Source: https://ailoot.ai/models/zh-hant-tw/liquid-lfm-2-5-embedding-350m-u003a-free/ Canonical: https://ailoot.ai/models/zh-hant-tw/liquid-lfm-2-5-embedding-350m-u003a-free/ Language: zh-hant-tw # LiquidAI: LFM2.5-Embedding-350M (free) [Markdown](https://ailoot.ai/models/zh-hant-tw/liquid-lfm-2-5-embedding-350m-u003a-free/index.md) · [JSON](https://ailoot.ai/models/zh-hant-tw/liquid-lfm-2-5-embedding-350m-u003a-free/facts.json) ## [LiquidAI: LFM2.5-Embedding-350M (free)](https://ailoot.ai/models/zh-hant-tw/liquid-lfm-2-5-embedding-350m-u003a-free/) LiquidAI LFM2.5-Embedding-350M 為每段文字產生一個 1024 維向量，用於多語與跨語言檢索。它以 11 種語言及 512 個 token 的短輸入為目標，並對查詢與文件使用不同前綴。 - [**Ailoot Ultra · 嵌入向量** `POST /v1/embeddings` `liquid/lfm-2.5-embedding-350m:free`](https://ailoot.ai/models/zh-hant-tw/liquid-lfm-2-5-embedding-350m-u003a-free/#method-0) 關於模型 此說明介紹模型的能力。Ailoot 可用的輸入、輸出與選項，依所選方法列於下方。 LFM2.5-Embedding-350M 是 LiquidAI 的稠密雙編碼器，適用於多語言與跨語言檢索。它為每篇文字產生一個 1024 維向量，針對十一種語言的短上下文搜尋。具名的 350M 模型系列採用 LFM2.5-350M-Base 的雙向調整版本；詳細模型表列出此嵌入版本約有 3.54 億參數。 #### 雙向檢索表示 製造商調整骨幹，讓注意力與局部卷積能利用詞元兩側的上下文。CLS 式池化將處理後文字轉成一個稠密向量。模型表描述十七層：十個卷積區塊、六個注意力區塊與一個池化階段。這是有自己準備方式與輸出的檢索編碼器，不是基礎模型的文字生成任務。 另外具名的 LFM2.5-ColBERT-350M 保留逐詞元向量，供後期互動使用。這種表示需要不同的索引與比較方法。此處的 Embedding 模型為每份文件或查詢提供一個向量，文件記載的比較方式是餘弦相似度。 #### 使用正確的非對稱提示 搜尋查詢請加上「query:」，來源段落加上「document:」。製造商將這些提示存於設定中，參考流程會套用對應提示名稱。由於模型以這些前綴訓練，製造商特別建議兩端使用相應角色。這個文件前綴與 E5 模型的「passage:」慣例不同。 實際商品搜尋資料集可收納支援語言的描述。將使用者搜尋措辭準備成查詢，各商品描述準備成文件。把原文、商品識別碼與語言連同向量儲存，讓搜尋結果能回傳對應紀錄。客服資料集應保留與問題相關的政策或指示，不要替換成無關的短標籤。 #### 語言與段落大小 文件記載的語言組合為英文、西班牙文、德文、法文、義大利文、葡萄牙文、阿拉伯文、瑞典文、挪威文、日文與韓文。製造商明確以同語言檢索及跨語言檢索為目標。請準備目標讀者的實際問題，並檢查以這些語言回傳的文件文字。 文件長度規格為 512 詞元。將長來源切成連貫段落，保留檢索結果需要的標題、定義與條件。角色前綴與額外上下文也屬於準備後的輸入。FAQ 答案、商品說明或技術文件中聚焦的一節，比整份過大的手冊更適合作為單位。 #### 訓練與配對 製造商描述三個訓練階段：英文對比式預訓練、多語言與跨語言蒸餾，再以困難負樣本挖掘進行微調。產生的模型適用於商品目錄、FAQ 與客服資料集、檔案或筆記搜尋，以及企業知識檢索。這些是文字表示的任務，不表示特定應用程式已部署。 開發者範例將查詢與文件向量正規化，再以內積排序，等同餘弦相似度。準備來源資料時預先計算語料庫表示，再嵌入搜尋查詢，回傳附有原文與識別碼的候選文件。請將選定模型與角色慣例保留在索引旁，讓數值比較使用相容表示。 實用結果是精簡的稠密搜尋索引，或可跨文件記載語言組合檢索來源資料的查詢向量。此確切 LFM2.5 Embedding 版本與搭配的 ColBERT、較早 LFM2 檢索模型及外部量化實作分開。選定段落的文字，就是讀者或後續 RAG 回答階段使用的證據。 **Ailoot Ultra · 嵌入向量** `POST /v1/embeddings` `liquid/lfm-2.5-embedding-350m:free` [`liquid/lfm-2.5-embedding-350m:free`](https://ailoot.ai/models/zh-hant-tw/#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` ### 入門 LiquidAI LFM2.5-Embedding-350M 為每段文字產生一個 1024 維向量，用於多語與跨語言檢索。它以 11 種語言及 512 個 token 的短輸入為目標，並對查詢與文件使用不同前綴。 接受的輸入 文字 · token\_ids 結果 embedding ### Ailoot 可用 · 輸入與方法 **Ailoot Ultra · 嵌入向量** `POST /v1/embeddings` 輸入 `text`, `token_ids` 輸出 `embedding` 上下文 512 tokens 輸出格式 json | 欄位 | 類型 | 要求 | 值與限制 | 預設值 | | --- | --- | --- | --- | --- | | 欄位`model` | 類型`string` | 要求必填 | 值與限制 liquid/lfm-2.5-embedding-350m:free | 預設值— | | 欄位`input` | 類型`string\|string[]\|integer[]\|integer[][]` | 要求必填 | 值與限制 項目數下限: 1 條件: 批次不得為空，且各項目類型須一致。Token ID 須為非負整數。 輸入額度： 最大值: 512 · 文字單位: UTF8 位元組 · Token 單位: token 陣列元素 | 預設值— | | 欄位`encoding_format` | 類型`string` | 要求選填 | 值與限制 float | 預設值float | | 欄位`dimensions` | 類型`integer` | 要求不支援 | 值與限制 最小值: 1 | 預設值— | | 欄位`user` | 類型`json_value` | 要求選填 | 值與限制 條件: 來源允許此 JSON 中繼資料欄位；確切的上游語意依模型而異。 | 預設值— | | 欄位`session_id` | 類型`json_value` | 要求選填 | 值與限制 條件: 來源允許此 JSON 中繼資料欄位；確切的上游語意依模型而異。 | 預設值— | | 欄位`trace` | 類型`json_value` | 要求選填 | 值與限制 條件: 來源允許此 JSON 中繼資料欄位；確切的上游語意依模型而異。 | 預設值— | | 欄位`provider` | 類型`object` | 要求選填 | 值與限制 條件: provider.options 遭拒絕 | 預設值— | 輸入素材組合 **text\_to\_embedding** 方法參數與生命週期 | 參數 | 規格 | | --- | --- | | 參數`content_type` | 規格application/json | | 參數`required` | 規格model, input | | 參數`input_shapes` | 規格string, string\[\], nonnegative\_integer\_token\_array, nonnegative\_integer\_token\_array\[\] | | 參數`encoding_format` | 規格float | | 參數`dimensions_override` | 規格false | | 參數`max_input_budget_units` | 規格512 | | 參數`multimodal_objects` | 規格false | | 參數`material_types` | 規格text, token\_ids | 生命週期： `synchronous_json` 保留每個向量的索引與維度。 即使模型名稱標示為多模態，此指定路徑也不接受圖片物件。 ### 方案 費率資訊不會增加請求選項。支援的參數列於所選方法中。 快速模式 標準費率 選取快速模式時 flex 模式 標準費率 選取 flex 模式時 最高推理強度 標準費率 最高推理強度採用 default 調整值時 #### Ailoot 費率 #### 各設定的價格 | 設定 | 費率表 | 費用 | | --- | --- | --- | | 設定詞元基本費率 | 費率表基本費率 | 費用 輸入 · 輸入 Token **$0** / 1K Token 輸出 · 輸出 Token **$0** / 1K Token 輸入 · 讀取快取 **—** / 1K Token 輸入 · 寫入快取 **—** / 1K Token 輸入 · 寫入快取，1 小時 **—** / 1K Token | Ailoot 會在請求前預留估算金額。取得結果後，依實測用量結算最終費用。串流結算採用最終用量紀錄。[預留金額與結算的運作方式 →](https://ailoot.ai/docs/zh-hant-tw/billing/reserve/) ### 請求範例 #### Ailoot Ultra · 嵌入向量 curlPython SDK ```bash set -eu : "${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) ``` ### 接收並儲存結果 #### Ailoot Ultra · 嵌入向量 json ##### 保留所有已完成的結果 請保留所有完整傳回的回應、檔案與內容區塊。 保留每個向量及其索引。向量數量必須與輸入數量相同，且維度必須一致。 ##### 需要檢查原始回應時 此流程未引入嵌入向量任務端點。 回應欄位 | 欄位 | 類型 | | --- | --- | | 欄位`object` | 類型string | | 欄位`model` | 類型string | | 欄位`data[].index` | 類型integer | | 欄位`data[].embedding` | 類型finite float\[\] | | 欄位`usage` | 類型object | 錯誤與後續步驟 | 回應 | 條件 | 下一步 | | --- | --- | --- | | 回應400 · `invalid_request_error` | 條件必要欄位、素材表示方式或參數值無效 | 下一步提出新的建立請求前，先修正指定欄位。 | ### 別名 #### 模型別名 **Ailoot Ultra** [`liquid/lfm-2.5-embedding-350m:free`](https://ailoot.ai/models/zh-hant-tw/#m=liquid%2Flfm-2.5-embedding-350m%3Afree&route=Ultra&caller=liquid%2Flfm-2.5-embedding-350m%3Afree&fmt=embeddings) #### 方法路徑別名 請使用上方列出的 API 方法路徑。 #### 相關呼叫用 ID [`liquid/lfm-2.5-embedding-350m:free`](https://ailoot.ai/models/zh-hant-tw/#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) 可以使用哪些輸入與結果？ `POST /v1/embeddings` · `liquid/lfm-2.5-embedding-350m:free`: `text`, `token_ids` → `embedding` 請求使用哪些欄位？ `POST /v1/embeddings` · `liquid/lfm-2.5-embedding-350m:free`: `model`, `input`, `encoding_format`, `provider` 適用哪些限制？ `POST /v1/embeddings` · `liquid/lfm-2.5-embedding-350m:free`: `ctx`: `512`; `input.budget.maximum`: `512` (UTF8 位元組); `input.min_items`: `1` 將 Ailoot 串接 Claude Code、OpenCode、Hermes 或自己的應用程式。 ## 公司及其專案組合 公司及其專案組合：數百萬客戶，每月銷售額達數十億。 ## 優惠購買 token。 訂閱優惠適合持續工作，折扣碼購買 token 最高可折 50%。 訂閱 為定期請求選擇優惠方案。 最高 50% 折扣碼 購買時輸入代碼，價格依活動重算。 歷史中的費用 每次請求保存模型、token 與金額。 [選擇訂閱](https://ailoot.ai/docs/zh-hant-tw/billing/subscriptions/) · [查看模型價格](https://ailoot.ai/models/zh-hant-tw/) ## 將 API 加入 你銷售的產品。 依 Ailoot 正式服務條款與授權合約串接 SaaS、應用程式與機器人；轉售請申請經銷授權。 商用應用程式 在付費功能加入文字、圖片、影片與聲音生成。 經銷授權 提供專案說明與存取方式，要求書面使用和轉售條件。 網站文件 串接前可閱讀正式服務條款、授權合約與資料處理政策。 [申請經銷授權](mailto:support@ailoot.ai) · [正式服務條款與授權合約](https://ailoot.ai/legal/offer?lang=zh-hant-tw) ## Ailoot · 公司及其專案組合 Ailoot以累積的營運經驗、廣大的客戶群、穩定的服務及持續的KPI管理為基礎。 公司及其專案組合：數百萬客戶，每月銷售額達數十億。 Ailoot將這些營運經驗用於API存取，讓客戶的產品、代理、應用程式及自動化流程使用AI功能。