Το all-MiniLM-L6-v2 είναι κωδικοποιητής προτάσεων και σύντομων παραγράφων του Sentence Transformers. Αντιστοιχίζει κάθε κείμενο σε πυκνό διάνυσμα 384 διαστάσεων για ανάκτηση, ομαδοποίηση και ομοιότητα προτάσεων. Το μοντέλο προσαρμόστηκε με λεπτομερή ρύθμιση από τη βασική αρχιτεκτονική MiniLM-L6-H384-uncased, χρησιμοποιώντας αντιθετική μάθηση σε συλλογή ενός δισεκατομμυρίου ζευγών προτάσεων.
Επιλέξτε την πρόταση ή παράγραφο που πρέπει να εμφανίζεται σε αποτέλεσμα αναζήτησης. Για μια συλλογή συχνών ερωτήσεων, κρατήστε το ερώτημα και τη σύντομη εξήγηση που διακρίνει το θέμα του. Ένα απόσπασμα για επαναφορά ξεχασμένου κωδικού πρόσβασης πρέπει να κρατά τη διαδικασία επαναφοράς αντί να μειώνεται σε μεμονωμένη λέξη όπως «Λογαριασμός».
Για ένα μεγάλο άρθρο, ευρετηριάστε συνεκτικές σύντομες ενότητες και κρατήστε τις θέσεις πηγής τους. Ανακτήστε υποψήφιες ενότητες συγκρίνοντας το διάνυσμα του ερωτήματος με τις αποθηκευμένες αναπαραστάσεις και κατόπιν δείξτε τα αρχικά αποσπάσματα ώστε ο αναγνώστης να εξετάζει τις πραγματικές οδηγίες.
Η συνταγή άμεσης κωδικοποίησης του κατασκευαστή υπολογίζει μέσο όρο αναπαραστάσεων tokens με τη μάσκα προσοχής, αποκλείοντας τις θέσεις padding από τον μέσο όρο. Έπειτα εφαρμόζει κανονικοποίηση L2. Αυτά τα βήματα παράγουν το embedding πρότασης που χρησιμοποιείται για σύγκριση· οι μεμονωμένες αναπαραστάσεις tokens από τον υποκείμενο transformer έχουν διαφορετικό ρόλο.
Κάθε έξοδος έχει 384 συνιστώσες. Χρησιμοποιήστε το ίδιο checkpoint, pooling και κανονικοποίηση όταν κατασκευάζετε τη συλλογή και κωδικοποιείτε μεταγενέστερα ερωτήματα. Η ομοιότητα συνημιτόνου μπορεί να συγκρίνει τα διανύσματα που προκύπτουν. Μια τιμή ομοιότητας είναι χρήσιμη για κατάταξη υποψηφίων υπό αυτή τη ρύθμιση, ενώ το αρχικό κείμενο καθορίζει αν ένας υποψήφιος απαντά στο ερώτημα.
Η δημοσιευμένη προεπιλογή περικόπτει εισόδους μεγαλύτερες από 256 τμήματα λέξεων, ή word pieces. Αυτή η μονάδα του tokenizer δεν αντιστοιχεί άμεσα σε κανονική λέξη ή χαρακτήρα. Κρατήστε σημαντικές συνθήκες μέσα στην ευρετηριασμένη μονάδα και διαιρέστε μια εκτενή διαδικασία σε ουσιαστικά όρια πριν την κωδικοποιήσετε.
Οι ακολουθίες εκπαίδευσης περιορίζονταν στα 128 tokens. Αυτή η ρύθμιση εκπαίδευσης είναι χωριστή από την προεπιλογή 256 τμημάτων λέξεων που χρησιμοποιείται για κωδικοποίηση. Για ασυνήθιστα μεγάλα ή εξειδικευμένα αποσπάσματα, χρησιμοποιήστε αντιπροσωπευτικά παραδείγματα ερωτήματος και αποσπάσματος για να αξιολογήσετε τη συμπεριφορά ανάκτησης αντί να υποθέτετε ότι η τήρηση του ορίου εισόδου εγγυάται ίση αντιμετώπιση κάθε λεπτομέρειας.
Η ακριβής έκδοση L6-v2 είναι αγγλικό προφίλ embeddings. Οι εκδόσεις L12-v2 και paraphrase-MiniLM έχουν χωριστές ταυτότητες και διαμορφώσεις μοντέλων. Το κοινό τους όνομα MiniLM ή η έξοδος 384 διαστάσεων δεν αποδεικνύουν εναλλάξιμα διανύσματα.
Για έλεγχο διπλότυπων ερωτημάτων, ανακτήστε παρόμοια ερωτήματα και συγκρίνετε την πραγματική διατύπωση πριν συγχωνεύσετε εγγραφές. Τα «Μπορώ να επαναφέρω τον κωδικό πρόσβασής μου;» και «Μπορεί ένας διαχειριστής να επαναφέρει τον κωδικό πρόσβασης άλλου χρήστη;» αφορούν σχετικά θέματα αλλά διαφορετικά δικαιώματα. Διατηρήστε αυτή τη διάκριση στο κωδικοποιημένο κείμενο και στο στάδιο ελέγχου.
Για ομαδοποίηση, χρησιμοποιήστε τα embeddings ως αριθμητικές εισόδους μιας διαδικασίας σχηματισμού ομάδων και κατόπιν εξετάστε αντιπροσωπευτικές εγγραφές πριν ονομάσετε μια ομάδα. Αυτό το μοντέλο παρέχει διανύσματα αντί για γραπτές ετικέτες ομάδων ή παραγόμενη απάντηση συχνής ερώτησης. Το χρήσιμο αποτέλεσμά του είναι συμπαγής αναπαράσταση σύντομου αποσπάσματος πηγής που παραμένει συνδεδεμένη με την αρχική εγγραφή.
", "aboutText": "Το all-MiniLM-L6-v2 είναι κωδικοποιητής προτάσεων και σύντομων παραγράφων του Sentence Transformers. Αντιστοιχίζει κάθε κείμενο σε πυκνό διάνυσμα 384 διαστάσεων για ανάκτηση, ομαδοποίηση και ομοιότητα προτάσεων. Το μοντέλο προσαρμόστηκε με λεπτομερή ρύθμιση από τη βασική αρχιτεκτονική MiniLM-L6-H384-uncased, χρησιμοποιώντας αντιθετική μάθηση σε συλλογή ενός δισεκατομμυρίου ζευγών προτάσεων.\n\n### Προετοιμάστε συνοπτικές, ουσιαστικές εγγραφές\n\nΕπιλέξτε την πρόταση ή παράγραφο που πρέπει να εμφανίζεται σε αποτέλεσμα αναζήτησης. Για μια συλλογή συχνών ερωτήσεων, κρατήστε το ερώτημα και τη σύντομη εξήγηση που διακρίνει το θέμα του. Ένα απόσπασμα για επαναφορά ξεχασμένου κωδικού πρόσβασης πρέπει να κρατά τη διαδικασία επαναφοράς αντί να μειώνεται σε μεμονωμένη λέξη όπως «Λογαριασμός».\n\nΓια ένα μεγάλο άρθρο, ευρετηριάστε συνεκτικές σύντομες ενότητες και κρατήστε τις θέσεις πηγής τους. Ανακτήστε υποψήφιες ενότητες συγκρίνοντας το διάνυσμα του ερωτήματος με τις αποθηκευμένες αναπαραστάσεις και κατόπιν δείξτε τα αρχικά αποσπάσματα ώστε ο αναγνώστης να εξετάζει τις πραγματικές οδηγίες.\n\n### Αποκτήστε την αναπαράσταση της πρότασης\n\nΗ συνταγή άμεσης κωδικοποίησης του κατασκευαστή υπολογίζει μέσο όρο αναπαραστάσεων tokens με τη μάσκα προσοχής, αποκλείοντας τις θέσεις padding από τον μέσο όρο. Έπειτα εφαρμόζει κανονικοποίηση L2. Αυτά τα βήματα παράγουν το embedding πρότασης που χρησιμοποιείται για σύγκριση· οι μεμονωμένες αναπαραστάσεις tokens από τον υποκείμενο transformer έχουν διαφορετικό ρόλο.\n\nΚάθε έξοδος έχει 384 συνιστώσες. Χρησιμοποιήστε το ίδιο checkpoint, pooling και κανονικοποίηση όταν κατασκευάζετε τη συλλογή και κωδικοποιείτε μεταγενέστερα ερωτήματα. Η ομοιότητα συνημιτόνου μπορεί να συγκρίνει τα διανύσματα που προκύπτουν. Μια τιμή ομοιότητας είναι χρήσιμη για κατάταξη υποψηφίων υπό αυτή τη ρύθμιση, ενώ το αρχικό κείμενο καθορίζει αν ένας υποψήφιος απαντά στο ερώτημα.\n\n### Όρια μήκους και έκδοσης\n\nΗ δημοσιευμένη προεπιλογή περικόπτει εισόδους μεγαλύτερες από 256 τμήματα λέξεων, ή word pieces. Αυτή η μονάδα του tokenizer δεν αντιστοιχεί άμεσα σε κανονική λέξη ή χαρακτήρα. Κρατήστε σημαντικές συνθήκες μέσα στην ευρετηριασμένη μονάδα και διαιρέστε μια εκτενή διαδικασία σε ουσιαστικά όρια πριν την κωδικοποιήσετε.\n\nΟι ακολουθίες εκπαίδευσης περιορίζονταν στα 128 tokens. Αυτή η ρύθμιση εκπαίδευσης είναι χωριστή από την προεπιλογή 256 τμημάτων λέξεων που χρησιμοποιείται για κωδικοποίηση. Για ασυνήθιστα μεγάλα ή εξειδικευμένα αποσπάσματα, χρησιμοποιήστε αντιπροσωπευτικά παραδείγματα ερωτήματος και αποσπάσματος για να αξιολογήσετε τη συμπεριφορά ανάκτησης αντί να υποθέτετε ότι η τήρηση του ορίου εισόδου εγγυάται ίση αντιμετώπιση κάθε λεπτομέρειας.\n\nΗ ακριβής έκδοση L6-v2 είναι αγγλικό προφίλ embeddings. Οι εκδόσεις L12-v2 και paraphrase-MiniLM έχουν χωριστές ταυτότητες και διαμορφώσεις μοντέλων. Το κοινό τους όνομα MiniLM ή η έξοδος 384 διαστάσεων δεν αποδεικνύουν εναλλάξιμα διανύσματα.\n\n### Αναζήτηση, ομοιότητα και ομαδοποίηση\n\nΓια έλεγχο διπλότυπων ερωτημάτων, ανακτήστε παρόμοια ερωτήματα και συγκρίνετε την πραγματική διατύπωση πριν συγχωνεύσετε εγγραφές. Τα «Μπορώ να επαναφέρω τον κωδικό πρόσβασής μου;» και «Μπορεί ένας διαχειριστής να επαναφέρει τον κωδικό πρόσβασης άλλου χρήστη;» αφορούν σχετικά θέματα αλλά διαφορετικά δικαιώματα. Διατηρήστε αυτή τη διάκριση στο κωδικοποιημένο κείμενο και στο στάδιο ελέγχου.\n\nΓια ομαδοποίηση, χρησιμοποιήστε τα embeddings ως αριθμητικές εισόδους μιας διαδικασίας σχηματισμού ομάδων και κατόπιν εξετάστε αντιπροσωπευτικές εγγραφές πριν ονομάσετε μια ομάδα. Αυτό το μοντέλο παρέχει διανύσματα αντί για γραπτές ετικέτες ομάδων ή παραγόμενη απάντηση συχνής ερώτησης. Το χρήσιμο αποτέλεσμά του είναι συμπαγής αναπαράσταση σύντομου αποσπάσματος πηγής που παραμένει συνδεδεμένη με την αρχική εγγραφή.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "93e9b90b30dba3e5b2924d8b1fb8312d00d1ff8facfba11449993394bc070e76", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "el", "methods": [ { "html": "sentence-transformers/all-minilm-l6-v2Το Sentence Transformers all-MiniLM-L6-v2 αναπαριστά προτάσεις και σύντομες παραγράφους ως διανύσματα 384 διαστάσεων για σημασιολογική αναζήτηση, ομαδοποίηση και ομοιότητα. Η δημοσιευμένη συνταγή του συνδυάζει mean pooling με κανονικοποίηση L2 και προεπιλογή 256 τμημάτων 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-L6-v2 είναι κωδικοποιητής προτάσεων και σύντομων παραγράφων του Sentence Transformers. Αντιστοιχίζει κάθε κείμενο σε πυκνό διάνυσμα 384 διαστάσεων για ανάκτηση, ομαδοποίηση και ομοιότητα προτάσεων. Το μοντέλο προσαρμόστηκε με λεπτομερή ρύθμιση από τη βασική αρχιτεκτονική MiniLM-L6-H384-uncased, χρησιμοποιώντας αντιθετική μάθηση σε συλλογή ενός δισεκατομμυρίου ζευγών προτάσεων.
Επιλέξτε την πρόταση ή παράγραφο που πρέπει να εμφανίζεται σε αποτέλεσμα αναζήτησης. Για μια συλλογή συχνών ερωτήσεων, κρατήστε το ερώτημα και τη σύντομη εξήγηση που διακρίνει το θέμα του. Ένα απόσπασμα για επαναφορά ξεχασμένου κωδικού πρόσβασης πρέπει να κρατά τη διαδικασία επαναφοράς αντί να μειώνεται σε μεμονωμένη λέξη όπως «Λογαριασμός».
Για ένα μεγάλο άρθρο, ευρετηριάστε συνεκτικές σύντομες ενότητες και κρατήστε τις θέσεις πηγής τους. Ανακτήστε υποψήφιες ενότητες συγκρίνοντας το διάνυσμα του ερωτήματος με τις αποθηκευμένες αναπαραστάσεις και κατόπιν δείξτε τα αρχικά αποσπάσματα ώστε ο αναγνώστης να εξετάζει τις πραγματικές οδηγίες.
Η συνταγή άμεσης κωδικοποίησης του κατασκευαστή υπολογίζει μέσο όρο αναπαραστάσεων tokens με τη μάσκα προσοχής, αποκλείοντας τις θέσεις padding από τον μέσο όρο. Έπειτα εφαρμόζει κανονικοποίηση L2. Αυτά τα βήματα παράγουν το embedding πρότασης που χρησιμοποιείται για σύγκριση· οι μεμονωμένες αναπαραστάσεις tokens από τον υποκείμενο transformer έχουν διαφορετικό ρόλο.
Κάθε έξοδος έχει 384 συνιστώσες. Χρησιμοποιήστε το ίδιο checkpoint, pooling και κανονικοποίηση όταν κατασκευάζετε τη συλλογή και κωδικοποιείτε μεταγενέστερα ερωτήματα. Η ομοιότητα συνημιτόνου μπορεί να συγκρίνει τα διανύσματα που προκύπτουν. Μια τιμή ομοιότητας είναι χρήσιμη για κατάταξη υποψηφίων υπό αυτή τη ρύθμιση, ενώ το αρχικό κείμενο καθορίζει αν ένας υποψήφιος απαντά στο ερώτημα.
Η δημοσιευμένη προεπιλογή περικόπτει εισόδους μεγαλύτερες από 256 τμήματα λέξεων, ή word pieces. Αυτή η μονάδα του tokenizer δεν αντιστοιχεί άμεσα σε κανονική λέξη ή χαρακτήρα. Κρατήστε σημαντικές συνθήκες μέσα στην ευρετηριασμένη μονάδα και διαιρέστε μια εκτενή διαδικασία σε ουσιαστικά όρια πριν την κωδικοποιήσετε.
Οι ακολουθίες εκπαίδευσης περιορίζονταν στα 128 tokens. Αυτή η ρύθμιση εκπαίδευσης είναι χωριστή από την προεπιλογή 256 τμημάτων λέξεων που χρησιμοποιείται για κωδικοποίηση. Για ασυνήθιστα μεγάλα ή εξειδικευμένα αποσπάσματα, χρησιμοποιήστε αντιπροσωπευτικά παραδείγματα ερωτήματος και αποσπάσματος για να αξιολογήσετε τη συμπεριφορά ανάκτησης αντί να υποθέτετε ότι η τήρηση του ορίου εισόδου εγγυάται ίση αντιμετώπιση κάθε λεπτομέρειας.
Η ακριβής έκδοση L6-v2 είναι αγγλικό προφίλ embeddings. Οι εκδόσεις L12-v2 και paraphrase-MiniLM έχουν χωριστές ταυτότητες και διαμορφώσεις μοντέλων. Το κοινό τους όνομα MiniLM ή η έξοδος 384 διαστάσεων δεν αποδεικνύουν εναλλάξιμα διανύσματα.
Για έλεγχο διπλότυπων ερωτημάτων, ανακτήστε παρόμοια ερωτήματα και συγκρίνετε την πραγματική διατύπωση πριν συγχωνεύσετε εγγραφές. Τα «Μπορώ να επαναφέρω τον κωδικό πρόσβασής μου;» και «Μπορεί ένας διαχειριστής να επαναφέρει τον κωδικό πρόσβασης άλλου χρήστη;» αφορούν σχετικά θέματα αλλά διαφορετικά δικαιώματα. Διατηρήστε αυτή τη διάκριση στο κωδικοποιημένο κείμενο και στο στάδιο ελέγχου.
Για ομαδοποίηση, χρησιμοποιήστε τα embeddings ως αριθμητικές εισόδους μιας διαδικασίας σχηματισμού ομάδων και κατόπιν εξετάστε αντιπροσωπευτικές εγγραφές πριν ονομάσετε μια ομάδα. Αυτό το μοντέλο παρέχει διανύσματα αντί για γραπτές ετικέτες ομάδων ή παραγόμενη απάντηση συχνής ερώτησης. Το χρήσιμο αποτέλεσμά του είναι συμπαγής αναπαράσταση σύντομου αποσπάσματος πηγής που παραμένει συνδεδεμένη με την αρχική εγγραφή.
POST /v1/embeddingstext, token_idsembedding| Πεδίο | Τύπος | Απαίτηση | Τιμές και όρια | Προεπιλογή |
|---|---|---|---|---|
Πεδίοmodel | Τύποςstring | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια sentence-transformers/all-minilm-l6-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-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
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-l6-v2
Χρησιμοποιήστε τις διαδρομές μεθόδων που εμφανίζονται παραπάνω.