GTE-large är den stora modellen i serien General Text Embeddings, tränad av Alibaba DAMO Academy. Det är en kodare för engelsk text som huvudsakligen bygger på BERT-ramverket och ger en tät representation med 1024 dimensioner för varje indatatext. Tillverkaren tränar GTE-familjen på textpar med relevansrelationer från olika domäner och anger informationssökning, semantisk textlikhet och omrangering av text som efterföljande användningsområden.
Förbered det engelska textstycke som ska jämföras med en sökfråga. I en samling tekniska rapporter ska ett kort avsnitts ämne, observation och relevanta villkor behållas. En rapport som beskriver vibrationer enbart vid en viss belastning bör behålla det villkoret, i stället för att bara lämna ett allmänt påstående om vibrationer.
Lagra källidentifierare, dokumenttitlar och avsnittens placering tillsammans med vektorerna. En fråga kan hämta kandidatavsnitt, medan originalrapporten finns kvar för att kontrollera utrustningen, villkoret och slutsatsen. Inbäddningen ger en numerisk representation av textstyckets innehåll.
Den publicerade metoden använder medelvärdespoolning av tokenrepresentationer med uppmärksamhetsmasken, så att utfyllnad utesluts från medelvärdet. Den visar också valfri L2-normalisering följd av en jämförelse med skalärprodukten av normaliserade vektorer. Exemplet med Sentence Transformers använder cosinuslikhet.
Använd samma inställningar för förberedelse, poolning och jämförelse i samlingen och på frågesidan. Varje representation innehåller 1024 komponenter. Det större antalet komponenter är en egenskap hos denna utgåva; det innebär inte att GTE-large-vektorer kan blandas med GTE-base-representationen med 768 dimensioner eller med en annan kodare med 1024 dimensioner.
Ett arbetsflöde för omrangering kan jämföra en frågas inbäddning med en redan hämtad uppsättning kandidatinbäddningar och ändra ordningen på posterna. Behåll skillnaden mellan denna vektorjämförelse och en separat modell som bedömer en fråga och ett textstycke gemensamt som ett par.
Modellkortet begränsar uttryckligen just denna modell till engelsk text och trunkerar långa indata till högst 512 token. Dela upp en lång teknisk rapport i sammanhängande avsnitt och behåll tillräckligt med lokal kontext för att varje avsnitt ska kunna stå för sig självt. Om en mening är beroende av ett föregående förbehåll ska det förbehållet behållas i samma indexerade enhet när det ryms.
En tokengräns skiljer sig från ett synligt ordantal. Kontrollera längden på det förberedda avsnittet och säkerställ att den detalj som den avsedda sökningen behöver inte ligger utanför den del som behålls efter trunkering.
I en applikation för rapportsökning bör kandidatavsnitt visas med sina källpositioner och deras faktiska innehåll granskas. Liknande observationer kan ha olika orsaker eller rekommendationer. En vektorpoäng hjälper till att ordna kandidaterna enligt den valda jämförelsemetoden; den fastställer inte att en rapports slutsats gäller i en ny situation.
För RAG används de valda avsnitten som källkontext i steget där svaret skrivs, och deras kopplingar till dokumenten behålls. Just denna GTE-large-profil ger täta inbäddningar för engelsk text med 1024 dimensioner och en indatagräns på 512 token. Senare flerspråkiga GTE-utgåvor och utgåvor med utökad kontext har separata identiteter, så deras språkstöd eller indatainställningar följer inte av familjenamnet för denna modellversion.
", "aboutText": "GTE-large är den stora modellen i serien General Text Embeddings, tränad av Alibaba DAMO Academy. Det är en kodare för engelsk text som huvudsakligen bygger på BERT-ramverket och ger en tät representation med 1024 dimensioner för varje indatatext. Tillverkaren tränar GTE-familjen på textpar med relevansrelationer från olika domäner och anger informationssökning, semantisk textlikhet och omrangering av text som efterföljande användningsområden.\n\n### Representera innehållet i ett avsnitt\n\nFörbered det engelska textstycke som ska jämföras med en sökfråga. I en samling tekniska rapporter ska ett kort avsnitts ämne, observation och relevanta villkor behållas. En rapport som beskriver vibrationer enbart vid en viss belastning bör behålla det villkoret, i stället för att bara lämna ett allmänt påstående om vibrationer.\n\nLagra källidentifierare, dokumenttitlar och avsnittens placering tillsammans med vektorerna. En fråga kan hämta kandidatavsnitt, medan originalrapporten finns kvar för att kontrollera utrustningen, villkoret och slutsatsen. Inbäddningen ger en numerisk representation av textstyckets innehåll.\n\n### Poolning, normalisering och användning av vektorer\n\nDen publicerade metoden använder medelvärdespoolning av tokenrepresentationer med uppmärksamhetsmasken, så att utfyllnad utesluts från medelvärdet. Den visar också valfri L2-normalisering följd av en jämförelse med skalärprodukten av normaliserade vektorer. Exemplet med Sentence Transformers använder cosinuslikhet.\n\nAnvänd samma inställningar för förberedelse, poolning och jämförelse i samlingen och på frågesidan. Varje representation innehåller 1024 komponenter. Det större antalet komponenter är en egenskap hos denna utgåva; det innebär inte att GTE-large-vektorer kan blandas med GTE-base-representationen med 768 dimensioner eller med en annan kodare med 1024 dimensioner.\n\nEtt arbetsflöde för omrangering kan jämföra en frågas inbäddning med en redan hämtad uppsättning kandidatinbäddningar och ändra ordningen på posterna. Behåll skillnaden mellan denna vektorjämförelse och en separat modell som bedömer en fråga och ett textstycke gemensamt som ett par.\n\n### Indatalängd och begränsningen till engelska\n\nModellkortet begränsar uttryckligen just denna modell till engelsk text och trunkerar långa indata till högst 512 token. Dela upp en lång teknisk rapport i sammanhängande avsnitt och behåll tillräckligt med lokal kontext för att varje avsnitt ska kunna stå för sig självt. Om en mening är beroende av ett föregående förbehåll ska det förbehållet behållas i samma indexerade enhet när det ryms.\n\nEn tokengräns skiljer sig från ett synligt ordantal. Kontrollera längden på det förberedda avsnittet och säkerställ att den detalj som den avsedda sökningen behöver inte ligger utanför den del som behålls efter trunkering.\n\n### Granska de hämtade beläggen\n\nI en applikation för rapportsökning bör kandidatavsnitt visas med sina källpositioner och deras faktiska innehåll granskas. Liknande observationer kan ha olika orsaker eller rekommendationer. En vektorpoäng hjälper till att ordna kandidaterna enligt den valda jämförelsemetoden; den fastställer inte att en rapports slutsats gäller i en ny situation.\n\nFör RAG används de valda avsnitten som källkontext i steget där svaret skrivs, och deras kopplingar till dokumenten behålls. Just denna GTE-large-profil ger täta inbäddningar för engelsk text med 1024 dimensioner och en indatagräns på 512 token. Senare flerspråkiga GTE-utgåvor och utgåvor med utökad kontext har separata identiteter, så deras språkstöd eller indatainställningar följer inte av familjenamnet för denna modellversion.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "0b0c8fb3e98f41b4d03057d377eab789df999244f1367b49193dbe708cb59256", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "sv", "methods": [ { "html": "thenlper/gte-largeAlibaba DAMO Academy GTE-large omvandlar engelsk text till 1024-dimensionella vektorer för sökning, semantisk likhet och inbäddningsbaserad omrankning. Referensreceptet använder medelvärdespoolning, valfri normalisering och en maximal sekvenslängd på 512 token.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
GTE-large är den stora modellen i serien General Text Embeddings, tränad av Alibaba DAMO Academy. Det är en kodare för engelsk text som huvudsakligen bygger på BERT-ramverket och ger en tät representation med 1024 dimensioner för varje indatatext. Tillverkaren tränar GTE-familjen på textpar med relevansrelationer från olika domäner och anger informationssökning, semantisk textlikhet och omrangering av text som efterföljande användningsområden.
Förbered det engelska textstycke som ska jämföras med en sökfråga. I en samling tekniska rapporter ska ett kort avsnitts ämne, observation och relevanta villkor behållas. En rapport som beskriver vibrationer enbart vid en viss belastning bör behålla det villkoret, i stället för att bara lämna ett allmänt påstående om vibrationer.
Lagra källidentifierare, dokumenttitlar och avsnittens placering tillsammans med vektorerna. En fråga kan hämta kandidatavsnitt, medan originalrapporten finns kvar för att kontrollera utrustningen, villkoret och slutsatsen. Inbäddningen ger en numerisk representation av textstyckets innehåll.
Den publicerade metoden använder medelvärdespoolning av tokenrepresentationer med uppmärksamhetsmasken, så att utfyllnad utesluts från medelvärdet. Den visar också valfri L2-normalisering följd av en jämförelse med skalärprodukten av normaliserade vektorer. Exemplet med Sentence Transformers använder cosinuslikhet.
Använd samma inställningar för förberedelse, poolning och jämförelse i samlingen och på frågesidan. Varje representation innehåller 1024 komponenter. Det större antalet komponenter är en egenskap hos denna utgåva; det innebär inte att GTE-large-vektorer kan blandas med GTE-base-representationen med 768 dimensioner eller med en annan kodare med 1024 dimensioner.
Ett arbetsflöde för omrangering kan jämföra en frågas inbäddning med en redan hämtad uppsättning kandidatinbäddningar och ändra ordningen på posterna. Behåll skillnaden mellan denna vektorjämförelse och en separat modell som bedömer en fråga och ett textstycke gemensamt som ett par.
Modellkortet begränsar uttryckligen just denna modell till engelsk text och trunkerar långa indata till högst 512 token. Dela upp en lång teknisk rapport i sammanhängande avsnitt och behåll tillräckligt med lokal kontext för att varje avsnitt ska kunna stå för sig självt. Om en mening är beroende av ett föregående förbehåll ska det förbehållet behållas i samma indexerade enhet när det ryms.
En tokengräns skiljer sig från ett synligt ordantal. Kontrollera längden på det förberedda avsnittet och säkerställ att den detalj som den avsedda sökningen behöver inte ligger utanför den del som behålls efter trunkering.
I en applikation för rapportsökning bör kandidatavsnitt visas med sina källpositioner och deras faktiska innehåll granskas. Liknande observationer kan ha olika orsaker eller rekommendationer. En vektorpoäng hjälper till att ordna kandidaterna enligt den valda jämförelsemetoden; den fastställer inte att en rapports slutsats gäller i en ny situation.
För RAG används de valda avsnitten som källkontext i steget där svaret skrivs, och deras kopplingar till dokumenten behålls. Just denna GTE-large-profil ger täta inbäddningar för engelsk text med 1024 dimensioner och en indatagräns på 512 token. Senare flerspråkiga GTE-utgåvor och utgåvor med utökad kontext har separata identiteter, så deras språkstöd eller indatainställningar följer inte av familjenamnet för denna modellversion.
POST /v1/embeddingstext, token_idsembedding| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser thenlper/gte-large | 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 $0.00002 / 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-large", "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-large',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-large
Använd metodsökvägarna som visas ovan.