all-MiniLM-L12-v2 ist ein Sentence-Transformers-Encoder für Sätze und kurze Absätze. Er erzeugt pro Text einen 384-dimensionalen dichten Vektor für semantische Suche, Informationsabruf, Clustering und Satzähnlichkeit. Das Modell nutzt das Basismodell MiniLM-L12-H384-uncased und wurde mit kontrastivem Lernen auf einer Satzsammlung mit einer Milliarde Paaren feinabgestimmt.
Verwenden Sie einen Satz oder kurzen Absatz, der eine nützliche Aussage ausdrückt. Behalten Sie bei einer Sammlung von Produktbeschreibungen das Merkmal und die Bedingung bei, die den Artikel unterscheiden: „Der Adapter verbindet ein kabelgebundenes Headset mit einem USB-C-Anschluss“ ist aussagekräftiger als „Audiozubehör“. Speichern Sie die Datensatzkennung und die Originalbeschreibung neben dem Vektor.
Eine Suchanfrage lässt sich dann mit den kodierten Beschreibungen vergleichen. Prüfen Sie die zurückgegebenen Kandidaten auf genaue Anforderungen wie Anschlusstyp oder Gerätekompatibilität, bevor Sie eine endgültige Auswahl präsentieren. Der Vektor repräsentiert die Bedeutung des Textes; die umgebende Suchanwendung ruft die zugehörigen Datensätze ab.
Das veröffentlichte Kodierungsbeispiel mittelt die Token-Repräsentationen mithilfe der Attention-Maske, sodass Padding-Positionen nicht zum Mittelwert beitragen. Anschließend wird eine L2-Normalisierung angewendet. Diese Schritte gehören zum Referenzrezept für den Satzvektor und sind keine Anweisung, ein beliebiges Token aus dem zugrunde liegenden Transformer zu verwenden.
Halten Sie Modell, Pooling und Normalisierungskonfiguration zwischen indexierten Texten und neuen Anfragen einheitlich. Die resultierenden Repräsentationen mit 384 Komponenten lassen sich per Kosinus-Ähnlichkeit vergleichen. Dokumentieren Sie diese Konfiguration zusammen mit der Sammlung; ein anderer 384-dimensionaler Encoder wird nicht schon dadurch kompatibel, dass seine Vektoren dieselbe Länge haben.
Der Hersteller legt ein standardmäßiges Abschneiden nach 256 Wortteilen fest. Das ist eine Tokenizer-Grenze, keine Anzahl gewöhnlicher Wörter oder Zeichen. Wählen Sie bei einem längeren Datensatz zusammenhängende kurze Abschnitte und bewahren Sie die Überschrift oder das kennzeichnende Detail, das zur Einordnung jedes Abschnitts nötig ist.
Das Trainingsverfahren des Modells verwendete Sequenzen mit bis zu 128 Token. Diese Trainingseinstellung ist unabhängig vom veröffentlichten Standardwert von 256 Wortteilen bei der Kodierung. Eine Passage, die in den Standardwert passt, kann sich dennoch erheblich vom kurzen Satzmaterial des Trainings unterscheiden; bewerten Sie lange oder fachspezifische Beschreibungen daher mit repräsentativen Beispielen.
Bei einer Menge von Support-Nachrichten können Embeddings numerische Eingaben für eine Gruppierungsstufe liefern. Prüfen Sie mehrere Nachrichten aus jeder vorgeschlagenen Gruppe sowie solche nahe ihrer Grenze, bevor Sie eine allgemein verständliche Bezeichnung vergeben. Rufen Sie bei der Prüfung auf doppelte Inhalte ähnliche Datensätze ab und vergleichen Sie ihren tatsächlichen Wortlaut; zwei Passagen können dasselbe Thema behandeln und dabei unterschiedliche Anweisungen geben.
Die genaue Edition L12-v2 ist ein englischsprachiges Satz-Embedding-Profil. Sie unterscheidet sich von all-MiniLM-L6-v2 und den paraphrase-MiniLM-Checkpoints. Gemeinsame Familiennamen übertragen weder deren Sequenzkonfiguration noch deren Pooling-Rezept. Nutzen Sie die kompakten dichten Vektoren zusammen mit Quelldatensätzen und aufgabenspezifischer Evaluierung, statt einen Ähnlichkeitswert als verifizierte Antwort oder endgültige redaktionelle Entscheidung zu behandeln.
", "aboutText": "all-MiniLM-L12-v2 ist ein Sentence-Transformers-Encoder für Sätze und kurze Absätze. Er erzeugt pro Text einen 384-dimensionalen dichten Vektor für semantische Suche, Informationsabruf, Clustering und Satzähnlichkeit. Das Modell nutzt das Basismodell MiniLM-L12-H384-uncased und wurde mit kontrastivem Lernen auf einer Satzsammlung mit einer Milliarde Paaren feinabgestimmt.\n\n### Die abzurufende Einheit kodieren\n\nVerwenden Sie einen Satz oder kurzen Absatz, der eine nützliche Aussage ausdrückt. Behalten Sie bei einer Sammlung von Produktbeschreibungen das Merkmal und die Bedingung bei, die den Artikel unterscheiden: „Der Adapter verbindet ein kabelgebundenes Headset mit einem USB-C-Anschluss“ ist aussagekräftiger als „Audiozubehör“. Speichern Sie die Datensatzkennung und die Originalbeschreibung neben dem Vektor.\n\nEine Suchanfrage lässt sich dann mit den kodierten Beschreibungen vergleichen. Prüfen Sie die zurückgegebenen Kandidaten auf genaue Anforderungen wie Anschlusstyp oder Gerätekompatibilität, bevor Sie eine endgültige Auswahl präsentieren. Der Vektor repräsentiert die Bedeutung des Textes; die umgebende Suchanwendung ruft die zugehörigen Datensätze ab.\n\n### Mean-Pooling und normalisierte Vektoren\n\nDas veröffentlichte Kodierungsbeispiel mittelt die Token-Repräsentationen mithilfe der Attention-Maske, sodass Padding-Positionen nicht zum Mittelwert beitragen. Anschließend wird eine L2-Normalisierung angewendet. Diese Schritte gehören zum Referenzrezept für den Satzvektor und sind keine Anweisung, ein beliebiges Token aus dem zugrunde liegenden Transformer zu verwenden.\n\nHalten Sie Modell, Pooling und Normalisierungskonfiguration zwischen indexierten Texten und neuen Anfragen einheitlich. Die resultierenden Repräsentationen mit 384 Komponenten lassen sich per Kosinus-Ähnlichkeit vergleichen. Dokumentieren Sie diese Konfiguration zusammen mit der Sammlung; ein anderer 384-dimensionaler Encoder wird nicht schon dadurch kompatibel, dass seine Vektoren dieselbe Länge haben.\n\n### Standard-Eingabelänge und Trainingsumfang\n\nDer Hersteller legt ein standardmäßiges Abschneiden nach 256 Wortteilen fest. Das ist eine Tokenizer-Grenze, keine Anzahl gewöhnlicher Wörter oder Zeichen. Wählen Sie bei einem längeren Datensatz zusammenhängende kurze Abschnitte und bewahren Sie die Überschrift oder das kennzeichnende Detail, das zur Einordnung jedes Abschnitts nötig ist.\n\nDas Trainingsverfahren des Modells verwendete Sequenzen mit bis zu 128 Token. Diese Trainingseinstellung ist unabhängig vom veröffentlichten Standardwert von 256 Wortteilen bei der Kodierung. Eine Passage, die in den Standardwert passt, kann sich dennoch erheblich vom kurzen Satzmaterial des Trainings unterscheiden; bewerten Sie lange oder fachspezifische Beschreibungen daher mit repräsentativen Beispielen.\n\n### Workflows für Ähnlichkeit und Clustering\n\nBei einer Menge von Support-Nachrichten können Embeddings numerische Eingaben für eine Gruppierungsstufe liefern. Prüfen Sie mehrere Nachrichten aus jeder vorgeschlagenen Gruppe sowie solche nahe ihrer Grenze, bevor Sie eine allgemein verständliche Bezeichnung vergeben. Rufen Sie bei der Prüfung auf doppelte Inhalte ähnliche Datensätze ab und vergleichen Sie ihren tatsächlichen Wortlaut; zwei Passagen können dasselbe Thema behandeln und dabei unterschiedliche Anweisungen geben.\n\nDie genaue Edition L12-v2 ist ein englischsprachiges Satz-Embedding-Profil. Sie unterscheidet sich von all-MiniLM-L6-v2 und den paraphrase-MiniLM-Checkpoints. Gemeinsame Familiennamen übertragen weder deren Sequenzkonfiguration noch deren Pooling-Rezept. Nutzen Sie die kompakten dichten Vektoren zusammen mit Quelldatensätzen und aufgabenspezifischer Evaluierung, statt einen Ähnlichkeitswert als verifizierte Antwort oder endgültige redaktionelle Entscheidung zu behandeln.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "f203a49698bd8751271b6dab759970f0a8944d981beb1c379a27cfb63cdfa532", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de", "methods": [ { "html": "sentence-transformers/all-minilm-l12-v2Sentence Transformers all-MiniLM-L12-v2 kodiert Sätze und kurze Absätze in 384-dimensionale Vektoren für Suche, Ähnlichkeitsvergleiche und Clustering. Das Referenzrezept nutzt Mean-Pooling und Normalisierung; standardmäßig wird bei 256 Wortteilen abgeschnitten.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
all-MiniLM-L12-v2 ist ein Sentence-Transformers-Encoder für Sätze und kurze Absätze. Er erzeugt pro Text einen 384-dimensionalen dichten Vektor für semantische Suche, Informationsabruf, Clustering und Satzähnlichkeit. Das Modell nutzt das Basismodell MiniLM-L12-H384-uncased und wurde mit kontrastivem Lernen auf einer Satzsammlung mit einer Milliarde Paaren feinabgestimmt.
Verwenden Sie einen Satz oder kurzen Absatz, der eine nützliche Aussage ausdrückt. Behalten Sie bei einer Sammlung von Produktbeschreibungen das Merkmal und die Bedingung bei, die den Artikel unterscheiden: „Der Adapter verbindet ein kabelgebundenes Headset mit einem USB-C-Anschluss“ ist aussagekräftiger als „Audiozubehör“. Speichern Sie die Datensatzkennung und die Originalbeschreibung neben dem Vektor.
Eine Suchanfrage lässt sich dann mit den kodierten Beschreibungen vergleichen. Prüfen Sie die zurückgegebenen Kandidaten auf genaue Anforderungen wie Anschlusstyp oder Gerätekompatibilität, bevor Sie eine endgültige Auswahl präsentieren. Der Vektor repräsentiert die Bedeutung des Textes; die umgebende Suchanwendung ruft die zugehörigen Datensätze ab.
Das veröffentlichte Kodierungsbeispiel mittelt die Token-Repräsentationen mithilfe der Attention-Maske, sodass Padding-Positionen nicht zum Mittelwert beitragen. Anschließend wird eine L2-Normalisierung angewendet. Diese Schritte gehören zum Referenzrezept für den Satzvektor und sind keine Anweisung, ein beliebiges Token aus dem zugrunde liegenden Transformer zu verwenden.
Halten Sie Modell, Pooling und Normalisierungskonfiguration zwischen indexierten Texten und neuen Anfragen einheitlich. Die resultierenden Repräsentationen mit 384 Komponenten lassen sich per Kosinus-Ähnlichkeit vergleichen. Dokumentieren Sie diese Konfiguration zusammen mit der Sammlung; ein anderer 384-dimensionaler Encoder wird nicht schon dadurch kompatibel, dass seine Vektoren dieselbe Länge haben.
Der Hersteller legt ein standardmäßiges Abschneiden nach 256 Wortteilen fest. Das ist eine Tokenizer-Grenze, keine Anzahl gewöhnlicher Wörter oder Zeichen. Wählen Sie bei einem längeren Datensatz zusammenhängende kurze Abschnitte und bewahren Sie die Überschrift oder das kennzeichnende Detail, das zur Einordnung jedes Abschnitts nötig ist.
Das Trainingsverfahren des Modells verwendete Sequenzen mit bis zu 128 Token. Diese Trainingseinstellung ist unabhängig vom veröffentlichten Standardwert von 256 Wortteilen bei der Kodierung. Eine Passage, die in den Standardwert passt, kann sich dennoch erheblich vom kurzen Satzmaterial des Trainings unterscheiden; bewerten Sie lange oder fachspezifische Beschreibungen daher mit repräsentativen Beispielen.
Bei einer Menge von Support-Nachrichten können Embeddings numerische Eingaben für eine Gruppierungsstufe liefern. Prüfen Sie mehrere Nachrichten aus jeder vorgeschlagenen Gruppe sowie solche nahe ihrer Grenze, bevor Sie eine allgemein verständliche Bezeichnung vergeben. Rufen Sie bei der Prüfung auf doppelte Inhalte ähnliche Datensätze ab und vergleichen Sie ihren tatsächlichen Wortlaut; zwei Passagen können dasselbe Thema behandeln und dabei unterschiedliche Anweisungen geben.
Die genaue Edition L12-v2 ist ein englischsprachiges Satz-Embedding-Profil. Sie unterscheidet sich von all-MiniLM-L6-v2 und den paraphrase-MiniLM-Checkpoints. Gemeinsame Familiennamen übertragen weder deren Sequenzkonfiguration noch deren Pooling-Rezept. Nutzen Sie die kompakten dichten Vektoren zusammen mit Quelldatensätzen und aufgabenspezifischer Evaluierung, statt einen Ähnlichkeitswert als verifizierte Antwort oder endgültige redaktionelle Entscheidung zu behandeln.
POST /v1/embeddingstext, token_idsembedding| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits sentence-transformers/all-minilm-l12-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 Token Ausgabe · Ausgabetoken $0 / 1K Token Eingabe · Cache-Lesen — / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "sentence-transformers/all-minilm-l12-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-l12-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/all-minilm-l12-v2
Verwenden Sie die oben angezeigten Methodenpfade.