Source: https://ailoot.ai/models/sv/liquid-lfm-2-5-embedding-350m-u003a-free/ Canonical: https://ailoot.ai/models/sv/liquid-lfm-2-5-embedding-350m-u003a-free/ Language: sv # LiquidAI: LFM2.5-Embedding-350M (free) [Markdown](https://ailoot.ai/models/sv/liquid-lfm-2-5-embedding-350m-u003a-free/index.md) · [JSON](https://ailoot.ai/models/sv/liquid-lfm-2-5-embedding-350m-u003a-free/facts.json) ## [LiquidAI: LFM2.5-Embedding-350M (free)](https://ailoot.ai/models/sv/liquid-lfm-2-5-embedding-350m-u003a-free/) LiquidAI 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. - [**Ailoot Ultra · Embeddings** `POST /v1/embeddings` `liquid/lfm-2.5-embedding-350m:free`](https://ailoot.ai/models/sv/liquid-lfm-2-5-embedding-350m-u003a-free/#method-0) Om modellen 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. #### En dubbelriktad sökrepresentation 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. #### Använd rätt asymmetriska prompter 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. #### Språk och passagestorlek 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. #### Träning och matchning 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. **Ailoot Ultra · Embeddings** `POST /v1/embeddings` `liquid/lfm-2.5-embedding-350m:free` [`liquid/lfm-2.5-embedding-350m:free`](https://ailoot.ai/models/sv/#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` ### Start LiquidAI 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. Godkända indata Text · token\_ids Resultat embedding ### Tillgängligt i Ailoot · indata & metoder **Ailoot Ultra · Embeddings** `POST /v1/embeddings` Indatatyper `text`, `token_ids` Utdatatyper `embedding` Kontext 512 tokens Utdataformat json | Fält | Typ | Krav | Värden & gränser | Standard | | --- | --- | --- | --- | --- | | Fält`model` | Typ`string` | KravObligatoriskt | Värden & gränser liquid/lfm-2.5-embedding-350m:free | Standard— | | Fält`input` | Typ`string\|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— | | Fält`encoding_format` | Typ`string` | KravValfritt | Värden & gränser float | Standardfloat | | Fält`dimensions` | Typ`integer` | KravStöds inte | Värden & gränser Minimum: 1 | Standard— | | Fält`user` | Typ`json_value` | KravValfritt | Värden & gränser Villkor: Källan tillåter detta JSON-metadatafält; den exakta innebörden hos leverantören beror på modellen. | Standard— | | Fält`session_id` | Typ`json_value` | KravValfritt | Värden & gränser Villkor: Källan tillåter detta JSON-metadatafält; den exakta innebörden hos leverantören beror på modellen. | Standard— | | Fält`trace` | Typ`json_value` | KravValfritt | Värden & gränser Villkor: Källan tillåter detta JSON-metadatafält; den exakta innebörden hos leverantören beror på modellen. | Standard— | | Fält`provider` | Typ`object` | KravValfritt | Värden & gränser Villkor: provider.options avvisades | Standard— | Kombinationer av indatamaterial **text\_to\_embedding** Metodparametrar och livscykel | Parameter | Avtal | | --- | --- | | Parameter`content_type` | Avtalapplication/json | | Parameter`required` | Avtalmodel, input | | Parameter`input_shapes` | Avtalstring, string\[\], nonnegative\_integer\_token\_array, nonnegative\_integer\_token\_array\[\] | | Parameter`encoding_format` | Avtalfloat | | Parameter`dimensions_override` | Avtalfalse | | Parameter`max_input_budget_units` | Avtal512 | | Parameter`multimodal_objects` | Avtalfalse | | Parameter`material_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. ### Priser Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden. Snabbt läge Standardpris När snabbt läge är valt Flex-läge Standardpris När läget flex är valt Högsta resonemangsnivå Standardpris När den högsta resonemangsnivån använder standardjusteringen (default) #### Ailoot-priser #### Priser efter konfiguration | Konfiguration | Prislista | Avgift | | --- | --- | --- | | KonfigurationGrundpriser för token | PrislistaGrundpris | Avgift Indata · Indatatoken **$0** / 1K token Utdata · Utdatatoken **$0** / 1K token Indata · Cacheläsning **—** / 1K token Indata · Skrivning till cache **—** / 1K token Indata · Skrivning till cache, 1 tim **—** / 1K token | Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. [Så fungerar reservation och slutreglering →](https://ailoot.ai/docs/sv/billing/reserve/) ### Exempelbegäranden #### Ailoot Ultra · Embeddings curlPython SDK ```bash set -eu : "${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) ``` ### Ta emot och spara resultat #### Ailoot Ultra · Embeddings json ##### Behåll alla färdiga resultat 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. ##### Om det ursprungliga svaret behöver kontrolleras Ingen endpoint för inbäddningsjobb införs. Svarsfält | Fält | Typ | | --- | --- | | Fält`object` | Typstring | | Fält`model` | Typstring | | Fält`data[].index` | Typinteger | | Fält`data[].embedding` | Typfinite float\[\] | | Fält`usage` | Typobject | Fel och nästa steg | 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. | ### Alias #### Modellalias **Ailoot Ultra** [`liquid/lfm-2.5-embedding-350m:free`](https://ailoot.ai/models/sv/#m=liquid%2Flfm-2.5-embedding-350m%3Afree&route=Ultra&caller=liquid%2Flfm-2.5-embedding-350m%3Afree&fmt=embeddings) #### Alias för metodsökvägar Använd metodsökvägarna som visas ovan. #### Relaterade anropar-ID:n [`liquid/lfm-2.5-embedding-350m:free`](https://ailoot.ai/models/sv/#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) Vilka indata och resultat finns? `POST /v1/embeddings` · `liquid/lfm-2.5-embedding-350m:free`: `text`, `token_ids` → `embedding` Vilka fält använder begäran? `POST /v1/embeddings` · `liquid/lfm-2.5-embedding-350m:free`: `model`, `input`, `encoding_format`, `provider` Vilka gränser gäller? `POST /v1/embeddings` · `liquid/lfm-2.5-embedding-350m:free`: `ctx`: `512`; `input.budget.maximum`: `512` (UTF8-byte); `input.min_items`: `1` Anslut Ailoot till Claude Code, OpenCode, Hermes eller din app. ## Företaget och dess projektportfölj Företaget och dess projektportfölj: miljontals kunder; månatlig försäljning för miljarder. ## Köp token med rabatt. Prenumerationsrabatt för återkommande arbete. Kampanjkoder ger upp till 50% vid tokenköp. Prenumeration Välj en rabatterad plan för återkommande anrop. Kampanjkod upp till 50% Ange koden vid köpet. Priset räknas om enligt kampanjen. Kostnader i historiken Modell, token och belopp sparas för varje anrop. [Välj prenumeration](https://ailoot.ai/docs/sv/billing/subscriptions/) · [Se modellpriser](https://ailoot.ai/models/sv/) ## Anslut API till produkten som du säljer. SaaS, appar och botar enligt Ailoots officiella villkor och licensavtal. Begär återförsäljarlicens för vidareförsäljning. Kommersiell applikation Bygg text-, bild-, video- och ljudgenerering i tjänstens betalda funktioner. Återförsäljarlicens Skicka projektbeskrivning och åtkomstupplägg. Begär skriftliga villkor för användning och vidareförsäljning. Dokument på webbplatsen Officiella villkor, licensavtal och databehandlingspolicy finns tillgängliga före anslutning. [Begär återförsäljarlicens](mailto:support@ailoot.ai) · [Officiella villkor och licensavtal](https://ailoot.ai/legal/offer?lang=sv) ## Ailoot · Företaget och dess projektportfölj Ailoot bygger på etablerad driftserfarenhet, en stor kundbas, stabil service och löpande KPI-kontroll. Företaget och dess projektportfölj: miljontals kunder; månatlig försäljning för miljarder. Ailoot använder denna driftserfarenhet för API-åtkomst till AI-funktioner i kundernas produkter, agenter, applikationer och automatiseringar.