmaterial över den dokumenterade språkuppsättningen. Denna exakta LFM2.5 Embedding-utgåva förblir åtskild från sin ColBERT-följeslagare, äldre LFM2-sökmodeller och externt kvantiserade implementationer. Den valda passagetexten är evidensen som används av en läsare eller ett senare RAG-svarssteg.
POST /v1/embeddingstext, token_idsembedding| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser liquid/lfm-2.5-embedding-350m:free | Standard— |
Fältinput | Typstring|string[]|integer[]|integer[][] | KravObligatoriskt | Värden & gränser Minsta antal objekt: 1 Villkor: En homogen batch som inte är tom. Token-ID:n är heltal som är större än eller lika med noll. Indatabudget: Maximum: 512 · Textenhet: UTF8-byte · Tokenenhet: element i en tokenarray | Standard— |
Fältencoding_format | Typstring | KravValfritt | Värden & gränser float | Standardfloat |
Fältdimensions | Typinteger | KravStöds inte | Värden & gränser Minimum: 1 | Standard— |
Fältuser | Typjson_value | KravValfritt | Värden & gränser Villkor: Källan tillåter detta JSON-metadatafält; den exakta innebörden hos leverantören beror på modellen. | Standard— |
Fältsession_id | Typjson_value | KravValfritt | Värden & gränser Villkor: Källan tillåter detta JSON-metadatafält; den exakta innebörden hos leverantören beror på modellen. | Standard— |
Fälttrace | Typjson_value | KravValfritt | Värden & gränser Villkor: Källan tillåter detta JSON-metadatafält; den exakta innebörden hos leverantören beror på modellen. | Standard— |
Fältprovider | Typobject | KravValfritt | Värden & gränser Villkor: provider.options avvisades | Standard— |
text_to_embedding
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, input |
Parameterinput_shapes | Avtalstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parameterencoding_format | Avtalfloat |
Parameterdimensions_override | Avtalfalse |
Parametermax_input_budget_units | Avtal512 |
Parametermultimodal_objects | Avtalfalse |
Parametermaterial_types | Avtaltext, token_ids |
Livscykel: synchronous_json
Behåll varje vektorindex och dimension.
Att modellen har ett multimodalt namn innebär inte att bildobjekt tillåts på just denna anropsväg.
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
| Konfiguration | Prislista | Avgift |
|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Avgift Indata · Indatatoken $0 / 1K token Utdata · Utdatatoken $0 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "liquid/lfm-2.5-embedding-350m:free", "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='liquid/lfm-2.5-embedding-350m:free',input=["First document","Second document"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\njson
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll varje vektor tillsammans med dess index. Antalet vektorer måste vara lika med antalet indataobjekt; dimensionerna måste vara konsekventa.
Ingen endpoint för inbäddningsjobb införs.
| Fält | Typ |
|---|---|
Fältobject | Typstring |
Fältmodel | Typstring |
Fältdata[].index | Typinteger |
Fältdata[].embedding | Typfinite float[] |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra liquid/lfm-2.5-embedding-350m:free
Använd metodsökvägarna som visas ovan.