हम cookies इस्तेमाल करते हैं. Cookies और ब्राउज़र स्टोरेज आपको साइन इन रखते हैं और आपकी प्राथमिकताएं याद रखते हैं। आपकी अनुमति से हम यह भी मापते हैं कि साइट कैसे इस्तेमाल होती है। आप कभी भी । हमारी cookie नीति देखें।
cohere/embed-5-fastऊपर दी गई कीमतों पर आपके बैलेंस से चलता है। नए अकाउंट मुफ्त उपयोग से शुरू होते हैं।
सेटिंग्स
Cohere: Embed 5 Fast, Cohere का एक मल्टीमॉडल एम्बेडिंग मॉडल है, जिसे कंपनी के Embed 5 परिवार के कम विलंबता वाले, लागत-कुशल स्तर के रूप में स्थान दिया गया है। यह उन डेवलपर्स के लिए बनाया गया है जिन्हें बड़े पैमाने पर सामग्री को वेक्टर प्रस्तुतियों में बदलने की आवश्यकता होती है, जहाँ थ्रूपुट और प्रतिक्रियाशीलता एम्बेडिंग गुणवत्ता जितनी ही मायने रखती हैं। यह मॉडल चैट श्रेणी के बजाय एम्बेडिंग श्रेणी में आता है, इसलिए यह संवादात्मक पाठ उत्पन्न नहीं करता; इसका काम ऐसे वेक्टर तैयार करना है जिन्हें डाउनस्ट्रीम सिस्टम खोज, तुलना या वर्गीकृत कर सकें।
यह मॉडल इनपुट के रूप में पाठ, छवियाँ, और परस्पर मिश्रित पाठ व छवि सामग्री स्वीकार करता है, और आउटपुट के रूप में केवल एम्बेडिंग लौटाता है। इस मल्टीमॉडल इनपुट समर्थन का अर्थ है कि एक ही मॉडल किसी अनुच्छेद, किसी उत्पाद फ़ोटो, या दोनों को मिलाने वाले दस्तावेज़ पृष्ठ को एम्बेड कर सकता है, जिससे अलग पाठ और छवि एन्कोडर बनाए रखने की तुलना में रिट्रीवल पाइपलाइनें सरल रहती हैं। यह 128,000 टोकन की संदर्भ लंबाई प्रदान करता है, अधिकतम आउटपुट 115,200 के साथ, जिससे इसे आक्रामक चंकिंग के बिना लंबे दस्तावेज़ों और बड़े छवि-व-पाठ पेलोड को संभालने की गुंजाइश मिलती है। लगभग 1B पैरामीटर के साथ, यह डिज़ाइन से ही एक कॉम्पैक्ट मॉडल है, जो इसकी तेज़, लागत-कुशल स्थिति के अनुरूप है।
ये क्षमताएँ उपयोग के काफी विशिष्ट समूह की ओर संकेत करती हैं। मिश्रित मीडिया पर सिमेंटिक खोज सबसे सीधा उपयुक्त है: पाठ और छवियों को एक ही वेक्टर स्थान में अनुक्रमित करना ताकि कोई क्वेरी इनमें से किसी को भी पुनः प्राप्त कर सके। रिट्रीवल-संवर्धित जनरेशन पाइपलाइनें इसका उपयोग ऐसे ज्ञान आधारों को एम्बेड करने के लिए कर सकती हैं जिनमें गद्य के साथ आकृतियाँ, स्क्रीनशॉट या स्कैन किए गए पृष्ठ शामिल हों। सिफ़ारिश और समानता प्रणालियों को साझा स्थान से लाभ होता है, क्योंकि वस्तुओं की तुलना इस बात की परवाह किए बिना की जा सकती है कि उनकी सामग्री पाठ्यात्मक है या दृश्यात्मक। बड़े कोषों पर वर्गीकरण, क्लस्टरिंग, डुप्लिकेट हटाना और विसंगति पहचान भी स्वाभाविक अनुप्रयोग हैं, विशेष रूप से जहाँ डेटा की मात्रा प्रति एम्बेडिंग विलंबता और लागत को एक व्यावहारिक चिंता बना देती है।
आप मॉडल को api14 के OpenAI-संगत API के माध्यम से model id "cohere/embed-5-fast" का उपयोग करके कॉल करते हैं। चूँकि एंडपॉइंट OpenAI एम्बेडिंग परंपरा का पालन करता है, मौजूदा क्लाइंट और SDK जो पहले से उस इंटरफ़ेस को लक्षित करते हैं, वे न्यूनतम बदलावों के साथ api14 की ओर इंगित कर सकते हैं, आम तौर पर केवल base URL और model id बदलकर। मॉडल मानक एम्बेडिंग अनुरोध आकार से परे कोई समर्थित अनुरोध पैरामीटर घोषित नहीं करता, इसलिए आपको कस्टम आयामों या प्रदाता-विशिष्ट विकल्पों जैसे ट्यूनिंग नॉब्स की अपेक्षा नहीं करनी चाहिए; अपना इनपुट भेजें और लौटाए गए वेक्टर पढ़ें।
चूँकि यह Embed 5 परिवार का तेज़ स्तर है, यह तब समझदार डिफ़ॉल्ट है जब आप बड़ी मात्रा में एम्बेड कर रहे हों और विलंबता या थ्रूपुट बाधा हो। यदि आपका कार्यभार विशुद्ध रूप से पाठ्य है और उसे छवि प्रबंधन की आवश्यकता नहीं है, तो केवल-पाठ एम्बेडिंग मॉडल अधिक सरल उपयुक्त हो सकता है। यदि आपको वेक्टर के बजाय पाठ उत्पन्न करने वाला मॉडल चाहिए, तो यह सही विकल्प नहीं है, क्योंकि इसकी आउटपुट मोडैलिटी केवल एम्बेडिंग है।
import OpenAI from "openai";
const client = new OpenAI({
baseURL: "https://api14.com/api/v1",
apiKey: process.env.API14_API_KEY,
});
const result = await client.embeddings.create({
"model": "cohere/embed-5-fast",
"input": [
"The quick brown fox",
"Lorem ipsum"
]
});
console.log(result.data.map((d) => d.embedding.length));
इस कम्युनिटी में अभी कोई टॉपिक नहीं है। Cohere: Embed 5 Fast के बारे में पहला टॉपिक खोलें।