Source: https://ailoot.ai/models/th/liquid-lfm-2-5-embedding-350m-u003a-free/
Canonical: https://ailoot.ai/models/th/liquid-lfm-2-5-embedding-350m-u003a-free/
Language: th

# LiquidAI: LFM2.5-Embedding-350M (free)

[Markdown](https://ailoot.ai/models/th/liquid-lfm-2-5-embedding-350m-u003a-free/index.md) · [JSON](https://ailoot.ai/models/th/liquid-lfm-2-5-embedding-350m-u003a-free/facts.json)

## [LiquidAI: LFM2.5-Embedding-350M (free)](https://ailoot.ai/models/th/liquid-lfm-2-5-embedding-350m-u003a-free/)

LiquidAI LFM2.5-Embedding-350M สร้างเวกเตอร์ 1024 มิติหนึ่งเวกเตอร์ต่อข้อความสำหรับการค้นคืนหลายภาษาและข้ามภาษา มุ่งรองรับ 11 ภาษาและอินพุตสั้น 512 โทเคน โดยแยกคำนำหน้าสำหรับคำค้นกับเอกสาร

- [**Ailoot Ultra · เอ็มเบดดิง** `POST /v1/embeddings` `liquid/lfm-2.5-embedding-350m:free`](https://ailoot.ai/models/th/liquid-lfm-2-5-embedding-350m-u003a-free/#method-0)

เกี่ยวกับโมเดล

คำอธิบายนี้ครอบคลุมความสามารถของโมเดล อินพุต เอาต์พุต และตัวเลือกที่ใช้ได้ใน Ailoot แสดงด้านล่างตามเมธอดที่เลือก

LFM2.5-Embedding-350M เป็นตัวเข้ารหัสคู่แบบหนาแน่นของ LiquidAI สำหรับการค้นคืนหลายภาษาและข้ามภาษา สร้างเวกเตอร์ 1024 มิติหนึ่งตัวต่อข้อความ และมุ่งค้นหาบริบทสั้นในสิบเอ็ดภาษา ตระกูลที่มีชื่อ 350M ใช้การปรับ LFM2.5-350M-Base ให้ทำงานสองทิศทาง ตารางโมเดลละเอียดระบุว่ารุ่นเอ็มเบดดิงนี้มีพารามิเตอร์ประมาณ 354 ล้านตัว

#### ตัวแทนค้นคืนแบบสองทิศทาง

ผู้ผลิตปรับโครงข่ายหลักให้ attention และ local convolution ใช้บริบทได้ทั้งสองด้านของโทเคน การรวมแบบ CLS เปลี่ยนข้อความที่ประมวลผลเป็นเวกเตอร์หนาแน่นหนึ่งตัว ตารางโมเดลอธิบายสิบเจ็ดเลเยอร์ ได้แก่ บล็อก convolution สิบ บล็อก attention หก และขั้นตอนรวมตัวแทน นี่คือตัวเข้ารหัสค้นคืนที่มีการเตรียมและเอาต์พุตของตน แทนงานสร้างข้อความของโมเดลฐาน

LFM2.5-ColBERT-350M ที่มีชื่อแยกเก็บเวกเตอร์รายโทเคนสำหรับ late interaction ตัวแทนนั้นต้องใช้ดัชนีและวิธีเปรียบเทียบต่างกัน โมเดล Embedding ที่นี่ให้หนึ่งเวกเตอร์ต่อเอกสารหรือคำค้น โดยเอกสารระบุการเปรียบเทียบด้วยความคล้ายโคไซน์

#### ใช้พรอมป์ต์ไม่สมมาตรให้ถูก

เตรียมคำค้นด้วย “query:” และย่อหน้าต้นฉบับด้วย “document:” ผู้ผลิตเก็บพรอมป์ต์เหล่านี้ในการกำหนดค่า และเวิร์กโฟลว์อ้างอิงใช้ชื่อพรอมป์ต์ที่ตรงกัน แนะนำอย่างเจาะจงให้ใช้บทบาทที่สอดคล้องแต่ละด้าน เพราะโมเดลฝึกด้วยคำนำหน้าเหล่านี้ คำนำหน้า document นี้ต่างจากข้อตกลง “passage:” ของโมเดล E5

คอลเล็กชันค้นหาสินค้าจริงเก็บคำอธิบายในภาษาที่รองรับได้ เตรียมถ้อยคำค้นของผู้ใช้เป็นคำค้น และคำอธิบายสินค้าแต่ละชิ้นเป็นเอกสาร เก็บข้อความต้นฉบับ ตัวระบุสินค้า และภาษาไว้กับเวกเตอร์ เพื่อให้ผลค้นหาคืนระเบียนที่สอดคล้อง สำหรับคอลเล็กชันสนับสนุน ให้รักษานโยบายหรือคำสั่งที่เกี่ยวข้องกับคำถาม แทนการเปลี่ยนเป็นป้ายสั้นที่ไม่เกี่ยวข้อง

#### ภาษาและขนาดย่อหน้า

ชุดภาษาตามเอกสารคืออังกฤษ สเปน เยอรมัน ฝรั่งเศส อิตาลี โปรตุเกส อาหรับ สวีเดน นอร์เวย์ ญี่ปุ่น และเกาหลี ผู้ผลิตมุ่งทั้งการค้นคืนภายในภาษาและข้ามขอบเขตภาษาอย่างชัดเจน เตรียมคำถามจริงจากผู้ใช้เป้าหมายและตรวจข้อความเอกสารที่คืนมาในภาษาเหล่านั้น

ข้อกำหนดความยาวเอกสารคือ 512 โทเคน แบ่งต้นฉบับยาวเป็นย่อหน้าที่เชื่อมโยงกัน โดยรักษาหัวข้อ นิยาม และเงื่อนไขที่ผลค้นคืนต้องใช้ คำนำหน้าบทบาทและบริบทที่เพิ่มเป็นส่วนของอินพุตที่เตรียมไว้ คำตอบ FAQ คำอธิบายสินค้า หรือส่วนเทคนิคที่เจาะจงเป็นหน่วยที่เหมาะกว่าคู่มือใหญ่ทั้งเล่ม

#### การฝึกและการจับคู่

ผู้ผลิตอธิบายการฝึกสามขั้น ได้แก่ การฝึกล่วงหน้าแบบเปรียบต่างภาษาอังกฤษ การกลั่นความรู้หลายภาษาและข้ามภาษา แล้วปรับแต่งด้วยตัวอย่างเชิงลบที่ยากซึ่งคัดด้วย hard negative mining โมเดลที่ได้มุ่งแคตตาล็อกสินค้า คอลเล็กชัน FAQ และสนับสนุน ค้นไฟล์หรือบันทึก และค้นคืนความรู้ระดับองค์กร นี่คืองานสำหรับตัวแทนข้อความ ไม่ใช่ข้ออ้างว่าแอปพลิเคชันใดถูกนำไปใช้จริง

ตัวอย่างผู้ผลิตทำ normalization กับเวกเตอร์คำค้นและเอกสาร แล้วจัดอันดับด้วยผลคูณจุด ซึ่งเทียบเท่าความคล้ายโคไซน์ คำนวณตัวแทนคลังล่วงหน้าเมื่อเตรียมข้อมูลต้นฉบับ จากนั้นเอ็มเบดคำค้นและคืนเอกสารตัวเลือกพร้อมข้อความกับตัวระบุ เก็บโมเดลที่เลือกและข้อตกลงบทบาทไว้กับดัชนี เพื่อให้การเปรียบเทียบเชิงตัวเลขใช้ตัวแทนที่เข้ากันได้

ผลที่มีประโยชน์คือดัชนีค้นหาแบบหนาแน่นกระชับ หรือเวกเตอร์คำค้นที่ค้นคืนข้อมูลต้นฉบับข้ามชุดภาษาตามเอกสาร รุ่น LFM2.5 Embedding ที่ตรงนี้แยกจากโมเดล ColBERT คู่กัน ตัวค้นคืน LFM2 เก่า และการนำไปใช้ที่ควอนไทซ์ภายนอก ข้อความย่อหน้าที่เลือกคือหลักฐานที่ผู้อ่านหรือขั้นตอนคำตอบ RAG ภายหลังใช้

**Ailoot Ultra · เอ็มเบดดิง** `POST /v1/embeddings` `liquid/lfm-2.5-embedding-350m:free`

[`liquid/lfm-2.5-embedding-350m:free`](https://ailoot.ai/models/th/#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`

### เริ่มต้น

LiquidAI LFM2.5-Embedding-350M สร้างเวกเตอร์ 1024 มิติหนึ่งเวกเตอร์ต่อข้อความสำหรับการค้นคืนหลายภาษาและข้ามภาษา มุ่งรองรับ 11 ภาษาและอินพุตสั้น 512 โทเคน โดยแยกคำนำหน้าสำหรับคำค้นกับเอกสาร

อินพุตที่รองรับ

ข้อความ · token\_ids

ผลลัพธ์

embedding

### ใช้งานได้ใน Ailoot · อินพุตและเมธอด

**Ailoot Ultra · เอ็มเบดดิง** `POST /v1/embeddings`

ขาเข้า

`text`, `token_ids`

ขาออก

`embedding`

บริบท

512 tokens

รูปแบบเอาต์พุต

json

| ฟิลด์ | ประเภท | ข้อกำหนด | ค่าและข้อจำกัด | ค่าเริ่มต้น |
| --- | --- | --- | --- | --- |
| ฟิลด์`model` | ประเภท`string` | ข้อกำหนดจำเป็น | ค่าและข้อจำกัด liquid/lfm-2.5-embedding-350m:free | ค่าเริ่มต้น— |
| ฟิลด์`input` | ประเภท`string\|string[]\|integer[]\|integer[][]` | ข้อกำหนดจำเป็น | ค่าและข้อจำกัด จำนวนรายการขั้นต่ำ: 1 เงื่อนไข: ชุดข้อมูลต้องไม่ว่างและประกอบด้วยข้อมูลชนิดเดียวกัน ID โทเคนต้องเป็นจำนวนเต็มที่ไม่ติดลบ โควตาอินพุต: สูงสุด: 512 · หน่วยข้อความ: ไบต์ UTF8 · หน่วยโทเค็น: องค์ประกอบในอาร์เรย์โทเค็น | ค่าเริ่มต้น— |
| ฟิลด์`encoding_format` | ประเภท`string` | ข้อกำหนดไม่บังคับ | ค่าและข้อจำกัด float | ค่าเริ่มต้นfloat |
| ฟิลด์`dimensions` | ประเภท`integer` | ข้อกำหนดไม่รองรับ | ค่าและข้อจำกัด ขั้นต่ำ: 1 | ค่าเริ่มต้น— |
| ฟิลด์`user` | ประเภท`json_value` | ข้อกำหนดไม่บังคับ | ค่าและข้อจำกัด เงื่อนไข: ต้นฉบับอนุญาตฟิลด์เมทาดาทา JSON นี้ โดยความหมายที่แน่นอนในระบบต้นทางขึ้นอยู่กับแต่ละโมเดล | ค่าเริ่มต้น— |
| ฟิลด์`session_id` | ประเภท`json_value` | ข้อกำหนดไม่บังคับ | ค่าและข้อจำกัด เงื่อนไข: ต้นฉบับอนุญาตฟิลด์เมทาดาทา JSON นี้ โดยความหมายที่แน่นอนในระบบต้นทางขึ้นอยู่กับแต่ละโมเดล | ค่าเริ่มต้น— |
| ฟิลด์`trace` | ประเภท`json_value` | ข้อกำหนดไม่บังคับ | ค่าและข้อจำกัด เงื่อนไข: ต้นฉบับอนุญาตฟิลด์เมทาดาทา JSON นี้ โดยความหมายที่แน่นอนในระบบต้นทางขึ้นอยู่กับแต่ละโมเดล | ค่าเริ่มต้น— |
| ฟิลด์`provider` | ประเภท`object` | ข้อกำหนดไม่บังคับ | ค่าและข้อจำกัด เงื่อนไข: provider.options ถูกปฏิเสธ | ค่าเริ่มต้น— |

ชุดผสมของสื่ออินพุต

**text\_to\_embedding**

พารามิเตอร์และวงจรการทำงานของเมธอด

| พารามิเตอร์ | ข้อกำหนด |
| --- | --- |
| พารามิเตอร์`content_type` | ข้อกำหนดapplication/json |
| พารามิเตอร์`required` | ข้อกำหนดmodel, input |
| พารามิเตอร์`input_shapes` | ข้อกำหนดstring, string\[\], nonnegative\_integer\_token\_array, nonnegative\_integer\_token\_array\[\] |
| พารามิเตอร์`encoding_format` | ข้อกำหนดfloat |
| พารามิเตอร์`dimensions_override` | ข้อกำหนดfalse |
| พารามิเตอร์`max_input_budget_units` | ข้อกำหนด512 |
| พารามิเตอร์`multimodal_objects` | ข้อกำหนดfalse |
| พารามิเตอร์`material_types` | ข้อกำหนดtext, token\_ids |

วงจรการทำงาน: `synchronous_json`

เก็บดัชนีและจำนวนมิติของเวกเตอร์ทุกรายการ

ชื่อโมเดลที่สื่อว่ารองรับข้อมูลหลายรูปแบบไม่ได้ทำให้สามารถส่งออบเจ็กต์รูปภาพผ่านเส้นทางเฉพาะนี้ได้

### ราคา

ข้อมูลอัตราราคาไม่ได้เพิ่มตัวเลือกคำขอ พารามิเตอร์ที่รองรับระบุไว้สำหรับเมธอดที่เลือก

โหมดรวดเร็ว

อัตรามาตรฐาน เมื่อเลือกโหมดรวดเร็ว

โหมดยืดหยุ่น

อัตรามาตรฐาน เมื่อเลือกโหมด flex

ระดับการใช้เหตุผลสูงสุด

อัตรามาตรฐาน เมื่อใช้การปรับตามค่าเริ่มต้น (default) สำหรับระดับการใช้เหตุผลสูงสุด

#### อัตราค่าบริการ Ailoot

#### ราคาตามการตั้งค่า

| การตั้งค่า | ตารางอัตราค่าบริการ | ค่าบริการ |
| --- | --- | --- |
| การตั้งค่าอัตราราคาพื้นฐานของโทเคน | ตารางอัตราค่าบริการอัตราพื้นฐาน | ค่าบริการ ขาเข้า · โทเค็นอินพุต **$0** / 1K โทเค็น ขาออก · โทเค็นเอาต์พุต **$0** / 1K โทเค็น ขาเข้า · การอ่านแคช **—** / 1K โทเค็น ขาเข้า · การเขียนแคช **—** / 1K โทเค็น ขาเข้า · การเขียนแคช, 1 ชั่วโมง **—** / 1K โทเค็น |

Ailoot กันยอดเงินประมาณการไว้ก่อนส่งคำขอ หลังได้ผลลัพธ์ จะคิดค่าบริการสุดท้ายตามการใช้งานที่วัดได้ การคิดค่าบริการแบบสตรีมใช้บันทึกการใช้งานสุดท้าย [วิธีกันยอดเงินและคิดค่าบริการสุดท้าย →](https://ailoot.ai/docs/th/billing/reserve/)

### ตัวอย่างคำขอ

#### Ailoot Ultra · เอ็มเบดดิง

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)
```

### รับและบันทึกผลลัพธ์

#### Ailoot Ultra · เอ็มเบดดิง

json

##### เก็บผลลัพธ์ที่เสร็จสมบูรณ์ทั้งหมด

เก็บทุกการตอบกลับ ไฟล์ และส่วนเนื้อหาที่ส่งกลับมาอย่างครบถ้วน

เก็บเวกเตอร์ทุกรายการพร้อมดัชนีของแต่ละรายการ จำนวนเวกเตอร์ต้องเท่ากับจำนวนข้อมูลนำเข้า และจำนวนมิติต้องสอดคล้องกัน

##### เมื่อต้องตรวจสอบการตอบกลับต้นฉบับ

ไม่มีการเพิ่มจุดเชื่อมต่อสำหรับงานสร้างเวกเตอร์ตัวแทนข้อมูล

ฟิลด์การตอบกลับ

| ฟิลด์ | ประเภท |
| --- | --- |
| ฟิลด์`object` | ประเภทstring |
| ฟิลด์`model` | ประเภทstring |
| ฟิลด์`data[].index` | ประเภทinteger |
| ฟิลด์`data[].embedding` | ประเภทfinite float\[\] |
| ฟิลด์`usage` | ประเภทobject |

ข้อผิดพลาดและขั้นตอนถัดไป

| การตอบกลับ | เงื่อนไข | ขั้นตอนถัดไป |
| --- | --- | --- |
| การตอบกลับ400 · `invalid_request_error` | เงื่อนไขฟิลด์จำเป็น รูปแบบการแทนข้อมูล หรือค่าพารามิเตอร์ไม่ถูกต้อง | ขั้นตอนถัดไปแก้ฟิลด์ที่ระบุก่อนส่งคำขอสร้างครั้งใหม่ |

### ชื่ออื่น

#### ชื่ออื่นของโมเดล

**Ailoot Ultra** [`liquid/lfm-2.5-embedding-350m:free`](https://ailoot.ai/models/th/#m=liquid%2Flfm-2.5-embedding-350m%3Afree&route=Ultra&caller=liquid%2Flfm-2.5-embedding-350m%3Afree&fmt=embeddings)

#### ชื่อพาธเมธอดอื่น

ใช้พาธเมธอดที่แสดงด้านบน

#### ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล

[`liquid/lfm-2.5-embedding-350m:free`](https://ailoot.ai/models/th/#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)

มีอินพุตและผลลัพธ์ใดบ้าง?

`POST /v1/embeddings` · `liquid/lfm-2.5-embedding-350m:free`: `text`, `token_ids` → `embedding`

คำขอใช้ฟิลด์ใดบ้าง?

`POST /v1/embeddings` · `liquid/lfm-2.5-embedding-350m:free`: `model`, `input`, `encoding_format`, `provider`

มีข้อจำกัดใดบ้าง?

`POST /v1/embeddings` · `liquid/lfm-2.5-embedding-350m:free`: `ctx`: `512`; `input.budget.maximum`: `512` (ไบต์ UTF8); `input.min_items`: `1`

เชื่อม Ailoot กับ Claude Code, OpenCode, Hermes หรือแอปของคุณ

## บริษัทและพอร์ตโฟลิโอโครงการของบริษัท

บริษัทและพอร์ตโฟลิโอโครงการของบริษัท: ลูกค้าหลายล้านราย; ยอดขายระดับหลายพันล้านต่อเดือน.

## ซื้อโทเคนพร้อมส่วนลด

ส่วนลดสมาชิกสำหรับงานประจำ โค้ดโปรโมชั่นลดซื้อโทเคนสูงสุด 50%

สมาชิก

เลือกแพ็กเกจมีส่วนลดสำหรับคำขอประจำ

โค้ดลดสูงสุด 50%

ใส่โค้ดขณะซื้อ ราคาคำนวณใหม่ตามโปรโมชั่นที่ใช้

รายจ่ายในประวัติ

เก็บโมเดล โทเคน และยอดสำหรับทุกคำขอ

[เลือกสมาชิก](https://ailoot.ai/docs/th/billing/subscriptions/) · [ดูราคาโมเดล](https://ailoot.ai/models/th/)

## เชื่อม API กับผลิตภัณฑ์ ที่คุณขาย

SaaS แอป และบอต ตามข้อเสนอและสัญญาอนุญาต Ailoot หากขายต่อให้ขอใบอนุญาตรีเซลเลอร์

แอปเชิงพาณิชย์

ใส่การสร้างข้อความ ภาพ วิดีโอ และเสียงในฟีเจอร์เสียเงินของบริการคุณ

ใบอนุญาตรีเซลเลอร์

ส่งคำอธิบายโครงการและรูปแบบการเข้าถึง ขอเงื่อนไขใช้และขายต่อเป็นลายลักษณ์อักษร

เอกสารบนเว็บไซต์

อ่านข้อเสนอ สัญญาอนุญาต และนโยบายประมวลผลข้อมูลก่อนเชื่อมได้

[ขอใบอนุญาตขายต่อ](mailto:support@ailoot.ai) · [ข้อเสนอและสัญญาอนุญาต](https://ailoot.ai/legal/offer?lang=th)

## Ailoot · บริษัทและพอร์ตโฟลิโอโครงการของบริษัท





Ailoot อาศัยประสบการณ์การดำเนินงานที่สั่งสม ฐานลูกค้าขนาดใหญ่ บริการที่เสถียร และการติดตาม KPI อย่างต่อเนื่อง





บริษัทและพอร์ตโฟลิโอโครงการของบริษัท: ลูกค้าหลายล้านราย; ยอดขายระดับหลายพันล้านต่อเดือน.





Ailoot นำประสบการณ์การดำเนินงานนี้มาใช้เพื่อให้เข้าถึงฟังก์ชัน AI ผ่าน API ในผลิตภัณฑ์ของลูกค้า เอเจนต์ แอปพลิเคชัน และระบบอัตโนมัติ