LiquidAI: LFM2.5-Embedding-350M (free)
LiquidAI LFM2.5-Embedding-350M koʻp tilli va tillararo qidiruv uchun har bir matnga bitta 1024 oʻlchamli vektor yaratadi. U 11 tilga va qisqa, 512 tokenli kirishlarga yoʻnaltirilgan; soʻrov va hujjat prefikslari alohida.
Model haqida
Bu tavsif model imkoniyatlarini yoritadi. Ailoot da tanlangan usul uchun mavjud kirish, chiqish va parametrlar quyida keltirilgan.
LFM2.5-Embedding-350M — ko‘p tilli va tillararo qidiruv uchun LiquidAI’ning zich bi-enkoderi. U har matn uchun bitta 1024 o‘lchamli vektor hosil qiladi va o‘n bir tildagi qisqa kontekstli qidiruvga mo‘ljallangan. 350M deb nomlangan model oilasi LFM2.5-350M-Base’ning ikki yo‘nalishli moslashuvidan foydalanadi; batafsil model jadvali shu embedding nashri uchun taxminan 354 million parametrni ko‘rsatadi.
Ikki yo‘nalishli qidiruv ifodasi
Ishlab chiqaruvchi asosni diqqat va mahalliy konvolutsiyalar tokenning ikkala tomonidagi kontekstdan foydalana oladigan qilib moslashtiradi. CLS uslubidagi pooling qayta ishlangan matnni bitta zich vektorga aylantiradi. Model jadvali o‘n yetti qatlamni tavsiflaydi: o‘nta konvolutsiya bloki, oltita diqqat bloki va pooling bosqichi. Bu bazaviy modelning matn yaratish vazifasi emas, o‘z tayyorlashi va chiqishiga ega qidiruv enkoderidir.
Alohida nomlangan LFM2.5-ColBERT-350M kech bosqichdagi o‘zaro ta’sir uchun har token vektorlarini saqlaydi. Shu ifodaga boshqa indeks va taqqoslash usuli kerak. Bu yerdagi Embedding modeli hujjat yoki so‘rov uchun bitta vektor beradi; hujjatlashtirilgan taqqoslash kosinus o‘xshashligidir.
To‘g‘ri asimmetrik promptlardan foydalaning
Qidiruv so‘rovlarini “query:”, manba parchalarini “document:” bilan tayyorlang. Ishlab chiqaruvchi bu promptlarni konfiguratsiyada saqlaydi va rasmiy jarayon mos prompt nomini qo‘llaydi. Model shu prefikslar bilan o‘qitilgani uchun har tomonda tegishli rolni ishlatish alohida tavsiya qilinadi. Bu hujjat prefiksi E5 modellarining “passage:” qoidasidan farq qiladi.
Amaliy mahsulot qidiruv to‘plami qo‘llanadigan tillardagi tavsiflarni saqlashi mumkin. Foydalanuvchining qidiruv ifodasini so‘rov, har mahsulot tavsifini hujjat sifatida tayyorlang. Qidiruv natijasi tegishli yozuvni qaytarishi uchun asl matn, mahsulot identifikatori va tilni vektor bilan saqlang. Qo‘llab-quvvatlash to‘plamida savolga tegishli siyosat yoki ko‘rsatmani aloqasiz qisqa yorliqqa almashtirmasdan saqlang.
Tillar va parcha hajmi
Hujjatlashtirilgan tillar to‘plami ingliz, ispan, nemis, fransuz, italyan, portugal, arab, shved, norveg, yapon va koreys tillaridir. Ishlab chiqaruvchi bir til ichida ham, tillar chegarasi orqali ham qidiruvni ochiq maqsad qiladi. Mo‘ljallangan auditoriyadan haqiqiy savollar tayyorlang va qaytgan hujjat matnini shu tillarda tekshiring.
Hujjat uzunligi spetsifikatsiyasi 512 token. Uzun manbani topilgan natijaga kerakli sarlavha, ta’rif va shartlarni saqlaydigan izchil parchalarga bo‘ling. Rol prefiksi va qo‘shilgan kontekst tayyorlangan kirishga kiradi. FAQ javobi, mahsulot izohi yoki texnik hujjatning aniq yo‘naltirilgan bo‘limi butun haddan katta qo‘llanmadan ko‘ra mos birlikdir.
O‘qitish va moslashtirish
Ishlab chiqaruvchi uch o‘qitish bosqichini tavsiflaydi: inglizcha kontrastiv dastlabki o‘qitish, ko‘p tilli va tillararo distillatsiya, so‘ng qidirib olingan murakkab salbiy misollar bilan nozik sozlash. Hosil bo‘lgan model mahsulot kataloglari, FAQ va qo‘llab-quvvatlash to‘plamlari, fayl yoki qayd qidiruvi va korporativ bilim qidiruviga mo‘ljallangan. Bular matn ifodalari uchun vazifalar, muayyan ilova joriy qilinganining da’volari emas.
Ishlab chiqaruvchi misoli so‘rov va hujjat vektorlarini normallab, kosinus o‘xshashligiga teng skalyar ko‘paytma bilan reytinglaydi. Manba materiali tayyorlanganda korpus ifodalarini oldindan hisoblang, keyin qidiruv so‘rovini embedding qiling va nomzod hujjatlarni matni hamda identifikatorlari bilan qaytaring. Raqamli taqqoslash mos ifodalardan foydalanishi uchun tanlangan model va rol qoidasini indeks bilan saqlang.
Foydali natija — hujjatlashtirilgan tillar to‘plami bo‘ylab manba materialini topadigan ixcham zich qidiruv indeksi yoki so‘rov vektori. Aynan LFM2.5 Embedding nashri yonidagi ColBERT modeli, eski LFM2 qidiruvchilari va tashqi kvantlangan implementatsiyalardan alohida qoladi. Tanlangan parcha matni o‘quvchi yoki keyingi RAG javob bosqichi ishlatadigan dalildir.
Ailoot Ultra · Embeddinglar POST /v1/embeddings liquid/lfm-2.5-embedding-350m:free
liquid/lfm-2.5-embedding-350m:free
liquid/lfm-2.5-embedding-350m:freeBoshlash
LiquidAI LFM2.5-Embedding-350M koʻp tilli va tillararo qidiruv uchun har bir matnga bitta 1024 oʻlchamli vektor yaratadi. U 11 tilga va qisqa, 512 tokenli kirishlarga yoʻnaltirilgan; soʻrov va hujjat prefikslari alohida.
- Qabul qilinadigan kirish ma’lumotlari
- Matn · token_ids
- Natijalar
- embedding
Ailoot da mavjud · kirish ma’lumotlari va usullar
Ailoot Ultra · Embeddinglar POST /v1/embeddings
- Kirish
text,token_ids- Chiqish
embedding- Kontekst
- 512 tokens
- Chiqish formati
- json
| Maydon | Tur | Talab | Qiymatlar va cheklovlar | Standart |
|---|---|---|---|---|
Maydonmodel | Turstring | TalabMajburiy | Qiymatlar va cheklovlar liquid/lfm-2.5-embedding-350m:free | Standart— |
Maydoninput | Turstring|string[]|integer[]|integer[][] | TalabMajburiy | Qiymatlar va cheklovlar Elementlarning eng kam soni: 1 Shartlar: Bo‘sh bo‘lmagan, bir xil turdagi elementlardan iborat paket. Token ID lari manfiy bo‘lmagan butun sonlardir. Kirish budjeti: Eng ko‘p: 512 · Matn birligi: UTF8 baytlari · Token birligi: Tokenlar massivi elementlari | Standart— |
Maydonencoding_format | Turstring | TalabIxtiyoriy | Qiymatlar va cheklovlar float | Standartfloat |
Maydondimensions | Turinteger | TalabQo‘llab-quvvatlanmaydi | Qiymatlar va cheklovlar Eng kam: 1 | Standart— |
Maydonuser | Turjson_value | TalabIxtiyoriy | Qiymatlar va cheklovlar Shartlar: Manba ushbu JSON metama’lumot maydoniga ruxsat beradi; uning ta’minotchi xizmatidagi aniq ma’nosi modelga bog‘liq. | Standart— |
Maydonsession_id | Turjson_value | TalabIxtiyoriy | Qiymatlar va cheklovlar Shartlar: Manba ushbu JSON metama’lumot maydoniga ruxsat beradi; uning ta’minotchi xizmatidagi aniq ma’nosi modelga bog‘liq. | Standart— |
Maydontrace | Turjson_value | TalabIxtiyoriy | Qiymatlar va cheklovlar Shartlar: Manba ushbu JSON metama’lumot maydoniga ruxsat beradi; uning ta’minotchi xizmatidagi aniq ma’nosi modelga bog‘liq. | Standart— |
Maydonprovider | Turobject | TalabIxtiyoriy | Qiymatlar va cheklovlar Shartlar: provider.options rad etildi | Standart— |
Kirish materiallari birikmalari
text_to_embedding
Usul parametrlari va hayot sikli
| Parametr | Parametr talablari |
|---|---|
Parametrcontent_type | Parametr talablariapplication/json |
Parametrrequired | Parametr talablarimodel, input |
Parametrinput_shapes | Parametr talablaristring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parametrencoding_format | Parametr talablarifloat |
Parametrdimensions_override | Parametr talablarifalse |
Parametrmax_input_budget_units | Parametr talablari512 |
Parametrmultimodal_objects | Parametr talablarifalse |
Parametrmaterial_types | Parametr talablaritext, token_ids |
Hayot sikli: synchronous_json
Har bir vektorning indeksi va o‘lchamini saqlang.
Model nomida multimodal deyilgani aynan shu yo‘nalishda rasm obyektlariga ruxsat borligini anglatmaydi.
Tariflar
Tarif ma’lumotlari so‘rov imkoniyatlarini qo‘shmaydi. Qo‘llab-quvvatlanadigan parametrlar tanlangan usulda ko‘rsatilgan.
- Tezkor rejim
- Standart tarif Tezkor rejim tanlanganda
- Flex rejimi
- Standart tarif flex rejimi tanlanganda
- Maksimal fikrlash darajasi
- Standart tarif Maksimal fikrlash darajasi uchun standart (default) tuzatish qo‘llanganda
Ailoot tariflari
Sozlamalar bo‘yicha narxlar
| Sozlama | Tariflar jadvali | To‘lov |
|---|---|---|
| SozlamaTokenlar uchun bazaviy tariflar | Tariflar jadvaliAsosiy tarif | To‘lov Kirish · Kirish tokenlari $0 / 1K token Chiqish · Chiqish tokenlari $0 / 1K token Kirish · Keshdan o‘qish — / 1K token Kirish · Keshga yozish — / 1K token Kirish · Keshga yozish, 1 soat — / 1K token |
Ailoot so‘rovdan oldin taxminiy summani band qiladi. Natijadan keyin o‘lchangan sarf asosidagi yakuniy to‘lovni yechadi. Oqimli javob bo‘yicha yakuniy hisob-kitob yakuniy sarf yozuviga asoslanadi. Summani band qilish va to‘lovni hisoblash tartibi →
So‘rov namunalari
Ailoot Ultra · Embeddinglar
set -eu
: "${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
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)
Natijalarni olish va saqlash
Ailoot Ultra · Embeddinglar
json
Barcha tayyor natijalarni saqlash
Qaytarilgan har bir to‘liq javob, fayl va kontent qismini saqlang.
Har bir vektorni indeksi bilan saqlang. Vektorlar soni kirish elementlari soniga teng bo‘lishi va o‘lchamlar bir xil bo‘lishi kerak.
Asl javobni tekshirish kerak bo‘lsa
Embedding vazifalari uchun endpoint qo‘shilmaydi.
Javob maydonlari
| Maydon | Tur |
|---|---|
Maydonobject | Turstring |
Maydonmodel | Turstring |
Maydondata[].index | Turinteger |
Maydondata[].embedding | Turfinite float[] |
Maydonusage | Turobject |
Xatolar va keyingi qadamlar
| Javob | Shart | Keyingi qadam |
|---|---|---|
Javob400 · invalid_request_error | ShartMajburiy maydonlar, material ifodasi yoki parametr qiymati noto‘g‘ri | Keyingi qadamYangi yaratish so‘rovidan oldin ko‘rsatilgan maydonlarni tuzating. |
Taxalluslar
Model taxalluslari
Ailoot Ultra liquid/lfm-2.5-embedding-350m:free
Usul yo‘llari taxalluslari
Yuqorida ko‘rsatilgan usul yo‘llaridan foydalaning.
Chaqirish uchun tegishli ID lar
FAQ · LiquidAI: LFM2.5-Embedding-350M (free)
- Qanday kirish ma’lumotlari va natijalar mavjud?
POST /v1/embeddings·liquid/lfm-2.5-embedding-350m:free:text,token_ids→embedding- So‘rov qaysi maydonlardan foydalanadi?
POST /v1/embeddings·liquid/lfm-2.5-embedding-350m:free:model,input,encoding_format,provider- Qanday cheklovlar amal qiladi?
POST /v1/embeddings·liquid/lfm-2.5-embedding-350m:free:ctx:512;input.budget.maximum:512(UTF8 baytlari);input.min_items:1