Source: https://ailoot.ai/models/el/sentence-transformers-all-minilm-l12-v2/
Canonical: https://ailoot.ai/models/el/sentence-transformers-all-minilm-l12-v2/
Language: el

# Sentence Transformers: all-MiniLM-L12-v2

[Markdown](https://ailoot.ai/models/el/sentence-transformers-all-minilm-l12-v2/index.md) · [JSON](https://ailoot.ai/models/el/sentence-transformers-all-minilm-l12-v2/facts.json)

## [Sentence Transformers: all-MiniLM-L12-v2](https://ailoot.ai/models/el/sentence-transformers-all-minilm-l12-v2/)

Το 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.

- [**Ailoot Ultra · Διανυσματικές αναπαραστάσεις** `POST /v1/embeddings` `sentence-transformers/all-minilm-l12-v2`](https://ailoot.ai/models/el/sentence-transformers-all-minilm-l12-v2/#method-0)

Σχετικά με το μοντέλο

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.

#### Κωδικοποιήστε τη μονάδα που θέλετε να ανακτήσετε

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.

#### Mean pooling και κανονικοποιημένα διανύσματα

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.

#### Προεπιλεγμένο μήκος εισόδου και εύρος εκπαίδευσης

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.

#### Ροές ομοιότητας και ομαδοποίησης

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.

**Ailoot Ultra · Διανυσματικές αναπαραστάσεις** `POST /v1/embeddings` `sentence-transformers/all-minilm-l12-v2`

[`sentence-transformers/all-minilm-l12-v2`](https://ailoot.ai/models/el/#m=sentence-transformers%2Fall-minilm-l12-v2&route=Ultra&caller=sentence-transformers%2Fall-minilm-l12-v2&fmt=embeddings)

Sentence Transformers /`sentence-transformers/all-minilm-l12-v2`

### Εισαγωγή

Το 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.

Αποδεκτές είσοδοι

Κείμενο · token\_ids

Αποτελέσματα

embedding

### Διαθέσιμα στο Ailoot · είσοδοι και μέθοδοι

**Ailoot Ultra · Διανυσματικές αναπαραστάσεις** `POST /v1/embeddings`

Είσοδος

`text`, `token_ids`

Έξοδος

`embedding`

Μορφή εξόδου

json

| Πεδίο | Τύπος | Απαίτηση | Τιμές και όρια | Προεπιλογή |
| --- | --- | --- | --- | --- |
| Πεδίο`model` | Τύπος`string` | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια sentence-transformers/all-minilm-l12-v2 | Προεπιλογή— |
| Πεδίο`input` | Τύπος`string\|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— |
| Πεδίο`encoding_format` | Τύπος`string` | ΑπαίτησηΠροαιρετικό | Τιμές και όρια float | Προεπιλογήfloat |
| Πεδίο`dimensions` | Τύπος`integer` | ΑπαίτησηΔεν υποστηρίζεται | Τιμές και όρια Ελάχιστο: 1 | Προεπιλογή— |
| Πεδίο`user` | Τύπος`json_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— |
| Πεδίο`session_id` | Τύπος`json_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— |
| Πεδίο`trace` | Τύπος`json_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— |
| Πεδίο`provider` | Τύπος`object` | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Συνθήκες: Το provider.options απορρίφθηκε | Προεπιλογή— |

Συνδυασμοί υλικών εισόδου

**text\_to\_embedding**

Παράμετροι και κύκλος ζωής μεθόδου

| Παράμετρος | Σύμβαση |
| --- | --- |
| Παράμετρος`content_type` | Σύμβασηapplication/json |
| Παράμετρος`required` | Σύμβασηmodel, input |
| Παράμετρος`input_shapes` | Σύμβασηstring, string\[\], nonnegative\_integer\_token\_array, nonnegative\_integer\_token\_array\[\] |
| Παράμετρος`encoding_format` | Σύμβασηfloat |
| Παράμετρος`dimensions_override` | Σύμβασηfalse |
| Παράμετρος`max_input_budget_units` | Σύμβαση512 |
| Παράμετρος`multimodal_objects` | Σύμβασηfalse |
| Παράμετρος`material_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.

### Τιμολόγηση

Οι τιμολογιακές αναφορές δεν προσθέτουν επιλογές αιτήματος. Οι υποστηριζόμενες παράμετροι αναφέρονται στην επιλεγμένη μέθοδο.

Γρήγορη λειτουργία

Δεν έχει οριστεί Όταν επιλέγεται η γρήγορη λειτουργία

Λειτουργία flex

Δεν έχει οριστεί Όταν επιλέγεται η λειτουργία flex

Μέγιστη προσπάθεια συλλογισμού

Δεν έχει οριστεί Όταν η μέγιστη προσπάθεια συλλογισμού χρησιμοποιεί την προσαρμογή default

#### Χρεώσεις Ailoot

#### Τιμές ανά διαμόρφωση

| 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 →](https://ailoot.ai/docs/el/billing/reserve/)

### Παραδείγματα αιτημάτων

#### Ailoot Ultra · Διανυσματικές αναπαραστάσεις

curlPython SDK

```bash
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-l12-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
```

```python
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-l12-v2',input=["First document","Second document"])
print(result)
for item in result.data:print(item.index,item.embedding)
```

### Λήψη και αποθήκευση αποτελεσμάτων

#### Ailoot Ultra · Διανυσματικές αναπαραστάσεις

json

##### Διατηρήστε όλα τα ολοκληρωμένα αποτελέσματα

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.

##### Αν χρειάζεται έλεγχος της αρχικής απάντησης

Δεν εισάγεται endpoint εργασιών ενσωμάτωσης.

Πεδία απάντησης

| Πεδίο | Τύπος |
| --- | --- |
| Πεδίο`object` | Τύποςstring |
| Πεδίο`model` | Τύποςstring |
| Πεδίο`data[].index` | Τύποςinteger |
| Πεδίο`data[].embedding` | Τύποςfinite float\[\] |
| Πεδίο`usage` | Τύποςobject |

Σφάλματα και επόμενα βήματα

| 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. |

### Εναλλακτικά ονόματα

#### Εναλλακτικά ονόματα μοντέλου

**Ailoot Ultra** [`sentence-transformers/all-minilm-l12-v2`](https://ailoot.ai/models/el/#m=sentence-transformers%2Fall-minilm-l12-v2&route=Ultra&caller=sentence-transformers%2Fall-minilm-l12-v2&fmt=embeddings)

#### Εναλλακτικές διαδρομές μεθόδων

Χρησιμοποιήστε τις διαδρομές μεθόδων που εμφανίζονται παραπάνω.

#### Σχετικά ID μοντέλων

[`sentence-transformers/all-minilm-l12-v2`](https://ailoot.ai/models/el/#m=sentence-transformers%2Fall-minilm-l12-v2&route=Ultra&caller=sentence-transformers%2Fall-minilm-l12-v2&fmt=embeddings)

FAQ · Sentence Transformers: all-MiniLM-L12-v2

Ποιες είσοδοι και αποτελέσματα διατίθενται;

`POST /v1/embeddings` · `sentence-transformers/all-minilm-l12-v2`: `text`, `token_ids` → `embedding`

Ποια πεδία χρησιμοποιεί το αίτημα;

`POST /v1/embeddings` · `sentence-transformers/all-minilm-l12-v2`: `model`, `input`, `encoding_format`, `provider`

Ποια όρια ισχύουν;

`POST /v1/embeddings` · `sentence-transformers/all-minilm-l12-v2`: `input.budget.maximum`: `512` (byte UTF8); `input.min_items`: `1`

Συνδέστε το Ailoot με Claude Code, OpenCode, Hermes ή τη δική σας εφαρμογή.

## Η εταιρεία και το χαρτοφυλάκιο έργων της

Η εταιρεία και το χαρτοφυλάκιο έργων της: εκατομμύρια πελάτες· μηνιαίες πωλήσεις δισεκατομμυρίων.

## Αγοράστε token με έκπτωση.

Έκπτωση συνδρομής για τακτική χρήση. Προωθητικοί κωδικοί — έως 50% στην αγορά token.

Συνδρομή

Επιλέξτε πρόγραμμα με έκπτωση για τα τακτικά αιτήματά σας.

Προωθητικός κωδικός έως 50%

Εισαγάγετε τον κωδικό στην αγορά. Η τιμή επανυπολογίζεται σύμφωνα με την ενεργή προσφορά.

Δαπάνες στο ιστορικό

Μοντέλο, token και ποσό αποθηκεύονται για κάθε αίτημα.

[Επιλέξτε συνδρομή](https://ailoot.ai/docs/el/billing/subscriptions/) · [Δείτε τιμές μοντέλων](https://ailoot.ai/models/el/)

## Συνδέστε το API με το προϊόν που πουλάτε.

SaaS, εφαρμογές και bot — σύμφωνα με τη δημόσια προσφορά και τη σύμβαση άδειας χρήσης Ailoot. Για μεταπώληση ζητήστε σχετική άδεια.

Εμπορική εφαρμογή

Ενσωματώστε δημιουργία κειμένου, εικόνων, βίντεο και ήχου στις πληρωμένες λειτουργίες της υπηρεσίας σας.

Άδεια για μεταπωλητή

Στείλτε περιγραφή έργου και τρόπο πρόσβασης. Ζητήστε γραπτούς όρους χρήσης και μεταπώλησης.

Έγγραφα στον ιστότοπο

Δημόσια προσφορά, σύμβαση άδειας χρήσης και πολιτική επεξεργασίας δεδομένων είναι διαθέσιμες πριν τη σύνδεση.

[Ζητήστε άδεια μεταπώλησης](mailto:support@ailoot.ai) · [Δημόσια προσφορά και σύμβαση άδειας χρήσης](https://ailoot.ai/legal/offer?lang=el)

## Ailoot · Η εταιρεία και το χαρτοφυλάκιο έργων της





Η Ailoot στηρίζεται στη συσσωρευμένη λειτουργική εμπειρία, τη μεγάλη πελατειακή βάση, τη σταθερή εξυπηρέτηση και τον συνεχή έλεγχο KPI.





Η εταιρεία και το χαρτοφυλάκιο έργων της: εκατομμύρια πελάτες· μηνιαίες πωλήσεις δισεκατομμυρίων.





Η Ailoot αξιοποιεί αυτή τη λειτουργική εμπειρία για πρόσβαση μέσω API σε λειτουργίες AI στα προϊόντα, τους πράκτορες, τις εφαρμογές και τους αυτοματισμούς των πελατών.