all-MiniLM-L6-v2 er en Sentence Transformers-encoder til sætninger og korte afsnit. Den afbilder hver tekst til en tæt vektor med 384 dimensioner til genfinding, klyngedannelse og sætningslighed. Modellen blev finjusteret fra MiniLM-L6-H384-uncased-grundmodellen med kontrastiv læring på en samling på en milliard sætningspar.
Vælg den sætning eller det afsnit, der skal fremgå af et søgeresultat. Ved en FAQ-samling skal du bevare spørgsmålet og den korte forklaring, som adskiller dets emne. En passage om nulstilling af en glemt adgangskode bør bevare nulstillingsproceduren frem for at blive reduceret til et isoleret ord såsom »Konto«.
Ved en lang artikel skal du indeksere sammenhængende korte afsnit og gemme deres kildeplaceringer. Genfind kandidatafsnit ved at sammenligne forespørgslens vektor med de lagrede repræsentationer, og vis derefter de oprindelige passager, så læseren kan undersøge de faktiske instruktioner.
Producentens opskrift på direkte kodning beregner gennemsnittet af tokenrepræsentationerne med attention-masken og udelukker paddingpositioner fra gennemsnittet. Derefter anvendes L2-normalisering. Trinnene producerer den sætningsembedding, der bruges til sammenligning; individuelle tokenrepræsentationer fra den underliggende transformer har en anden rolle.
Hvert output har 384 komponenter. Brug samme checkpoint, pooling og normalisering ved opbygning af samlingen og kodning af senere forespørgsler. Cosinuslighed kan sammenligne de resulterende vektorer. En lighedsværdi er nyttig til at rangere kandidater under denne opsætning, mens den oprindelige tekst afgør, om en kandidat besvarer spørgsmålet.
Den offentliggjorte standard afkorter input, som er længere end 256 orddele. Denne tokenizerenhed svarer ikke direkte til et almindeligt ord eller tegn. Hold vigtige betingelser inden for den indekserede enhed, og opdel en lang procedure ved meningsfulde grænser, før den kodes.
Træningssekvenserne var begrænset til 128 tokens. Denne træningsindstilling er adskilt fra standarden på 256 orddele, der bruges ved kodning. Ved usædvanligt lange eller specialiserede passager skal du bruge repræsentative eksempler på forespørgsler og passager til at vurdere genfindingsadfærden frem for at antage, at overholdelse af inputgrænsen garanterer ens behandling af hver detalje.
Den præcise L6-v2-udgave er en engelsksproget embeddingprofil. L12-v2- og paraphrase-MiniLM-udgaverne har særskilte modelidentiteter og konfigurationer. Deres fælles MiniLM-navn eller 384-dimensionale output fastslår ikke udskiftelige vektorer.
Ved gennemgang af dubletspørgsmål skal du genfinde lignende spørgsmål og sammenligne den faktiske ordlyd, før poster sammenlægges. »Can I reset my password?« og »Can an administrator reset another user’s password?« vedrører relaterede emner, men forskellige tilladelser. Bevar forskellen i den kodede tekst og i gennemgangstrinnet.
Ved klyngedannelse bruges embeddings som numeriske input til en grupperingsproces, hvorefter repræsentative poster undersøges, før en gruppe navngives. Modellen leverer vektorer frem for skriftlige klyngeetiketter eller et genereret FAQ-svar. Dens nyttige resultat er en kompakt repræsentation af en kort kildepassage, som forbliver knyttet til den oprindelige post.
", "aboutText": "all-MiniLM-L6-v2 er en Sentence Transformers-encoder til sætninger og korte afsnit. Den afbilder hver tekst til en tæt vektor med 384 dimensioner til genfinding, klyngedannelse og sætningslighed. Modellen blev finjusteret fra MiniLM-L6-H384-uncased-grundmodellen med kontrastiv læring på en samling på en milliard sætningspar.\n\n### Forbered korte, meningsfulde poster\n\nVælg den sætning eller det afsnit, der skal fremgå af et søgeresultat. Ved en FAQ-samling skal du bevare spørgsmålet og den korte forklaring, som adskiller dets emne. En passage om nulstilling af en glemt adgangskode bør bevare nulstillingsproceduren frem for at blive reduceret til et isoleret ord såsom »Konto«.\n\nVed en lang artikel skal du indeksere sammenhængende korte afsnit og gemme deres kildeplaceringer. Genfind kandidatafsnit ved at sammenligne forespørgslens vektor med de lagrede repræsentationer, og vis derefter de oprindelige passager, så læseren kan undersøge de faktiske instruktioner.\n\n### Udled sætningsrepræsentationen\n\nProducentens opskrift på direkte kodning beregner gennemsnittet af tokenrepræsentationerne med attention-masken og udelukker paddingpositioner fra gennemsnittet. Derefter anvendes L2-normalisering. Trinnene producerer den sætningsembedding, der bruges til sammenligning; individuelle tokenrepræsentationer fra den underliggende transformer har en anden rolle.\n\nHvert output har 384 komponenter. Brug samme checkpoint, pooling og normalisering ved opbygning af samlingen og kodning af senere forespørgsler. Cosinuslighed kan sammenligne de resulterende vektorer. En lighedsværdi er nyttig til at rangere kandidater under denne opsætning, mens den oprindelige tekst afgør, om en kandidat besvarer spørgsmålet.\n\n### Længde og udgavegrænser\n\nDen offentliggjorte standard afkorter input, som er længere end 256 orddele. Denne tokenizerenhed svarer ikke direkte til et almindeligt ord eller tegn. Hold vigtige betingelser inden for den indekserede enhed, og opdel en lang procedure ved meningsfulde grænser, før den kodes.\n\nTræningssekvenserne var begrænset til 128 tokens. Denne træningsindstilling er adskilt fra standarden på 256 orddele, der bruges ved kodning. Ved usædvanligt lange eller specialiserede passager skal du bruge repræsentative eksempler på forespørgsler og passager til at vurdere genfindingsadfærden frem for at antage, at overholdelse af inputgrænsen garanterer ens behandling af hver detalje.\n\nDen præcise L6-v2-udgave er en engelsksproget embeddingprofil. L12-v2- og paraphrase-MiniLM-udgaverne har særskilte modelidentiteter og konfigurationer. Deres fælles MiniLM-navn eller 384-dimensionale output fastslår ikke udskiftelige vektorer.\n\n### Søgning, lighed og gruppering\n\nVed gennemgang af dubletspørgsmål skal du genfinde lignende spørgsmål og sammenligne den faktiske ordlyd, før poster sammenlægges. »Can I reset my password?« og »Can an administrator reset another user’s password?« vedrører relaterede emner, men forskellige tilladelser. Bevar forskellen i den kodede tekst og i gennemgangstrinnet.\n\nVed klyngedannelse bruges embeddings som numeriske input til en grupperingsproces, hvorefter repræsentative poster undersøges, før en gruppe navngives. Modellen leverer vektorer frem for skriftlige klyngeetiketter eller et genereret FAQ-svar. Dens nyttige resultat er en kompakt repræsentation af en kort kildepassage, som forbliver knyttet til den oprindelige post.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "25c4510bdaedfde69ad86c7dba23f3d49b5decb05a9e21f8fc528564989ed81d", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "sentence-transformers/all-minilm-l6-v2Sentence Transformers all-MiniLM-L6-v2 repræsenterer sætninger og korte afsnit som 384-dimensionale vektorer til semantisk søgning, klyngedannelse og lighed. Den offentliggjorte opskrift kombinerer gennemsnitspooling med L2-normalisering og en standard på 256 orddele.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
all-MiniLM-L6-v2 er en Sentence Transformers-encoder til sætninger og korte afsnit. Den afbilder hver tekst til en tæt vektor med 384 dimensioner til genfinding, klyngedannelse og sætningslighed. Modellen blev finjusteret fra MiniLM-L6-H384-uncased-grundmodellen med kontrastiv læring på en samling på en milliard sætningspar.
Vælg den sætning eller det afsnit, der skal fremgå af et søgeresultat. Ved en FAQ-samling skal du bevare spørgsmålet og den korte forklaring, som adskiller dets emne. En passage om nulstilling af en glemt adgangskode bør bevare nulstillingsproceduren frem for at blive reduceret til et isoleret ord såsom »Konto«.
Ved en lang artikel skal du indeksere sammenhængende korte afsnit og gemme deres kildeplaceringer. Genfind kandidatafsnit ved at sammenligne forespørgslens vektor med de lagrede repræsentationer, og vis derefter de oprindelige passager, så læseren kan undersøge de faktiske instruktioner.
Producentens opskrift på direkte kodning beregner gennemsnittet af tokenrepræsentationerne med attention-masken og udelukker paddingpositioner fra gennemsnittet. Derefter anvendes L2-normalisering. Trinnene producerer den sætningsembedding, der bruges til sammenligning; individuelle tokenrepræsentationer fra den underliggende transformer har en anden rolle.
Hvert output har 384 komponenter. Brug samme checkpoint, pooling og normalisering ved opbygning af samlingen og kodning af senere forespørgsler. Cosinuslighed kan sammenligne de resulterende vektorer. En lighedsværdi er nyttig til at rangere kandidater under denne opsætning, mens den oprindelige tekst afgør, om en kandidat besvarer spørgsmålet.
Den offentliggjorte standard afkorter input, som er længere end 256 orddele. Denne tokenizerenhed svarer ikke direkte til et almindeligt ord eller tegn. Hold vigtige betingelser inden for den indekserede enhed, og opdel en lang procedure ved meningsfulde grænser, før den kodes.
Træningssekvenserne var begrænset til 128 tokens. Denne træningsindstilling er adskilt fra standarden på 256 orddele, der bruges ved kodning. Ved usædvanligt lange eller specialiserede passager skal du bruge repræsentative eksempler på forespørgsler og passager til at vurdere genfindingsadfærden frem for at antage, at overholdelse af inputgrænsen garanterer ens behandling af hver detalje.
Den præcise L6-v2-udgave er en engelsksproget embeddingprofil. L12-v2- og paraphrase-MiniLM-udgaverne har særskilte modelidentiteter og konfigurationer. Deres fælles MiniLM-navn eller 384-dimensionale output fastslår ikke udskiftelige vektorer.
Ved gennemgang af dubletspørgsmål skal du genfinde lignende spørgsmål og sammenligne den faktiske ordlyd, før poster sammenlægges. »Can I reset my password?« og »Can an administrator reset another user’s password?« vedrører relaterede emner, men forskellige tilladelser. Bevar forskellen i den kodede tekst og i gennemgangstrinnet.
Ved klyngedannelse bruges embeddings som numeriske input til en grupperingsproces, hvorefter repræsentative poster undersøges, før en gruppe navngives. Modellen leverer vektorer frem for skriftlige klyngeetiketter eller et genereret FAQ-svar. Dens nyttige resultat er en kompakt repræsentation af en kort kildepassage, som forbliver knyttet til den oprindelige post.
POST /v1/embeddingstext, token_idsembedding| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser sentence-transformers/all-minilm-l6-v2 | Standard— |
Feltinput | Typestring|string[]|integer[]|integer[][] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 Betingelser: Ikke-tom batch med ensartede elementer. Token-ID’er er ikke-negative heltal. Inputbudget: Maksimum: 512 · Tekstenhed: UTF8-bytes · Tokenenhed: elementer i et tokenarray | Standard— |
Feltencoding_format | Typestring | KravValgfrit | Værdier og grænser float | Standardfloat |
Feltdimensions | Typeinteger | KravIkke understøttet | Værdier og grænser Minimum: 1 | Standard— |
Feltuser | Typejson_value | KravValgfrit | Værdier og grænser Betingelser: Kilden tillader dette JSON-metadatafelt; den præcise betydning hos den bagvedliggende udbyder afhænger af modellen. | Standard— |
Feltsession_id | Typejson_value | KravValgfrit | Værdier og grænser Betingelser: Kilden tillader dette JSON-metadatafelt; den præcise betydning hos den bagvedliggende udbyder afhænger af modellen. | Standard— |
Felttrace | Typejson_value | KravValgfrit | Værdier og grænser Betingelser: Kilden tillader dette JSON-metadatafelt; den præcise betydning hos den bagvedliggende udbyder afhænger af modellen. | Standard— |
Feltprovider | Typeobject | KravValgfrit | Værdier og grænser Betingelser: provider.options afvist | Standard— |
text_to_embedding
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, input |
Parameterinput_shapes | Kontraktstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parameterencoding_format | Kontraktfloat |
Parameterdimensions_override | Kontraktfalse |
Parametermax_input_budget_units | Kontrakt512 |
Parametermultimodal_objects | Kontraktfalse |
Parametermaterial_types | Kontrakttext, token_ids |
Livscyklus: synchronous_json
Gem hver vektors indeks og dimension.
Et multimodalt modelnavn giver ikke adgang til at bruge billedobjekter på denne præcise sti.
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.00001 / 1K tokens Output · Outputtokens $0 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "sentence-transformers/all-minilm-l6-v2", "input": ["First document", "Second document"]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.embeddings.create(model='sentence-transformers/all-minilm-l6-v2',input=["First document","Second document"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\njson
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Gem hver vektor med dens indeks. Antallet af vektorer skal svare til antallet af input; dimensionerne skal være ensartede.
Der indføres intet endpoint til embedding-job.
| Felt | Type |
|---|---|
Feltobject | Typestring |
Feltmodel | Typestring |
Feltdata[].index | Typeinteger |
Feltdata[].embedding | Typefinite float[] |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra sentence-transformers/all-minilm-l6-v2
Brug metodestierne vist ovenfor.