paraphrase-MiniLM-L6-v2 ist ein Embedding-Modell von Sentence Transformers für Sätze und kurze Absätze. Es bildet jeden Text in einen 384-dimensionalen dichten Vektorraum ab; semantische Suche und Clustering gehören zu den vom Hersteller genannten Aufgaben. Die veröffentlichte Architektur kombiniert einen Transformer mit Mean-Pooling; die konfigurierte Sequenzlänge beträgt 128 Token.
Bereiten Sie den tatsächlichen Satz oder kurzen Absatz vor und lassen Sie dabei das Thema und wichtige Bedingungen unverändert. Eine praxisnahe Sammlung kann unterschiedlich formulierte Fragen oder kurze Beschreibungen verwandter Themen enthalten. Erzeugen Sie für jeden Datensatz ein Embedding und bewahren Sie seinen ursprünglichen Wortlaut und seine Kennung auf, damit ein späterer Vergleich den Text selbst zurückgeben kann.
Beispielsweise können mehrere Hilfeanfragen dieselbe Schwierigkeit mit unterschiedlichen Begriffen beschreiben. Eine Ähnlichkeitsstufe kann diese Kandidaten zusammenführen; anschliessend lässt sich ihr Wortlaut auf das eigentliche Problem hin prüfen. Das Embedding ist die numerische Repräsentation, die bei diesem Vergleich verwendet wird; es formuliert selbst keine Paraphrase und vergibt keine endgültige Cluster-Bezeichnung.
Das direkte Kodierungsbeispiel des Herstellers berücksichtigt beim Mitteln der Token-Repräsentationen die Attention-Maske und schliesst Padding-Positionen aus. Die Architektur wählt ausdrücklich Mean-Pooling und weder CLS- noch Max-Pooling. Behalten Sie dieses Pooling-Rezept zusammen mit dem Modell bei, wenn Sie vergleichbare Vektoren erzeugen.
Jede zurückgegebene Repräsentation hat 384 Komponenten. Eine Index- oder Clustering-Stufe arbeitet mit diesen Vektoren unter einer gewählten Ähnlichkeitskonfiguration, während der zugrunde liegende Quelldatensatz zur Prüfung verfügbar bleibt. Verwenden Sie für alle zu vergleichenden Elemente dasselbe Modell, dieselbe Eingabevorbereitung und dieselben Vergleichseinstellungen. Ein anderes Modell, das 384 Werte liefert, bildet allein aufgrund dieser Form nicht denselben Embedding-Raum.
Die Referenzkonfiguration für Sentence Transformer verwendet eine maximale Sequenzlänge von 128 Token. Bereiten Sie eine lange Quelle als kurze, zusammenhängende Einheiten vor statt als einen übergrossen Absatz. Ein Satz mit einer Regel braucht unter Umständen die Ausnahme aus dem nächsten Satz; halten Sie diese kleine Einheit zusammen, wenn sie hineinpasst. Eine Wort- oder Zeichenzahl legt die Token-Länge nicht direkt fest.
Bewahren Sie bei einer Menge kurzer Beschreibungen Namen und unterscheidende Eigenschaften, die für den Vergleich wichtig sind. Ein Datensatz, der nur eine vage Kategorie enthält, lässt sich unter Umständen schwer von anderen Datensätzen dieser Art unterscheiden. Speichern Sie die Zuordnung zur Quelle ausserhalb des Vektors, damit ein zurückgegebener Kandidat mit dem Originalmaterial abgeglichen werden kann.
Repräsentieren Sie bei der semantischen Suche die Anfrage und das Korpusmaterial mit genau diesem Modell und geben Sie Kandidaten-Datensätze zusammen mit ihrem Quelltext zurück. Beim Clustering bildet eine weitere Stufe aus den Vektoren Gruppen. Prüfen Sie die Datensätze nahe einer Clustergrenze, bevor Sie die Gruppierung als Produktentscheidung oder automatische Bezeichnung verwenden.
Das nützliche Ergebnis ist eine kompakte Repräsentation eines kurzen Textes, die mit ihrem ursprünglichen Datensatz verknüpft ist. Genau dieser Checkpoint paraphrase-MiniLM-L6-v2 hat seine eigene Pooling- und Sequenzkonfiguration. Die all-MiniLM-Varianten und die mehrsprachigen Paraphrase-Varianten sind eigenständige Modellprofile; ihr Training, ihr Sprachumfang oder ihre Eingabeeinstellungen ergeben sich nicht aus dem gemeinsamen Namen MiniLM.
", "aboutText": "paraphrase-MiniLM-L6-v2 ist ein Embedding-Modell von Sentence Transformers für Sätze und kurze Absätze. Es bildet jeden Text in einen 384-dimensionalen dichten Vektorraum ab; semantische Suche und Clustering gehören zu den vom Hersteller genannten Aufgaben. Die veröffentlichte Architektur kombiniert einen Transformer mit Mean-Pooling; die konfigurierte Sequenzlänge beträgt 128 Token.\n\n### Die zu vergleichende Passage darstellen\n\nBereiten Sie den tatsächlichen Satz oder kurzen Absatz vor und lassen Sie dabei das Thema und wichtige Bedingungen unverändert. Eine praxisnahe Sammlung kann unterschiedlich formulierte Fragen oder kurze Beschreibungen verwandter Themen enthalten. Erzeugen Sie für jeden Datensatz ein Embedding und bewahren Sie seinen ursprünglichen Wortlaut und seine Kennung auf, damit ein späterer Vergleich den Text selbst zurückgeben kann.\n\nBeispielsweise können mehrere Hilfeanfragen dieselbe Schwierigkeit mit unterschiedlichen Begriffen beschreiben. Eine Ähnlichkeitsstufe kann diese Kandidaten zusammenführen; anschliessend lässt sich ihr Wortlaut auf das eigentliche Problem hin prüfen. Das Embedding ist die numerische Repräsentation, die bei diesem Vergleich verwendet wird; es formuliert selbst keine Paraphrase und vergibt keine endgültige Cluster-Bezeichnung.\n\n### Mean-Pooling und Verwendung der Vektoren\n\nDas direkte Kodierungsbeispiel des Herstellers berücksichtigt beim Mitteln der Token-Repräsentationen die Attention-Maske und schliesst Padding-Positionen aus. Die Architektur wählt ausdrücklich Mean-Pooling und weder CLS- noch Max-Pooling. Behalten Sie dieses Pooling-Rezept zusammen mit dem Modell bei, wenn Sie vergleichbare Vektoren erzeugen.\n\nJede zurückgegebene Repräsentation hat 384 Komponenten. Eine Index- oder Clustering-Stufe arbeitet mit diesen Vektoren unter einer gewählten Ähnlichkeitskonfiguration, während der zugrunde liegende Quelldatensatz zur Prüfung verfügbar bleibt. Verwenden Sie für alle zu vergleichenden Elemente dasselbe Modell, dieselbe Eingabevorbereitung und dieselben Vergleichseinstellungen. Ein anderes Modell, das 384 Werte liefert, bildet allein aufgrund dieser Form nicht denselben Embedding-Raum.\n\n### Kurze Eingaben in der veröffentlichten Konfiguration\n\nDie Referenzkonfiguration für Sentence Transformer verwendet eine maximale Sequenzlänge von 128 Token. Bereiten Sie eine lange Quelle als kurze, zusammenhängende Einheiten vor statt als einen übergrossen Absatz. Ein Satz mit einer Regel braucht unter Umständen die Ausnahme aus dem nächsten Satz; halten Sie diese kleine Einheit zusammen, wenn sie hineinpasst. Eine Wort- oder Zeichenzahl legt die Token-Länge nicht direkt fest.\n\nBewahren Sie bei einer Menge kurzer Beschreibungen Namen und unterscheidende Eigenschaften, die für den Vergleich wichtig sind. Ein Datensatz, der nur eine vage Kategorie enthält, lässt sich unter Umständen schwer von anderen Datensätzen dieser Art unterscheiden. Speichern Sie die Zuordnung zur Quelle ausserhalb des Vektors, damit ein zurückgegebener Kandidat mit dem Originalmaterial abgeglichen werden kann.\n\n### Ergebnisse von Suche und Clustering\n\nRepräsentieren Sie bei der semantischen Suche die Anfrage und das Korpusmaterial mit genau diesem Modell und geben Sie Kandidaten-Datensätze zusammen mit ihrem Quelltext zurück. Beim Clustering bildet eine weitere Stufe aus den Vektoren Gruppen. Prüfen Sie die Datensätze nahe einer Clustergrenze, bevor Sie die Gruppierung als Produktentscheidung oder automatische Bezeichnung verwenden.\n\nDas nützliche Ergebnis ist eine kompakte Repräsentation eines kurzen Textes, die mit ihrem ursprünglichen Datensatz verknüpft ist. Genau dieser Checkpoint paraphrase-MiniLM-L6-v2 hat seine eigene Pooling- und Sequenzkonfiguration. Die all-MiniLM-Varianten und die mehrsprachigen Paraphrase-Varianten sind eigenständige Modellprofile; ihr Training, ihr Sprachumfang oder ihre Eingabeeinstellungen ergeben sich nicht aus dem gemeinsamen Namen MiniLM.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "2750bbb4f6ee76ced2b3e4c8334e988afd8ccd7546fd08bf96aa37fd65438b36", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de-ch", "methods": [ { "html": "sentence-transformers/paraphrase-minilm-l6-v2Sentence Transformers paraphrase-MiniLM-L6-v2 bildet Sätze und kurze Absätze auf 384-dimensionale Vektoren für semantische Suche und Clustering ab. Die veröffentlichte Konfiguration nutzt Mean-Pooling und eine Sequenzeinstellung von 128 Token.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
paraphrase-MiniLM-L6-v2 ist ein Embedding-Modell von Sentence Transformers für Sätze und kurze Absätze. Es bildet jeden Text in einen 384-dimensionalen dichten Vektorraum ab; semantische Suche und Clustering gehören zu den vom Hersteller genannten Aufgaben. Die veröffentlichte Architektur kombiniert einen Transformer mit Mean-Pooling; die konfigurierte Sequenzlänge beträgt 128 Token.
Bereiten Sie den tatsächlichen Satz oder kurzen Absatz vor und lassen Sie dabei das Thema und wichtige Bedingungen unverändert. Eine praxisnahe Sammlung kann unterschiedlich formulierte Fragen oder kurze Beschreibungen verwandter Themen enthalten. Erzeugen Sie für jeden Datensatz ein Embedding und bewahren Sie seinen ursprünglichen Wortlaut und seine Kennung auf, damit ein späterer Vergleich den Text selbst zurückgeben kann.
Beispielsweise können mehrere Hilfeanfragen dieselbe Schwierigkeit mit unterschiedlichen Begriffen beschreiben. Eine Ähnlichkeitsstufe kann diese Kandidaten zusammenführen; anschliessend lässt sich ihr Wortlaut auf das eigentliche Problem hin prüfen. Das Embedding ist die numerische Repräsentation, die bei diesem Vergleich verwendet wird; es formuliert selbst keine Paraphrase und vergibt keine endgültige Cluster-Bezeichnung.
Das direkte Kodierungsbeispiel des Herstellers berücksichtigt beim Mitteln der Token-Repräsentationen die Attention-Maske und schliesst Padding-Positionen aus. Die Architektur wählt ausdrücklich Mean-Pooling und weder CLS- noch Max-Pooling. Behalten Sie dieses Pooling-Rezept zusammen mit dem Modell bei, wenn Sie vergleichbare Vektoren erzeugen.
Jede zurückgegebene Repräsentation hat 384 Komponenten. Eine Index- oder Clustering-Stufe arbeitet mit diesen Vektoren unter einer gewählten Ähnlichkeitskonfiguration, während der zugrunde liegende Quelldatensatz zur Prüfung verfügbar bleibt. Verwenden Sie für alle zu vergleichenden Elemente dasselbe Modell, dieselbe Eingabevorbereitung und dieselben Vergleichseinstellungen. Ein anderes Modell, das 384 Werte liefert, bildet allein aufgrund dieser Form nicht denselben Embedding-Raum.
Die Referenzkonfiguration für Sentence Transformer verwendet eine maximale Sequenzlänge von 128 Token. Bereiten Sie eine lange Quelle als kurze, zusammenhängende Einheiten vor statt als einen übergrossen Absatz. Ein Satz mit einer Regel braucht unter Umständen die Ausnahme aus dem nächsten Satz; halten Sie diese kleine Einheit zusammen, wenn sie hineinpasst. Eine Wort- oder Zeichenzahl legt die Token-Länge nicht direkt fest.
Bewahren Sie bei einer Menge kurzer Beschreibungen Namen und unterscheidende Eigenschaften, die für den Vergleich wichtig sind. Ein Datensatz, der nur eine vage Kategorie enthält, lässt sich unter Umständen schwer von anderen Datensätzen dieser Art unterscheiden. Speichern Sie die Zuordnung zur Quelle ausserhalb des Vektors, damit ein zurückgegebener Kandidat mit dem Originalmaterial abgeglichen werden kann.
Repräsentieren Sie bei der semantischen Suche die Anfrage und das Korpusmaterial mit genau diesem Modell und geben Sie Kandidaten-Datensätze zusammen mit ihrem Quelltext zurück. Beim Clustering bildet eine weitere Stufe aus den Vektoren Gruppen. Prüfen Sie die Datensätze nahe einer Clustergrenze, bevor Sie die Gruppierung als Produktentscheidung oder automatische Bezeichnung verwenden.
Das nützliche Ergebnis ist eine kompakte Repräsentation eines kurzen Textes, die mit ihrem ursprünglichen Datensatz verknüpft ist. Genau dieser Checkpoint paraphrase-MiniLM-L6-v2 hat seine eigene Pooling- und Sequenzkonfiguration. Die all-MiniLM-Varianten und die mehrsprachigen Paraphrase-Varianten sind eigenständige Modellprofile; ihr Training, ihr Sprachumfang oder ihre Eingabeeinstellungen ergeben sich nicht aus dem gemeinsamen Namen MiniLM.
POST /v1/embeddingstext, token_idsembedding| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits sentence-transformers/paraphrase-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— |
text_to_embedding
| 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.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.00001 / 1K Tokens Ausgabe · Ausgabetoken $0 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "sentence-transformers/paraphrase-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/paraphrase-minilm-l6-v2',input=["First document","Second document"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\njson
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.
Es wird kein Endpunkt für Embedding-Aufträge eingeführt.
| Feld | Typ |
|---|---|
Feldobject | Typstring |
Feldmodel | Typstring |
Felddata[].index | Typinteger |
Felddata[].embedding | Typfinite float[] |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra sentence-transformers/paraphrase-minilm-l6-v2
Verwenden Sie die oben angezeigten Methodenpfade.