Sentence Transformers: all-MiniLM-L6-v2
Sentence Transformers all-MiniLM-L6-v2 stellt Sätze und kurze Absätze als 384-dimensionale Vektoren für semantische Suche, Clustering und Ähnlichkeitsvergleiche dar. Das veröffentlichte Rezept kombiniert Mean-Pooling mit L2-Normalisierung und einem Standardwert von 256 Wortteilen.
Über das Modell
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
all-MiniLM-L6-v2 ist ein Sentence-Transformers-Encoder für Sätze und kurze Absätze. Er bildet jeden Text auf einen 384-dimensionalen dichten Vektor für Abruf, Clustering und Satzähnlichkeit ab. Das Modell wurde ausgehend vom Basismodell MiniLM-L6-H384-uncased mit kontrastivem Lernen auf einer Satzsammlung mit einer Milliarde Paaren feinabgestimmt.
Prägnante, aussagekräftige Datensätze vorbereiten
Wählen Sie den Satz oder Absatz, der in einem Suchergebnis erscheinen soll. Behalten Sie bei einer FAQ-Sammlung die Frage und die kurze Erklärung bei, die ihr Thema abgrenzt. Eine Passage zum Zurücksetzen eines vergessenen Passworts sollte das Vorgehen zum Zurücksetzen enthalten, statt auf ein isoliertes Wort wie «Konto» reduziert zu werden.
Indexieren Sie bei einem langen Artikel zusammenhängende kurze Abschnitte und bewahren Sie ihre Fundstellen in der Quelle auf. Rufen Sie Kandidatenabschnitte ab, indem Sie den Vektor der Anfrage mit den gespeicherten Repräsentationen vergleichen, und zeigen Sie dann die ursprünglichen Passagen an, damit der Leser die eigentlichen Anweisungen prüfen kann.
Die Satzrepräsentation gewinnen
Das direkte Kodierungsrezept des Herstellers mittelt die Token-Repräsentationen mithilfe der Attention-Maske und schliesst Padding-Positionen aus dem Mittelwert aus. Anschliessend wird eine L2-Normalisierung angewendet. Diese Schritte erzeugen das Satz-Embedding, das für den Vergleich verwendet wird; einzelne Token-Repräsentationen des zugrunde liegenden Transformers erfüllen eine andere Funktion.
Jede Ausgabe hat 384 Komponenten. Verwenden Sie beim Aufbau der Sammlung und beim Kodieren späterer Anfragen denselben Checkpoint, dasselbe Pooling und dieselbe Normalisierung. Die resultierenden Vektoren lassen sich per Kosinus-Ähnlichkeit vergleichen. Ein Ähnlichkeitswert ist nützlich, um Kandidaten unter dieser Einrichtung zu ranken, während der Originaltext darüber entscheidet, ob ein Kandidat die Frage beantwortet.
Längen- und Editionsgrenzen
Der veröffentlichte Standard schneidet Eingaben ab, die länger als 256 Wortteile sind. Diese Tokenizer-Einheit entspricht nicht direkt einem gewöhnlichen Wort oder Zeichen. Halten Sie wichtige Bedingungen innerhalb der indexierten Einheit und teilen Sie ein langes Verfahren vor dem Kodieren an sinnvollen Grenzen.
Die Trainingssequenzen waren auf 128 Token begrenzt. Diese Trainingseinstellung ist unabhängig vom Standardwert von 256 Wortteilen für die Kodierung. Nutzen Sie bei ungewöhnlich langen oder fachspezifischen Passagen repräsentative Beispiele aus Anfragen und Passagen, um das Abrufverhalten zu bewerten, statt davon auszugehen, dass das Einhalten der Eingabegrenze eine gleiche Behandlung jedes Details garantiert.
Die genaue Edition L6-v2 ist ein englischsprachiges Embedding-Profil. Die Editionen L12-v2 und paraphrase-MiniLM haben eigene Modellidentitäten und Konfigurationen. Ihr gemeinsamer Name MiniLM oder ihre 384-dimensionale Ausgabe begründen keine austauschbaren Vektoren.
Suche, Ähnlichkeit und Gruppierung
Rufen Sie bei der Prüfung doppelter Fragen ähnliche Fragen ab und vergleichen Sie den tatsächlichen Wortlaut, bevor Sie Datensätze zusammenführen. «Kann ich mein Passwort zurücksetzen?» und «Kann ein Administrator das Passwort eines anderen Benutzers zurücksetzen?» betreffen verwandte Themen, aber unterschiedliche Berechtigungen. Bewahren Sie diese Unterscheidung im kodierten Text und in der Prüfstufe.
Verwenden Sie die Embeddings beim Clustering als numerische Eingaben für einen Gruppierungsprozess und prüfen Sie repräsentative Datensätze, bevor Sie eine Gruppe benennen. Dieses Modell liefert Vektoren, keine ausformulierten Cluster-Bezeichnungen oder generierten FAQ-Antworten. Sein nützliches Ergebnis ist eine kompakte Repräsentation einer kurzen Quellpassage, die mit dem ursprünglichen Datensatz verknüpft bleibt.
Ailoot Ultra · Embeddings POST /v1/embeddings sentence-transformers/all-minilm-l6-v2
sentence-transformers/all-minilm-l6-v2
sentence-transformers/all-minilm-l6-v2Einstieg
Sentence Transformers all-MiniLM-L6-v2 stellt Sätze und kurze Absätze als 384-dimensionale Vektoren für semantische Suche, Clustering und Ähnlichkeitsvergleiche dar. Das veröffentlichte Rezept kombiniert Mean-Pooling mit L2-Normalisierung und einem Standardwert von 256 Wortteilen.
- Zulässige Eingaben
- Text · token_ids
- Ergebnisse
- embedding
In Ailoot verfügbar · Eingaben und Methoden
Ailoot Ultra · Embeddings POST /v1/embeddings
- Eingabe
text,token_ids- Ausgabe
embedding- Ausgabeformat
- json
| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits sentence-transformers/all-minilm-l6-v2 | Standard— |
Feldinput | Typstring|string[]|integer[]|integer[][] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 Bedingungen: Nicht leerer, homogener Batch. Token-IDs sind nichtnegative Ganzzahlen. Eingabebudget: Maximum: 512 · Texteinheit: UTF8-Bytes · Tokeneinheit: Elemente des Token-Arrays | Standard— |
Feldencoding_format | Typstring | AnforderungOptional | Werte und Limits float | Standardfloat |
Felddimensions | Typinteger | AnforderungNicht unterstützt | Werte und Limits Minimum: 1 | Standard— |
Felduser | Typjson_value | AnforderungOptional | Werte und Limits Bedingungen: Der Quellcode erlaubt dieses JSON-Metadatenfeld; die genaue Semantik beim vorgelagerten Anbieter ist modellspezifisch. | Standard— |
Feldsession_id | Typjson_value | AnforderungOptional | Werte und Limits Bedingungen: Der Quellcode erlaubt dieses JSON-Metadatenfeld; die genaue Semantik beim vorgelagerten Anbieter ist modellspezifisch. | Standard— |
Feldtrace | Typjson_value | AnforderungOptional | Werte und Limits Bedingungen: Der Quellcode erlaubt dieses JSON-Metadatenfeld; die genaue Semantik beim vorgelagerten Anbieter ist modellspezifisch. | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options abgelehnt | Standard— |
Kombinationen von Eingabematerialien
text_to_embedding
Methodenparameter und Lebenszyklus
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, input |
Parameterinput_shapes | Vertragstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parameterencoding_format | Vertragfloat |
Parameterdimensions_override | Vertragfalse |
Parametermax_input_budget_units | Vertrag512 |
Parametermultimodal_objects | Vertragfalse |
Parametermaterial_types | Vertragtext, token_ids |
Lebenszyklus: synchronous_json
Jeden Vektorindex und jede Dimension beibehalten.
Ein multimodaler Modellname erlaubt auf genau diesem Pfad keine Bildobjekte.
Tarife
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
- Schnellmodus
- Nicht angegeben Wenn der Schnellmodus ausgewählt ist
- Flex-Modus
- Nicht angegeben Wenn der Modus flex ausgewählt ist
- Maximaler Denkaufwand
- Nicht angegeben Wenn beim maximalen Denkaufwand die Standardanpassung (default) verwendet wird
Ailoot-Tarife
Preise nach Konfiguration
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.00001 / 1K Tokens Ausgabe · Ausgabetoken $0 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
Beispielanfragen
Ailoot Ultra · Embeddings
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "sentence-transformers/all-minilm-l6-v2", "input": ["First document", "Second document"]}')
Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \
-H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
r=json.loads(Path("result.json").read_text())
for x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))
PY_RESULT
from openai import OpenAI
import os
client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)
result=client.embeddings.create(model='sentence-transformers/all-minilm-l6-v2',input=["First document","Second document"])
print(result)
for item in result.data:print(item.index,item.embedding)
Ergebnisse abrufen und speichern
Ailoot Ultra · Embeddings
json
Alle fertiggestellten Ergebnisse aufbewahren
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Jeden Vektor mit seinem Index beibehalten. Die Anzahl der Vektoren muss der Anzahl der Eingaben entsprechen; die Dimensionen müssen konsistent sein.
Wenn die ursprüngliche Antwort geprüft werden muss
Es wird kein Endpunkt für Embedding-Aufträge eingeführt.
Antwortfelder
| Feld | Typ |
|---|---|
Feldobject | Typstring |
Feldmodel | Typstring |
Felddata[].index | Typinteger |
Felddata[].embedding | Typfinite float[] |
Feldusage | Typobject |
Fehler und nächste Schritte
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Aliasnamen
Modellaliasnamen
Ailoot Ultra sentence-transformers/all-minilm-l6-v2
Aliasnamen für Methodenpfade
Verwenden Sie die oben angezeigten Methodenpfade.
Zugehörige Aufrufer-IDs
FAQ · Sentence Transformers: all-MiniLM-L6-v2
- Welche Eingaben und Ergebnisse sind verfügbar?
POST /v1/embeddings·sentence-transformers/all-minilm-l6-v2:text,token_ids→embedding- Welche Felder verwendet die Anfrage?
POST /v1/embeddings·sentence-transformers/all-minilm-l6-v2:model,input,encoding_format,provider- Welche Grenzen gelten?
POST /v1/embeddings·sentence-transformers/all-minilm-l6-v2:input.budget.maximum:512(UTF8-Bytes);input.min_items:1