GTE-base är basmodellen i serien General Text Embeddings, tränad av Alibaba DAMO Academy. Denna kodare för engelsk text bygger huvudsakligen på BERT-ramverket och ger täta vektorer med 768 dimensioner. Den tränas på en stor korpus av par med relevansrelationer från olika domäner. Informationssökning, semantisk textlikhet och omrangering av text utifrån inbäddningar hör till de angivna användningsområdena.
Använd läsbar engelsk text både för informationsbehovet och för materialet som ska genomsökas. Exempelvis kan en fråga om att byta ut en sliten komponent jämföras med korta underhållsavsnitt som beskriver kriterier för utbyte, inspektionssteg och beställningsanvisningar. Behåll komponentens namn och de villkor som skiljer avsnitten åt.
Det publicerade exemplet kodar frågor och kandidattexter direkt, utan någon extra uppgiftsinstruktion. Använd samma förberedelse i samlingen och för senare frågor. Lagra originaltextstycket och dess identifierare tillsammans med vektorn, så att ett rangordnat resultat kan visa den information som representerades.
Referensmetoden beräknar medelvärdet av modellens tokenrepresentationer med hjälp av uppmärksamhetsmasken, så att utfyllnadspositioner inte bidrar till resultatet. Därefter visar den valfri L2-normalisering och jämför de normaliserade vektorerna genom deras skalärprodukt. Ett separat exempel använder cosinuslikhet.
Välj och behåll samma inställningar för normalisering och jämförelse vid indexering och informationssökning. Utdata innehåller 768 numeriska komponenter; de innehåller inget genererat svar. I ett steg för omrangering av kandidater kodas kandidattextstyckena med samma modell och ordnas efter sin likhet med frågan. Detta är fortfarande en jämförelse utifrån inbäddningar och innebär inte att modellen gemensamt läser varje par av fråga och textstycke som en korsenkodare.
Modellkortet för just denna modell begränsar den till engelsk text och anger att långa indata trunkeras till högst 512 token. En lång manual bör därför delas upp i meningsfulla avsnitt före indexering. Behåll en varning, ett undantag eller ett förbehåll tillsammans med den regel som det modifierar när dessa detaljer behövs för att tolka textstycket.
För en fråga om underhållsintervall är ett avsnitt med både intervallet och driftvillkoret mer användbart än ett fragment som bara innehåller ett tal. Behåll rubriken eller utrustningens identitet när den förtydligar instruktionen. Kontrollera längden med tokeniseraren i stället för att förlita dig på det synliga antalet ord.
Informationssökningen returnerar kandidater ur den indexerade samlingen. Granska de högst rankade textstyckena för den exakta uppgiften och behåll deras källpositioner när de förs vidare till ett steg där RAG-svar skrivs. Ett relaterat textstycke kan handla om inspektion utan att medge utbyte; den skillnaden måste förbli synlig i källmaterialet.
GTE-base skiljer sig från GTE-large, som ger vektorer med 1024 dimensioner, och från senare flerspråkiga GTE-utgåvor eller utgåvor med utökad kontext. Dess publicerade modellidentitet definierar det engelska språkstödet, representationen med 768 komponenter och gränsen på 512 token. Använd just denna profil med representativa frågor och källposter när du bedömer en samling för informationssökning.
", "aboutText": "GTE-base är basmodellen i serien General Text Embeddings, tränad av Alibaba DAMO Academy. Denna kodare för engelsk text bygger huvudsakligen på BERT-ramverket och ger täta vektorer med 768 dimensioner. Den tränas på en stor korpus av par med relevansrelationer från olika domäner. Informationssökning, semantisk textlikhet och omrangering av text utifrån inbäddningar hör till de angivna användningsområdena.\n\n### Förbered engelska frågor och textstycken\n\nAnvänd läsbar engelsk text både för informationsbehovet och för materialet som ska genomsökas. Exempelvis kan en fråga om att byta ut en sliten komponent jämföras med korta underhållsavsnitt som beskriver kriterier för utbyte, inspektionssteg och beställningsanvisningar. Behåll komponentens namn och de villkor som skiljer avsnitten åt.\n\nDet publicerade exemplet kodar frågor och kandidattexter direkt, utan någon extra uppgiftsinstruktion. Använd samma förberedelse i samlingen och för senare frågor. Lagra originaltextstycket och dess identifierare tillsammans med vektorn, så att ett rangordnat resultat kan visa den information som representerades.\n\n### Medelvärdespoolning och jämförelse\n\nReferensmetoden beräknar medelvärdet av modellens tokenrepresentationer med hjälp av uppmärksamhetsmasken, så att utfyllnadspositioner inte bidrar till resultatet. Därefter visar den valfri L2-normalisering och jämför de normaliserade vektorerna genom deras skalärprodukt. Ett separat exempel använder cosinuslikhet.\n\nVälj och behåll samma inställningar för normalisering och jämförelse vid indexering och informationssökning. Utdata innehåller 768 numeriska komponenter; de innehåller inget genererat svar. I ett steg för omrangering av kandidater kodas kandidattextstyckena med samma modell och ordnas efter sin likhet med frågan. Detta är fortfarande en jämförelse utifrån inbäddningar och innebär inte att modellen gemensamt läser varje par av fråga och textstycke som en korsenkodare.\n\n### Engelskt språkstöd och indata på 512 token\n\nModellkortet för just denna modell begränsar den till engelsk text och anger att långa indata trunkeras till högst 512 token. En lång manual bör därför delas upp i meningsfulla avsnitt före indexering. Behåll en varning, ett undantag eller ett förbehåll tillsammans med den regel som det modifierar när dessa detaljer behövs för att tolka textstycket.\n\nFör en fråga om underhållsintervall är ett avsnitt med både intervallet och driftvillkoret mer användbart än ett fragment som bara innehåller ett tal. Behåll rubriken eller utrustningens identitet när den förtydligar instruktionen. Kontrollera längden med tokeniseraren i stället för att förlita dig på det synliga antalet ord.\n\n### Använd källtextstyckena bakom poängen\n\nInformationssökningen returnerar kandidater ur den indexerade samlingen. Granska de högst rankade textstyckena för den exakta uppgiften och behåll deras källpositioner när de förs vidare till ett steg där RAG-svar skrivs. Ett relaterat textstycke kan handla om inspektion utan att medge utbyte; den skillnaden måste förbli synlig i källmaterialet.\n\nGTE-base skiljer sig från GTE-large, som ger vektorer med 1024 dimensioner, och från senare flerspråkiga GTE-utgåvor eller utgåvor med utökad kontext. Dess publicerade modellidentitet definierar det engelska språkstödet, representationen med 768 komponenter och gränsen på 512 token. Använd just denna profil med representativa frågor och källposter när du bedömer en samling för informationssökning.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "fde321d17bfb329656ace6cc54cb96457e211b2bf4c2dbbbaf8726a7e33872ed", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "sv", "methods": [ { "html": "thenlper/gte-baseAlibaba DAMO Academys GTE-base omvandlar engelsk text till vektorer med 768 dimensioner för informationssökning och semantisk likhet. Just denna modell använder medelvärdespoolning, stöder sekvenser på upp till 512 token och dokumenterar cosinusbaserad jämförelse med valfri normalisering.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
GTE-base är basmodellen i serien General Text Embeddings, tränad av Alibaba DAMO Academy. Denna kodare för engelsk text bygger huvudsakligen på BERT-ramverket och ger täta vektorer med 768 dimensioner. Den tränas på en stor korpus av par med relevansrelationer från olika domäner. Informationssökning, semantisk textlikhet och omrangering av text utifrån inbäddningar hör till de angivna användningsområdena.
Använd läsbar engelsk text både för informationsbehovet och för materialet som ska genomsökas. Exempelvis kan en fråga om att byta ut en sliten komponent jämföras med korta underhållsavsnitt som beskriver kriterier för utbyte, inspektionssteg och beställningsanvisningar. Behåll komponentens namn och de villkor som skiljer avsnitten åt.
Det publicerade exemplet kodar frågor och kandidattexter direkt, utan någon extra uppgiftsinstruktion. Använd samma förberedelse i samlingen och för senare frågor. Lagra originaltextstycket och dess identifierare tillsammans med vektorn, så att ett rangordnat resultat kan visa den information som representerades.
Referensmetoden beräknar medelvärdet av modellens tokenrepresentationer med hjälp av uppmärksamhetsmasken, så att utfyllnadspositioner inte bidrar till resultatet. Därefter visar den valfri L2-normalisering och jämför de normaliserade vektorerna genom deras skalärprodukt. Ett separat exempel använder cosinuslikhet.
Välj och behåll samma inställningar för normalisering och jämförelse vid indexering och informationssökning. Utdata innehåller 768 numeriska komponenter; de innehåller inget genererat svar. I ett steg för omrangering av kandidater kodas kandidattextstyckena med samma modell och ordnas efter sin likhet med frågan. Detta är fortfarande en jämförelse utifrån inbäddningar och innebär inte att modellen gemensamt läser varje par av fråga och textstycke som en korsenkodare.
Modellkortet för just denna modell begränsar den till engelsk text och anger att långa indata trunkeras till högst 512 token. En lång manual bör därför delas upp i meningsfulla avsnitt före indexering. Behåll en varning, ett undantag eller ett förbehåll tillsammans med den regel som det modifierar när dessa detaljer behövs för att tolka textstycket.
För en fråga om underhållsintervall är ett avsnitt med både intervallet och driftvillkoret mer användbart än ett fragment som bara innehåller ett tal. Behåll rubriken eller utrustningens identitet när den förtydligar instruktionen. Kontrollera längden med tokeniseraren i stället för att förlita dig på det synliga antalet ord.
Informationssökningen returnerar kandidater ur den indexerade samlingen. Granska de högst rankade textstyckena för den exakta uppgiften och behåll deras källpositioner när de förs vidare till ett steg där RAG-svar skrivs. Ett relaterat textstycke kan handla om inspektion utan att medge utbyte; den skillnaden måste förbli synlig i källmaterialet.
GTE-base skiljer sig från GTE-large, som ger vektorer med 1024 dimensioner, och från senare flerspråkiga GTE-utgåvor eller utgåvor med utökad kontext. Dess publicerade modellidentitet definierar det engelska språkstödet, representationen med 768 komponenter och gränsen på 512 token. Använd just denna profil med representativa frågor och källposter när du bedömer en samling för informationssökning.
POST /v1/embeddingstext, token_idsembedding| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser thenlper/gte-base | 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 $0.00001 / 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": "thenlper/gte-base", "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='thenlper/gte-base',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 thenlper/gte-base
Använd metodsökvägarna som visas ovan.