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।

Intfloat: E5-Large-v2

intfloat/e5-large-v2

Embeddingsइनपुट: text1K18 नव॰ 2025 को जोड़ा गया

playground में खोलें Intfloat: E5-Large-v2 के लिए API key पाएं

Intfloat: E5-Large-v2 अभी आज़माएं

ऊपर दी गई कीमतों पर आपके बैलेंस से चलता है। नए अकाउंट मुफ्त उपयोग से शुरू होते हैं।

इसे इस्तेमाल करने के लिए साइन इन करेंमुफ्त अकाउंट बनाएं

इनपुट (हर लाइन में एक)

नतीजे यहां दिखेंगे।

आज 5 में से 5 मुफ्त मैसेज बाकी, मुफ्त अकाउंट से अतिरिक्त मुफ्त उपयोग और API key मिलती है।मुफ्त अकाउंट बनाएं साइन इनसेशन लागत $0.00

Intfloat: E5-Large-v2 एक नज़र में

इनपुट कीमत 34 Embeddings मॉडल के मीडियन से 50% कम है।

Intfloat: E5-Large-v2 के बारे में

Intfloat: E5-Large-v2, Intfloat का एक embeddings मॉडल है। यह embeddings श्रेणी से संबंधित है, जिसका अर्थ है कि इसका काम चैट प्रतिक्रियाएं उत्पन्न करने के बजाय पाठ को वैक्टर में बदलना है। प्रदाता इसे अंग्रेजी वाक्यों, अनुच्छेदों और दस्तावेजों को 1024-आयामी dense vector space में मैप करने वाला बताता है, जिसका उद्देश्य उच्च-सटीकता वाले semantic embeddings हैं। यदि आपके एप्लिकेशन को लिखित उत्तर के बजाय अर्थ को पकड़ने वाले पाठ के प्रतिनिधित्व की आवश्यकता है, तो यह उस प्रकार का मॉडल है जिसे आप चुनेंगे।

मॉडल अपने एकमात्र इनपुट modality के रूप में पाठ स्वीकार करता है और अपने एकमात्र आउटपुट modality के रूप में embeddings उत्पन्न करता है। इसकी context length 512 tokens है, इसलिए प्रत्येक अनुरोध पाठ की काफी छोटी अवधि तक सीमित है, और अधिकतम आउटपुट 460 है। कोई छवि, ऑडियो, या अन्य गैर-पाठ इनपुट नहीं है, और आउटपुट पक्ष पर कोई उत्पन्न गद्य नहीं है। मॉडल जो कुछ भी लौटाता है वह एक वैक्टर है, जिसे आप फिर संग्रहीत करते हैं, तुलना करते हैं, या अपने pipeline के किसी अन्य चरण में फीड करते हैं।

ये विशेषताएं उपयोगों के एक विशिष्ट समूह की ओर संकेत करती हैं। Retrieval सबसे स्पष्ट है: अपने दस्तावेजों को एक बार embed करें, अनुरोध के समय query को embed करें, और निकटतम passages खोजने के लिए वैक्टर की तुलना करें। Semantic search उसी तरह काम करता है, सटीक keywords के बजाय अर्थ पर मिलान करता है। प्रदाता reranking और similarity scoring को भी सूचीबद्ध करता है, इसलिए आप उम्मीदवार परिणामों को पुनः क्रमित करने या यह मापने के लिए कि पाठ के दो टुकड़े कितने करीब हैं, वैक्टर का उपयोग कर सकते हैं। चूंकि वैक्टर 1024-आयामी और dense हैं, वे vector index में भंडारण और cosine या dot-product तुलना के लिए अच्छी तरह उपयुक्त हैं।

आप मॉडल को model id "intfloat/e5-large-v2" का उपयोग करके api14 के OpenAI-संगत API के माध्यम से कॉल करते हैं। चूंकि endpoint OpenAI प्रारूप का पालन करता है, आप एक मौजूदा OpenAI client को api14 पर इंगित कर सकते हैं और अपना पाठ सामान्य तरीके से भेज सकते हैं, फिर प्रतिक्रिया से embedding पढ़ सकते हैं। मॉडल कोई अतिरिक्त अनुरोध पैरामीटर समर्थित नहीं करता है, इसलिए मानक अनुरोध फ़ील्ड से परे कॉन्फ़िगर करने के लिए कुछ भी नहीं है। प्रत्येक इनपुट को 512-token context length के भीतर रखें, और अपेक्षा करें कि आउटपुट स्वयं embedding होगा।

योजना बनाने के लिए मुख्य बाधा यह है कि 512-token विंडो। लंबे दस्तावेजों को embedding से पहले chunks में विभाजित करने की आवश्यकता होगी, और आपको यह तय करना होगा कि उन chunk vectors को कैसे संयोजित या संग्रहीत करना है। प्रदाता विवरण के अनुसार मॉडल अंग्रेजी-केंद्रित भी है, इसलिए अन्य भाषाओं का पाठ उतना विश्वसनीय रूप से embed नहीं हो सकता है। यदि आपका कार्य पाठ निर्माण, बातचीत, या ऐसा कुछ भी है जिसके लिए लिखित प्रतिक्रिया की आवश्यकता होती है, तो embeddings मॉडल गलत उपकरण है और एक generative मॉडल बेहतर फिट होगा।

Intfloat: E5-Large-v2 API कैसे कॉल करें

अपने dashboard में API key बनाएं।
अपनी भाषा के लिए आधिकारिक openai SDK इंस्टॉल करें।
baseURL को https://api14.com/api/v1 और model को "intfloat/e5-large-v2" पर सेट करें।

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": "intfloat/e5-large-v2",
  "input": [
    "The quick brown fox",
    "Lorem ipsum"
  ]
});
console.log(result.data.map((d) => d.embedding.length));

स्पेसिफिकेशन

Context लंबाई: 512
अधिकतम आउटपुट: 460
इनपुट: text
आउटपुट: embeddings

api14 पर requests · पिछले 7 दिन

Intfloat: E5-Large-v2: अक्सर पूछे जाने वाले सवाल

Intfloat: E5-Large-v2 API की कीमत कितनी है?: Intfloat: E5-Large-v2 की कीमत इनपुट $0.04 / 1M tokens है। शुल्क आपके USD बैलेंस से सिर्फ सफल requests के लिए कटता है; फेल हुई requests मुफ्त हैं।
Intfloat: E5-Large-v2 की context window कितनी है?: Intfloat: E5-Large-v2 हर request में 512 tokens तक पढ़ता है, prompt, इतिहास और दस्तावेज़ मिलाकर। यह हर जवाब में 460 आउटपुट tokens तक लिखता है।
Intfloat: E5-Large-v2 क्या कर सकता है?: Intfloat: E5-Large-v2 text स्वीकार करता है और embeddings लौटाता है।
अपने कोड से Intfloat: E5-Large-v2 कैसे कॉल करूं?: किसी भी OpenAI SDK को https://api14.com/api/v1 पर पॉइंट करें और model को "intfloat/e5-large-v2" पर सेट करें, कोड में और कोई बदलाव नहीं। इस पेज के कोड पैनल से तैयार उदाहरण कॉपी करें।
Intfloat: E5-Large-v2 के विकल्प क्या हैं?: मिलती-जुलती कीमत वाले Embeddings मॉडल: Thenlper: GTE-Large, Intfloat: Multilingual-E5-Large, BAAI: bge-large-en-v1.5। सभी एक ही API key से चलते हैं, इसलिए बदलना बस एक string बदलना है।

Intfloat: E5-Large-v2 कम्युनिटी

नया टॉपिक

इस कम्युनिटी में अभी कोई टॉपिक नहीं है। Intfloat: E5-Large-v2 के बारे में पहला टॉपिक खोलें।