Intfloat: Multilingual-E5-Large

Intfloat: Multilingual-E5-Large är en inbäddningsmodell från Intfloat, listad på api14 under kategorin embeddings. Den tar text som indata och returnerar inbäddningar som utdata, så det är inte en chatt- eller textgenereringsmodell. Dess syfte är att omvandla språk till vektorer som du kan lagra, jämföra och söka med. Leverantören beskriver den som att den kodar meningar, stycken och dokument över mer än 90 språk till ett 1024-dimensionellt tätt vektorrum, med semantiska inbäddningar anpassade för flerspråkig hämtning och tvärspråklig likhet.

Kontextfönstret är 512 tokens och maximal utdata är 460. Eftersom indata är text och utdata är en vektor snarare än genererade ord finns det inget samplingbeteende att justera: modellen accepterar inga supported parameters, så förfrågningar innehåller din indata och inget annat i vägen för genereringsinställningar. Gränsen på 512 tokens innebär att varje anrop bör avgränsas till en mening, ett kort stycke eller en liknande storlek på chunk, snarare än ett långt dokument som skickas in i sin helhet.

De praktiska användningsområdena följer av den formen. Flerspråkig hämtning är det främsta: indexera dokument på ett eller flera språk och sök i dem med frågor på ett annat. Tvärspråklig likhet låter dig jämföra eller klustra text skriven på olika språk i samma vektorrum. Relaterat arbete inkluderar semantisk sökning över ett blandat språkkorpus, deduplicering av nästan identiska passager, routning eller klassificering baserad på hur nära en text ligger referensexempel, och att bygga hämtningslager som matar en separat genereringsmodell.

Du anropar den via api14s OpenAI-kompatibla API med modell-id:t "intfloat/multilingual-e5-large". Eftersom endpointen följer OpenAI:s embeddings-form bör befintliga klientbibliotek och kod som redan pekar på en OpenAI-kompatibel bas-URL fungera med bara modell-id:t ändrat. Skicka din text som input och läs vektorn tillbaka från svaret. Inga extra request-parametrar stöds, så håll förfrågan minimal och låt modellen returnera inbäddningen.

Kontexten på 512 tokens är den främsta begränsningen att planera kring. Långa dokument måste delas upp i chunks innan inbäddning, och alla pipelines som antar ett större fönster, eller som förväntar sig genererad text tillbaka, kommer att behöva en annan modell. Om din uppgift är generering, sammanfattning eller konversation snarare än representation är en instruct- eller chattmodell på api14 ett bättre val; den här modellen är till för att omvandla text till vektorer.