Το all-MiniLM-L12-v2 είναι κωδικοποιητής Sentence Transformers για προτάσεις και σύντομες παραγράφους. Παράγει ένα πυκνό διάνυσμα 384 διαστάσεων ανά κείμενο για σημασιολογική αναζήτηση, ανάκτηση πληροφοριών, ομαδοποίηση και ομοιότητα προτάσεων. Το μοντέλο χρησιμοποιεί τη βασική αρχιτεκτονική MiniLM-L12-H384-uncased και προσαρμόστηκε με λεπτομερή ρύθμιση με αντιθετική μάθηση σε συλλογή ενός δισεκατομμυρίου ζευγών προτάσεων.
Χρησιμοποιήστε μια πρόταση ή σύντομη παράγραφο που εκφράζει μία χρήσιμη ιδέα. Για μια συλλογή περιγραφών προϊόντων, κρατήστε το χαρακτηριστικό και τη συνθήκη που διακρίνει το αντικείμενο: το «Ο προσαρμογέας συνδέει ενσύρματα ακουστικά με θύρα USB-C» είναι πιο πληροφοριακό από το «Αξεσουάρ ήχου». Αποθηκεύστε το αναγνωριστικό εγγραφής και την αρχική περιγραφή δίπλα στο διάνυσμά της.
Ένα ερώτημα αναζήτησης μπορεί κατόπιν να συγκριθεί με τις κωδικοποιημένες περιγραφές. Εξετάστε τους επιστρεφόμενους υποψηφίους για ακριβείς απαιτήσεις όπως τύπος συνδέσμου ή συμβατότητα συσκευής πριν παρουσιάσετε τελική επιλογή. Το διάνυσμα αναπαριστά το νόημα του κειμένου· η εφαρμογή αναζήτησης που το περιβάλλει ανακτά τις αντίστοιχες εγγραφές.
Το δημοσιευμένο παράδειγμα κωδικοποίησης υπολογίζει μέσο όρο αναπαραστάσεων tokens με τη μάσκα προσοχής, ώστε οι θέσεις padding να μην συνεισφέρουν στον μέσο όρο. Έπειτα εφαρμόζει κανονικοποίηση L2. Αυτά τα βήματα αποτελούν μέρος της συνταγής αναφοράς για απόκτηση διανύσματος πρότασης, αντί για οδηγία λήψης αυθαίρετου token από τον υποκείμενο transformer.
Κρατήστε τη διαμόρφωση μοντέλου, pooling και κανονικοποίησης συνεπή μεταξύ ευρετηριασμένων κειμένων και νέων ερωτημάτων. Οι αναπαραστάσεις 384 συνιστωσών που προκύπτουν μπορούν να συγκριθούν με ομοιότητα συνημιτόνου. Κρατήστε αρχείο αυτής της διαμόρφωσης μαζί με τη συλλογή· ένας διαφορετικός κωδικοποιητής 384 διαστάσεων δεν γίνεται συμβατός απλώς επειδή τα διανύσματά του έχουν το ίδιο μήκος.
Ο κατασκευαστής ορίζει προεπιλεγμένη περικοπή πέρα από 256 τμήματα λέξεων, ή word pieces. Αυτό είναι όριο του tokenizer, όχι πλήθος συνηθισμένων λέξεων ή χαρακτήρων. Για μεγαλύτερη εγγραφή, επιλέξτε συνεκτικές σύντομες ενότητες και διατηρήστε την επικεφαλίδα ή την αναγνωριστική λεπτομέρεια που χρειάζεται για την ερμηνεία καθεμίας.
Η διαδικασία εκπαίδευσης του μοντέλου χρησιμοποιούσε ακολουθίες έως 128 tokens. Αυτή η ρύθμιση εκπαίδευσης είναι χωριστή από τη δημοσιευμένη προεπιλογή 256 τμημάτων λέξεων κατά την κωδικοποίηση. Ένα απόσπασμα που χωρά στην προεπιλογή μπορεί ακόμη να διαφέρει ουσιαστικά από το υλικό σύντομων προτάσεων που χρησιμοποιήθηκε κατά την εκπαίδευση, γι’ αυτό αξιολογήστε μεγάλες ή εξειδικευμένες περιγραφές με αντιπροσωπευτικά παραδείγματα.
Για ένα σύνολο μηνυμάτων υποστήριξης, τα embeddings μπορούν να παρέχουν αριθμητικές εισόδους σε στάδιο ομαδοποίησης. Ελέγξτε πολλά μηνύματα από κάθε προτεινόμενη ομάδα και όσα βρίσκονται κοντά στο όριό της πριν αποδώσετε ετικέτα αναγνώσιμη από άνθρωπο. Για έλεγχο διπλότυπου περιεχομένου, ανακτήστε παρόμοιες εγγραφές και συγκρίνετε την πραγματική διατύπωσή τους· δύο αποσπάσματα μπορεί να συζητούν το ίδιο θέμα ενώ δίνουν διαφορετικές οδηγίες.
Αυτή η ακριβής έκδοση L12-v2 είναι αγγλικό προφίλ embeddings προτάσεων. Είναι διακριτή από το all-MiniLM-L6-v2 και τα checkpoints paraphrase-MiniLM. Τα κοινά ονόματα οικογένειας δεν μεταφέρουν τη διαμόρφωση ακολουθίας ή τη συνταγή pooling τους. Χρησιμοποιήστε τα συμπαγή πυκνά διανύσματά του μαζί με τις εγγραφές πηγής και αξιολόγηση ειδική για την εργασία αντί να θεωρείτε μια τιμή ομοιότητας επαληθευμένη απάντηση ή τελική συντακτική απόφαση.
", "aboutText": "Το all-MiniLM-L12-v2 είναι κωδικοποιητής Sentence Transformers για προτάσεις και σύντομες παραγράφους. Παράγει ένα πυκνό διάνυσμα 384 διαστάσεων ανά κείμενο για σημασιολογική αναζήτηση, ανάκτηση πληροφοριών, ομαδοποίηση και ομοιότητα προτάσεων. Το μοντέλο χρησιμοποιεί τη βασική αρχιτεκτονική MiniLM-L12-H384-uncased και προσαρμόστηκε με λεπτομερή ρύθμιση με αντιθετική μάθηση σε συλλογή ενός δισεκατομμυρίου ζευγών προτάσεων.\n\n### Κωδικοποιήστε τη μονάδα που θέλετε να ανακτήσετε\n\nΧρησιμοποιήστε μια πρόταση ή σύντομη παράγραφο που εκφράζει μία χρήσιμη ιδέα. Για μια συλλογή περιγραφών προϊόντων, κρατήστε το χαρακτηριστικό και τη συνθήκη που διακρίνει το αντικείμενο: το «Ο προσαρμογέας συνδέει ενσύρματα ακουστικά με θύρα USB-C» είναι πιο πληροφοριακό από το «Αξεσουάρ ήχου». Αποθηκεύστε το αναγνωριστικό εγγραφής και την αρχική περιγραφή δίπλα στο διάνυσμά της.\n\nΈνα ερώτημα αναζήτησης μπορεί κατόπιν να συγκριθεί με τις κωδικοποιημένες περιγραφές. Εξετάστε τους επιστρεφόμενους υποψηφίους για ακριβείς απαιτήσεις όπως τύπος συνδέσμου ή συμβατότητα συσκευής πριν παρουσιάσετε τελική επιλογή. Το διάνυσμα αναπαριστά το νόημα του κειμένου· η εφαρμογή αναζήτησης που το περιβάλλει ανακτά τις αντίστοιχες εγγραφές.\n\n### Mean pooling και κανονικοποιημένα διανύσματα\n\nΤο δημοσιευμένο παράδειγμα κωδικοποίησης υπολογίζει μέσο όρο αναπαραστάσεων tokens με τη μάσκα προσοχής, ώστε οι θέσεις padding να μην συνεισφέρουν στον μέσο όρο. Έπειτα εφαρμόζει κανονικοποίηση L2. Αυτά τα βήματα αποτελούν μέρος της συνταγής αναφοράς για απόκτηση διανύσματος πρότασης, αντί για οδηγία λήψης αυθαίρετου token από τον υποκείμενο transformer.\n\nΚρατήστε τη διαμόρφωση μοντέλου, pooling και κανονικοποίησης συνεπή μεταξύ ευρετηριασμένων κειμένων και νέων ερωτημάτων. Οι αναπαραστάσεις 384 συνιστωσών που προκύπτουν μπορούν να συγκριθούν με ομοιότητα συνημιτόνου. Κρατήστε αρχείο αυτής της διαμόρφωσης μαζί με τη συλλογή· ένας διαφορετικός κωδικοποιητής 384 διαστάσεων δεν γίνεται συμβατός απλώς επειδή τα διανύσματά του έχουν το ίδιο μήκος.\n\n### Προεπιλεγμένο μήκος εισόδου και εύρος εκπαίδευσης\n\nΟ κατασκευαστής ορίζει προεπιλεγμένη περικοπή πέρα από 256 τμήματα λέξεων, ή word pieces. Αυτό είναι όριο του tokenizer, όχι πλήθος συνηθισμένων λέξεων ή χαρακτήρων. Για μεγαλύτερη εγγραφή, επιλέξτε συνεκτικές σύντομες ενότητες και διατηρήστε την επικεφαλίδα ή την αναγνωριστική λεπτομέρεια που χρειάζεται για την ερμηνεία καθεμίας.\n\nΗ διαδικασία εκπαίδευσης του μοντέλου χρησιμοποιούσε ακολουθίες έως 128 tokens. Αυτή η ρύθμιση εκπαίδευσης είναι χωριστή από τη δημοσιευμένη προεπιλογή 256 τμημάτων λέξεων κατά την κωδικοποίηση. Ένα απόσπασμα που χωρά στην προεπιλογή μπορεί ακόμη να διαφέρει ουσιαστικά από το υλικό σύντομων προτάσεων που χρησιμοποιήθηκε κατά την εκπαίδευση, γι’ αυτό αξιολογήστε μεγάλες ή εξειδικευμένες περιγραφές με αντιπροσωπευτικά παραδείγματα.\n\n### Ροές ομοιότητας και ομαδοποίησης\n\nΓια ένα σύνολο μηνυμάτων υποστήριξης, τα embeddings μπορούν να παρέχουν αριθμητικές εισόδους σε στάδιο ομαδοποίησης. Ελέγξτε πολλά μηνύματα από κάθε προτεινόμενη ομάδα και όσα βρίσκονται κοντά στο όριό της πριν αποδώσετε ετικέτα αναγνώσιμη από άνθρωπο. Για έλεγχο διπλότυπου περιεχομένου, ανακτήστε παρόμοιες εγγραφές και συγκρίνετε την πραγματική διατύπωσή τους· δύο αποσπάσματα μπορεί να συζητούν το ίδιο θέμα ενώ δίνουν διαφορετικές οδηγίες.\n\nΑυτή η ακριβής έκδοση L12-v2 είναι αγγλικό προφίλ embeddings προτάσεων. Είναι διακριτή από το all-MiniLM-L6-v2 και τα checkpoints paraphrase-MiniLM. Τα κοινά ονόματα οικογένειας δεν μεταφέρουν τη διαμόρφωση ακολουθίας ή τη συνταγή pooling τους. Χρησιμοποιήστε τα συμπαγή πυκνά διανύσματά του μαζί με τις εγγραφές πηγής και αξιολόγηση ειδική για την εργασία αντί να θεωρείτε μια τιμή ομοιότητας επαληθευμένη απάντηση ή τελική συντακτική απόφαση.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "e7d38571a7524989a3395130e1cb76cd928d4e404d750f53d691301b368cccc6", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "el", "methods": [ { "html": "sentence-transformers/all-minilm-l12-v2Το Sentence Transformers all-MiniLM-L12-v2 κωδικοποιεί προτάσεις και σύντομες παραγράφους σε διανύσματα 384 διαστάσεων για αναζήτηση, ομοιότητα και ομαδοποίηση. Η συνταγή αναφοράς του χρησιμοποιεί mean pooling και κανονικοποίηση, με προεπιλεγμένη περικοπή στα 256 τμήματα λέξεων.
Αυτή η περιγραφή καλύπτει τις δυνατότητες του μοντέλου. Οι είσοδοι, έξοδοι και επιλογές που διατίθενται στο Ailoot παρατίθενται παρακάτω για την επιλεγμένη μέθοδο.
Το all-MiniLM-L12-v2 είναι κωδικοποιητής Sentence Transformers για προτάσεις και σύντομες παραγράφους. Παράγει ένα πυκνό διάνυσμα 384 διαστάσεων ανά κείμενο για σημασιολογική αναζήτηση, ανάκτηση πληροφοριών, ομαδοποίηση και ομοιότητα προτάσεων. Το μοντέλο χρησιμοποιεί τη βασική αρχιτεκτονική MiniLM-L12-H384-uncased και προσαρμόστηκε με λεπτομερή ρύθμιση με αντιθετική μάθηση σε συλλογή ενός δισεκατομμυρίου ζευγών προτάσεων.
Χρησιμοποιήστε μια πρόταση ή σύντομη παράγραφο που εκφράζει μία χρήσιμη ιδέα. Για μια συλλογή περιγραφών προϊόντων, κρατήστε το χαρακτηριστικό και τη συνθήκη που διακρίνει το αντικείμενο: το «Ο προσαρμογέας συνδέει ενσύρματα ακουστικά με θύρα USB-C» είναι πιο πληροφοριακό από το «Αξεσουάρ ήχου». Αποθηκεύστε το αναγνωριστικό εγγραφής και την αρχική περιγραφή δίπλα στο διάνυσμά της.
Ένα ερώτημα αναζήτησης μπορεί κατόπιν να συγκριθεί με τις κωδικοποιημένες περιγραφές. Εξετάστε τους επιστρεφόμενους υποψηφίους για ακριβείς απαιτήσεις όπως τύπος συνδέσμου ή συμβατότητα συσκευής πριν παρουσιάσετε τελική επιλογή. Το διάνυσμα αναπαριστά το νόημα του κειμένου· η εφαρμογή αναζήτησης που το περιβάλλει ανακτά τις αντίστοιχες εγγραφές.
Το δημοσιευμένο παράδειγμα κωδικοποίησης υπολογίζει μέσο όρο αναπαραστάσεων tokens με τη μάσκα προσοχής, ώστε οι θέσεις padding να μην συνεισφέρουν στον μέσο όρο. Έπειτα εφαρμόζει κανονικοποίηση L2. Αυτά τα βήματα αποτελούν μέρος της συνταγής αναφοράς για απόκτηση διανύσματος πρότασης, αντί για οδηγία λήψης αυθαίρετου token από τον υποκείμενο transformer.
Κρατήστε τη διαμόρφωση μοντέλου, pooling και κανονικοποίησης συνεπή μεταξύ ευρετηριασμένων κειμένων και νέων ερωτημάτων. Οι αναπαραστάσεις 384 συνιστωσών που προκύπτουν μπορούν να συγκριθούν με ομοιότητα συνημιτόνου. Κρατήστε αρχείο αυτής της διαμόρφωσης μαζί με τη συλλογή· ένας διαφορετικός κωδικοποιητής 384 διαστάσεων δεν γίνεται συμβατός απλώς επειδή τα διανύσματά του έχουν το ίδιο μήκος.
Ο κατασκευαστής ορίζει προεπιλεγμένη περικοπή πέρα από 256 τμήματα λέξεων, ή word pieces. Αυτό είναι όριο του tokenizer, όχι πλήθος συνηθισμένων λέξεων ή χαρακτήρων. Για μεγαλύτερη εγγραφή, επιλέξτε συνεκτικές σύντομες ενότητες και διατηρήστε την επικεφαλίδα ή την αναγνωριστική λεπτομέρεια που χρειάζεται για την ερμηνεία καθεμίας.
Η διαδικασία εκπαίδευσης του μοντέλου χρησιμοποιούσε ακολουθίες έως 128 tokens. Αυτή η ρύθμιση εκπαίδευσης είναι χωριστή από τη δημοσιευμένη προεπιλογή 256 τμημάτων λέξεων κατά την κωδικοποίηση. Ένα απόσπασμα που χωρά στην προεπιλογή μπορεί ακόμη να διαφέρει ουσιαστικά από το υλικό σύντομων προτάσεων που χρησιμοποιήθηκε κατά την εκπαίδευση, γι’ αυτό αξιολογήστε μεγάλες ή εξειδικευμένες περιγραφές με αντιπροσωπευτικά παραδείγματα.
Για ένα σύνολο μηνυμάτων υποστήριξης, τα embeddings μπορούν να παρέχουν αριθμητικές εισόδους σε στάδιο ομαδοποίησης. Ελέγξτε πολλά μηνύματα από κάθε προτεινόμενη ομάδα και όσα βρίσκονται κοντά στο όριό της πριν αποδώσετε ετικέτα αναγνώσιμη από άνθρωπο. Για έλεγχο διπλότυπου περιεχομένου, ανακτήστε παρόμοιες εγγραφές και συγκρίνετε την πραγματική διατύπωσή τους· δύο αποσπάσματα μπορεί να συζητούν το ίδιο θέμα ενώ δίνουν διαφορετικές οδηγίες.
Αυτή η ακριβής έκδοση L12-v2 είναι αγγλικό προφίλ embeddings προτάσεων. Είναι διακριτή από το all-MiniLM-L6-v2 και τα checkpoints paraphrase-MiniLM. Τα κοινά ονόματα οικογένειας δεν μεταφέρουν τη διαμόρφωση ακολουθίας ή τη συνταγή pooling τους. Χρησιμοποιήστε τα συμπαγή πυκνά διανύσματά του μαζί με τις εγγραφές πηγής και αξιολόγηση ειδική για την εργασία αντί να θεωρείτε μια τιμή ομοιότητας επαληθευμένη απάντηση ή τελική συντακτική απόφαση.
POST /v1/embeddingstext, token_idsembedding| Πεδίο | Τύπος | Απαίτηση | Τιμές και όρια | Προεπιλογή |
|---|---|---|---|---|
Πεδίοmodel | Τύποςstring | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια sentence-transformers/all-minilm-l12-v2 | Προεπιλογή— |
Πεδίοinput | Τύποςstring|string[]|integer[]|integer[][] | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια Ελάχιστο πλήθος στοιχείων: 1 Συνθήκες: Μη κενή ομοιογενής παρτίδα. Τα ID των token είναι μη αρνητικοί ακέραιοι. Προϋπολογισμός εισόδου: Μέγιστο: 512 · Μονάδα κειμένου: byte UTF8 · Μονάδα token: στοιχεία πίνακα token | Προεπιλογή— |
Πεδίοencoding_format | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια float | Προεπιλογήfloat |
Πεδίοdimensions | Τύποςinteger | ΑπαίτησηΔεν υποστηρίζεται | Τιμές και όρια Ελάχιστο: 1 | Προεπιλογή— |
Πεδίοuser | Τύποςjson_value | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Συνθήκες: Η πηγή επιτρέπει αυτό το πεδίο μεταδεδομένων JSON· η ακριβής σημασιολογία του ανάντη συστήματος εξαρτάται από το μοντέλο. | Προεπιλογή— |
Πεδίοsession_id | Τύποςjson_value | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Συνθήκες: Η πηγή επιτρέπει αυτό το πεδίο μεταδεδομένων JSON· η ακριβής σημασιολογία του ανάντη συστήματος εξαρτάται από το μοντέλο. | Προεπιλογή— |
Πεδίοtrace | Τύποςjson_value | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Συνθήκες: Η πηγή επιτρέπει αυτό το πεδίο μεταδεδομένων JSON· η ακριβής σημασιολογία του ανάντη συστήματος εξαρτάται από το μοντέλο. | Προεπιλογή— |
Πεδίοprovider | Τύποςobject | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Συνθήκες: Το provider.options απορρίφθηκε | Προεπιλογή— |
text_to_embedding
| Παράμετρος | Σύμβαση |
|---|---|
Παράμετροςcontent_type | Σύμβασηapplication/json |
Παράμετροςrequired | Σύμβασηmodel, input |
Παράμετροςinput_shapes | Σύμβασηstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Παράμετροςencoding_format | Σύμβασηfloat |
Παράμετροςdimensions_override | Σύμβασηfalse |
Παράμετροςmax_input_budget_units | Σύμβαση512 |
Παράμετροςmultimodal_objects | Σύμβασηfalse |
Παράμετροςmaterial_types | Σύμβασηtext, token_ids |
Κύκλος ζωής: synchronous_json
Διατηρήστε τον δείκτη και τη διάσταση κάθε διανύσματος.
Το όνομα πολυτροπικού μοντέλου δεν επιτρέπει αντικείμενα εικόνας σε αυτήν ακριβώς τη διαδρομή.
Οι τιμολογιακές αναφορές δεν προσθέτουν επιλογές αιτήματος. Οι υποστηριζόμενες παράμετροι αναφέρονται στην επιλεγμένη μέθοδο.
| Διαμόρφωση | Πίνακας χρεώσεων | Χρέωση |
|---|---|---|
| ΔιαμόρφωσηΒασικές χρεώσεις ανά token | Πίνακας χρεώσεωνΒασική χρέωση | Χρέωση Είσοδος · Token εισόδου $0.00001 / 1K token Έξοδος · Token εξόδου $0 / 1K token Είσοδος · Ανάγνωση από την κρυφή μνήμη — / 1K token Είσοδος · Εγγραφή στην κρυφή μνήμη — / 1K token Είσοδος · Εγγραφή στην κρυφή μνήμη, 1 ώρα — / 1K token |
Το Ailoot δεσμεύει ένα εκτιμώμενο ποσό πριν από το αίτημα. Μετά το αποτέλεσμα, εκκαθαρίζει την τελική χρέωση βάσει της μετρημένης χρήσης. Η εκκαθάριση ροής χρησιμοποιεί την τελική καταγραφή χρήσης. Πώς λειτουργούν η δέσμευση και η εκκαθάριση →
set -eu\n: "${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
Διατηρήστε κάθε πλήρη απάντηση, αρχείο και τμήμα περιεχομένου που επιστρέφεται.
Διατηρήστε κάθε διάνυσμα με τον δείκτη του. Το πλήθος των διανυσμάτων πρέπει να ισούται με το πλήθος των στοιχείων εισόδου· οι διαστάσεις πρέπει να είναι συνεπείς.
Δεν εισάγεται endpoint εργασιών ενσωμάτωσης.
| Πεδίο | Τύπος |
|---|---|
Πεδίοobject | Τύποςstring |
Πεδίοmodel | Τύποςstring |
Πεδίοdata[].index | Τύποςinteger |
Πεδίοdata[].embedding | Τύποςfinite float[] |
Πεδίοusage | Τύποςobject |
| Απάντηση | Συνθήκη | Επόμενο βήμα |
|---|---|---|
Απάντηση400 · invalid_request_error | ΣυνθήκηΜη έγκυρα υποχρεωτικά πεδία, μη έγκυρη αναπαράσταση υλικού ή μη έγκυρη τιμή παραμέτρου | Επόμενο βήμαΔιορθώστε τα υποδεικνυόμενα πεδία πριν από νέο αίτημα δημιουργίας. |
Ailoot Ultra sentence-transformers/all-minilm-l12-v2
Χρησιμοποιήστε τις διαδρομές μεθόδων που εμφανίζονται παραπάνω.