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.
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.
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.
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.
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.
", "aboutText": "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.\n\n### Prägnante, aussagekräftige Datensätze vorbereiten\n\nWählen 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.\n\nIndexieren 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.\n\n### Die Satzrepräsentation gewinnen\n\nDas 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.\n\nJede 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.\n\n### Längen- und Editionsgrenzen\n\nDer 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.\n\nDie 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.\n\nDie 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.\n\n### Suche, Ähnlichkeit und Gruppierung\n\nRufen 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.\n\nVerwenden 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "a2aaa4fa7ea4de89e7f5adefa523e1ce6e8b81bcc54b61c9e27c5806502789f2", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de", "methods": [ { "html": "sentence-transformers/all-minilm-l6-v2Sentence 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.
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.
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.
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.
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.
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.
POST /v1/embeddingstext, token_idsembedding| 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— |
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-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
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-l6-v2
Verwenden Sie die oben angezeigten Methodenpfade.