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-proऊपर दी गई कीमतों पर आपके बैलेंस से चलता है। नए अकाउंट मुफ्त उपयोग से शुरू होते हैं।
सेटिंग्स
कोहेयर: Embed 5 Pro, कोहेयर का एक मल्टीमॉडल एम्बेडिंग मॉडल है, जिसे Embed 5 परिवार के उच्च-सटीकता स्तर के रूप में स्थान दिया गया है। यह टेक्स्ट जनरेट करने के बजाय एम्बेडिंग बनाने के लिए बनाया गया है, और यह api14 के माध्यम से उपलब्ध मॉडलों की एम्बेडिंग श्रेणी में आता है।
मॉडल इनपुट के रूप में टेक्स्ट, इमेज, और इंटरलीव्ड टेक्स्ट और इमेज सामग्री स्वीकार करता है, और आउटपुट के रूप में एम्बेडिंग लौटाता है। यह 128,000 टोकन तक की कॉन्टेक्स्ट लंबाई का समर्थन करता है, अधिकतम आउटपुट 115,200 के साथ। चूंकि यह दोनों मोडैलिटी और उनके संयोजनों को संभालता है, वही मॉडल एक पैराग्राफ, एक स्क्रीनशॉट, या एक दस्तावेज़ पृष्ठ जहां टेक्स्ट और विज़ुअल एक साथ दिखाई देते हैं, को एम्बेड कर सकता है, जिससे रिट्रीवल पाइपलाइनों को अलग टेक्स्ट और इमेज एम्बेडिंग मॉडल की आवश्यकता नहीं रहती।
व्यावहारिक उपयोग इसी से सीधे निकलते हैं। मिश्रित कॉर्पोरा पर सेमांटिक सर्च और रिट्रीवल-ऑगमेंटेड जनरेशन स्पष्ट रूप से उपयुक्त हैं, जिनमें ऐसे नॉलेज बेस शामिल हैं जहां लेख, आरेख, और स्कैन किए गए पृष्ठ साथ-साथ रहते हैं। रिकमेंडेशन और सिमिलैरिटी सिस्टम एम्बेडिंग का उपयोग टेक्स्ट और इमेज प्रतिनिधित्वों में आइटमों की तुलना करने के लिए कर सकते हैं। बड़े दस्तावेज़ सेटों पर क्लस्टरिंग, डीडुप्लीकेशन, और क्लासिफिकेशन भी अच्छी तरह काम करते हैं, क्योंकि मॉडल टेक्स्ट और इमेज को एक साझा एम्बेडिंग स्पेस में रख सकता है। मल्टीमॉडल सर्च, जहां एक टेक्स्ट क्वेरी प्रासंगिक इमेज प्राप्त करती है या एक विज़ुअल क्वेरी प्रासंगिक पैसेज प्राप्त करती है, एक और स्वाभाविक अनुप्रयोग है।
आप मॉडल को "cohere/embed-5-pro" मॉडल आईडी का उपयोग करके api14 के OpenAI-संगत API के माध्यम से कॉल करते हैं। चूंकि एंडपॉइंट OpenAI एम्बेडिंग प्रारूप का पालन करता है, मौजूदा क्लाइंट और SDK जो पहले से ही OpenAI-संगत बेस URL की ओर इंगित हैं, मॉडल आईडी के अलावा बिना किसी बदलाव के काम करते हैं। मॉडल किसी भी समर्थित रिक्वेस्ट पैरामीटर को सूचीबद्ध नहीं करता, इसलिए रिक्वेस्ट मानक एम्बेडिंग इनपुट पर निर्भर करती हैं: एम्बेड करने के लिए सामग्री और मॉडल आईडी स्वयं। कॉन्फ़िगर करने के लिए कोई सैंपलिंग या जनरेशन पैरामीटर नहीं हैं, क्योंकि मॉडल केवल एम्बेडिंग उत्पन्न करता है।
यदि आपका कार्य टेक्स्ट जनरेशन, चैट, या किसी भी प्रकार का कम्पलीशन है, तो यह सही मॉडल नहीं है, क्योंकि इसका एकमात्र आउटपुट एम्बेडिंग है। यह भी जांचने योग्य है कि क्या आपके डेटा के लिए केवल-टेक्स्ट एम्बेडिंग मॉडल पर्याप्त है; यदि आपके कॉर्पस में कोई इमेज और कोई इंटरलीव्ड सामग्री नहीं है, तो मल्टीमॉडल क्षमता अप्रयुक्त रह जाती है। जिन वर्कलोड में इमेज या मिश्रित सामग्री शामिल है, उनके लिए Embed 5 Pro, Embed 5 परिवार के भीतर उच्च-सटीकता वाला विकल्प 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-pro",
"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 Pro के बारे में पहला टॉपिक खोलें।