Το paraphrase-MiniLM-L6-v2 είναι μοντέλο embeddings του Sentence Transformers για προτάσεις και σύντομες παραγράφους. Αντιστοιχίζει κάθε κείμενο σε πυκνό διανυσματικό χώρο 384 διαστάσεων, με τη σημασιολογική αναζήτηση και την ομαδοποίηση μεταξύ των εργασιών που δηλώνει ο κατασκευαστής. Η δημοσιευμένη αρχιτεκτονική συνδυάζει έναν transformer με mean pooling· το διαμορφωμένο μήκος ακολουθίας είναι 128 tokens.
Προετοιμάστε την πραγματική πρόταση ή σύντομη παράγραφο, διατηρώντας ανέπαφα το θέμα και τις σημαντικές συνθήκες. Μια πρακτική συλλογή μπορεί να περιέχει διαφορετικά διατυπωμένα ερωτήματα ή σύντομες περιγραφές σχετικών θεμάτων. Δημιουργήστε embedding κάθε εγγραφής και κρατήστε την αρχική διατύπωση και το αναγνωριστικό της, ώστε μια μεταγενέστερη σύγκριση να μπορεί να επιστρέφει το ίδιο το κείμενο.
Για παράδειγμα, πολλά ερωτήματα βοήθειας μπορεί να περιγράφουν την ίδια δυσκολία με διαφορετικούς όρους. Ένα στάδιο ομοιότητας μπορεί να φέρνει μαζί αυτούς τους υποψηφίους και στη συνέχεια η διατύπωσή τους μπορεί να εξεταστεί για το πραγματικό ζήτημα. Το embedding είναι η αριθμητική αναπαράσταση που χρησιμοποιείται σε αυτή τη σύγκριση· δεν γράφει παράφραση ούτε αποδίδει από μόνο του τελική ετικέτα ομάδας.
Το παράδειγμα άμεσης κωδικοποίησης του κατασκευαστή λαμβάνει υπόψη τη μάσκα προσοχής κατά τον υπολογισμό μέσου όρου των αναπαραστάσεων tokens, αποκλείοντας τις θέσεις padding. Η αρχιτεκτονική του επιλέγει ρητά mean pooling και δεν επιλέγει CLS ή max pooling. Κρατήστε αυτή τη συνταγή pooling μαζί με το μοντέλο όταν προετοιμάζετε συγκρίσιμα διανύσματα.
Κάθε επιστρεφόμενη αναπαράσταση έχει 384 συνιστώσες. Ένα στάδιο ευρετηρίασης ή ομαδοποίησης εργάζεται με αυτά τα διανύσματα χρησιμοποιώντας επιλεγμένη διαμόρφωση ομοιότητας, ενώ η υποκείμενη εγγραφή πηγής παραμένει διαθέσιμη για έλεγχο. Κρατήστε το ίδιο μοντέλο, προετοιμασία εισόδου και ρυθμίσεις σύγκρισης στα στοιχεία που συγκρίνονται. Ένα άλλο μοντέλο που επιστρέφει 384 τιμές δεν ανήκει, μόνο λόγω αυτού του σχήματος, στον ίδιο χώρο embeddings.
Η διαμόρφωση αναφοράς Sentence Transformer χρησιμοποιεί μέγιστο μήκος ακολουθίας 128 tokens. Προετοιμάστε μια μεγάλη πηγή ως σύντομες συνεκτικές μονάδες αντί για μία υπερμεγέθη παράγραφο. Μια πρόταση που περιέχει κανόνα μπορεί να χρειάζεται την εξαίρεση της επόμενης πρότασης· κρατήστε μαζί αυτή τη μικρή μονάδα όταν χωρά. Μια καταμέτρηση λέξεων ή χαρακτήρων δεν προσδιορίζει άμεσα το μήκος σε tokens.
Για ένα σύνολο σύντομων περιγραφών, διατηρήστε ονόματα και διακριτικές ιδιότητες που έχουν σημασία για τη σύγκριση. Μια εγγραφή που περιέχει μόνο αόριστη κατηγορία μπορεί να είναι δύσκολο να διαχωριστεί από άλλες εγγραφές αυτού του τύπου. Αποθηκεύστε τη συσχέτιση πηγής έξω από το διάνυσμα, ώστε ένας επιστρεφόμενος υποψήφιος να μπορεί να ελεγχθεί ως προς το αρχικό υλικό.
Στη σημασιολογική αναζήτηση, αναπαραστήστε το ερώτημα και το υλικό του corpus με αυτό το ίδιο μοντέλο και επιστρέψτε υποψήφιες εγγραφές με το κείμενο πηγής τους. Στην ομαδοποίηση, άλλο στάδιο σχηματίζει ομάδες από τα διανύσματα. Εξετάστε τις εγγραφές κοντά στο όριο μιας ομάδας πριν χρησιμοποιήσετε την ομαδοποίηση ως απόφαση προϊόντος ή αυτόματη ετικέτα.
Η χρήσιμη έξοδος είναι συμπαγής αναπαράσταση σύντομου κειμένου συνδεδεμένη με την αρχική εγγραφή του. Αυτό το ακριβές checkpoint paraphrase-MiniLM-L6-v2 έχει τη δική του διαμόρφωση pooling και ακολουθίας. Οι παραλλαγές all-MiniLM και multilingual paraphrase είναι χωριστά προφίλ μοντέλων· η εκπαίδευση, το γλωσσικό εύρος ή οι ρυθμίσεις εισόδου τους δεν υπονοούνται από το κοινό όνομα MiniLM.
", "aboutText": "Το paraphrase-MiniLM-L6-v2 είναι μοντέλο embeddings του Sentence Transformers για προτάσεις και σύντομες παραγράφους. Αντιστοιχίζει κάθε κείμενο σε πυκνό διανυσματικό χώρο 384 διαστάσεων, με τη σημασιολογική αναζήτηση και την ομαδοποίηση μεταξύ των εργασιών που δηλώνει ο κατασκευαστής. Η δημοσιευμένη αρχιτεκτονική συνδυάζει έναν transformer με mean pooling· το διαμορφωμένο μήκος ακολουθίας είναι 128 tokens.\n\n### Αναπαραστήστε το απόσπασμα που θέλετε να συγκρίνετε\n\nΠροετοιμάστε την πραγματική πρόταση ή σύντομη παράγραφο, διατηρώντας ανέπαφα το θέμα και τις σημαντικές συνθήκες. Μια πρακτική συλλογή μπορεί να περιέχει διαφορετικά διατυπωμένα ερωτήματα ή σύντομες περιγραφές σχετικών θεμάτων. Δημιουργήστε embedding κάθε εγγραφής και κρατήστε την αρχική διατύπωση και το αναγνωριστικό της, ώστε μια μεταγενέστερη σύγκριση να μπορεί να επιστρέφει το ίδιο το κείμενο.\n\nΓια παράδειγμα, πολλά ερωτήματα βοήθειας μπορεί να περιγράφουν την ίδια δυσκολία με διαφορετικούς όρους. Ένα στάδιο ομοιότητας μπορεί να φέρνει μαζί αυτούς τους υποψηφίους και στη συνέχεια η διατύπωσή τους μπορεί να εξεταστεί για το πραγματικό ζήτημα. Το embedding είναι η αριθμητική αναπαράσταση που χρησιμοποιείται σε αυτή τη σύγκριση· δεν γράφει παράφραση ούτε αποδίδει από μόνο του τελική ετικέτα ομάδας.\n\n### Mean pooling και χρήση διανυσμάτων\n\nΤο παράδειγμα άμεσης κωδικοποίησης του κατασκευαστή λαμβάνει υπόψη τη μάσκα προσοχής κατά τον υπολογισμό μέσου όρου των αναπαραστάσεων tokens, αποκλείοντας τις θέσεις padding. Η αρχιτεκτονική του επιλέγει ρητά mean pooling και δεν επιλέγει CLS ή max pooling. Κρατήστε αυτή τη συνταγή pooling μαζί με το μοντέλο όταν προετοιμάζετε συγκρίσιμα διανύσματα.\n\nΚάθε επιστρεφόμενη αναπαράσταση έχει 384 συνιστώσες. Ένα στάδιο ευρετηρίασης ή ομαδοποίησης εργάζεται με αυτά τα διανύσματα χρησιμοποιώντας επιλεγμένη διαμόρφωση ομοιότητας, ενώ η υποκείμενη εγγραφή πηγής παραμένει διαθέσιμη για έλεγχο. Κρατήστε το ίδιο μοντέλο, προετοιμασία εισόδου και ρυθμίσεις σύγκρισης στα στοιχεία που συγκρίνονται. Ένα άλλο μοντέλο που επιστρέφει 384 τιμές δεν ανήκει, μόνο λόγω αυτού του σχήματος, στον ίδιο χώρο embeddings.\n\n### Σύντομες είσοδοι στη δημοσιευμένη διαμόρφωση\n\nΗ διαμόρφωση αναφοράς Sentence Transformer χρησιμοποιεί μέγιστο μήκος ακολουθίας 128 tokens. Προετοιμάστε μια μεγάλη πηγή ως σύντομες συνεκτικές μονάδες αντί για μία υπερμεγέθη παράγραφο. Μια πρόταση που περιέχει κανόνα μπορεί να χρειάζεται την εξαίρεση της επόμενης πρότασης· κρατήστε μαζί αυτή τη μικρή μονάδα όταν χωρά. Μια καταμέτρηση λέξεων ή χαρακτήρων δεν προσδιορίζει άμεσα το μήκος σε tokens.\n\nΓια ένα σύνολο σύντομων περιγραφών, διατηρήστε ονόματα και διακριτικές ιδιότητες που έχουν σημασία για τη σύγκριση. Μια εγγραφή που περιέχει μόνο αόριστη κατηγορία μπορεί να είναι δύσκολο να διαχωριστεί από άλλες εγγραφές αυτού του τύπου. Αποθηκεύστε τη συσχέτιση πηγής έξω από το διάνυσμα, ώστε ένας επιστρεφόμενος υποψήφιος να μπορεί να ελεγχθεί ως προς το αρχικό υλικό.\n\n### Αποτελέσματα αναζήτησης και ομαδοποίησης\n\nΣτη σημασιολογική αναζήτηση, αναπαραστήστε το ερώτημα και το υλικό του corpus με αυτό το ίδιο μοντέλο και επιστρέψτε υποψήφιες εγγραφές με το κείμενο πηγής τους. Στην ομαδοποίηση, άλλο στάδιο σχηματίζει ομάδες από τα διανύσματα. Εξετάστε τις εγγραφές κοντά στο όριο μιας ομάδας πριν χρησιμοποιήσετε την ομαδοποίηση ως απόφαση προϊόντος ή αυτόματη ετικέτα.\n\nΗ χρήσιμη έξοδος είναι συμπαγής αναπαράσταση σύντομου κειμένου συνδεδεμένη με την αρχική εγγραφή του. Αυτό το ακριβές checkpoint paraphrase-MiniLM-L6-v2 έχει τη δική του διαμόρφωση pooling και ακολουθίας. Οι παραλλαγές all-MiniLM και multilingual paraphrase είναι χωριστά προφίλ μοντέλων· η εκπαίδευση, το γλωσσικό εύρος ή οι ρυθμίσεις εισόδου τους δεν υπονοούνται από το κοινό όνομα MiniLM.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "83ed4076205e4bbcaaec901bc029e46f47b695bb52c0f7cb5093490c422a6894", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "el", "methods": [ { "html": "sentence-transformers/paraphrase-minilm-l6-v2Το Sentence Transformers paraphrase-MiniLM-L6-v2 αντιστοιχίζει προτάσεις και σύντομες παραγράφους σε διανύσματα 384 διαστάσεων για σημασιολογική αναζήτηση και ομαδοποίηση. Η δημοσιευμένη διαμόρφωσή του χρησιμοποιεί mean pooling και ρύθμιση ακολουθίας 128 tokens.
Αυτή η περιγραφή καλύπτει τις δυνατότητες του μοντέλου. Οι είσοδοι, έξοδοι και επιλογές που διατίθενται στο Ailoot παρατίθενται παρακάτω για την επιλεγμένη μέθοδο.
Το paraphrase-MiniLM-L6-v2 είναι μοντέλο embeddings του Sentence Transformers για προτάσεις και σύντομες παραγράφους. Αντιστοιχίζει κάθε κείμενο σε πυκνό διανυσματικό χώρο 384 διαστάσεων, με τη σημασιολογική αναζήτηση και την ομαδοποίηση μεταξύ των εργασιών που δηλώνει ο κατασκευαστής. Η δημοσιευμένη αρχιτεκτονική συνδυάζει έναν transformer με mean pooling· το διαμορφωμένο μήκος ακολουθίας είναι 128 tokens.
Προετοιμάστε την πραγματική πρόταση ή σύντομη παράγραφο, διατηρώντας ανέπαφα το θέμα και τις σημαντικές συνθήκες. Μια πρακτική συλλογή μπορεί να περιέχει διαφορετικά διατυπωμένα ερωτήματα ή σύντομες περιγραφές σχετικών θεμάτων. Δημιουργήστε embedding κάθε εγγραφής και κρατήστε την αρχική διατύπωση και το αναγνωριστικό της, ώστε μια μεταγενέστερη σύγκριση να μπορεί να επιστρέφει το ίδιο το κείμενο.
Για παράδειγμα, πολλά ερωτήματα βοήθειας μπορεί να περιγράφουν την ίδια δυσκολία με διαφορετικούς όρους. Ένα στάδιο ομοιότητας μπορεί να φέρνει μαζί αυτούς τους υποψηφίους και στη συνέχεια η διατύπωσή τους μπορεί να εξεταστεί για το πραγματικό ζήτημα. Το embedding είναι η αριθμητική αναπαράσταση που χρησιμοποιείται σε αυτή τη σύγκριση· δεν γράφει παράφραση ούτε αποδίδει από μόνο του τελική ετικέτα ομάδας.
Το παράδειγμα άμεσης κωδικοποίησης του κατασκευαστή λαμβάνει υπόψη τη μάσκα προσοχής κατά τον υπολογισμό μέσου όρου των αναπαραστάσεων tokens, αποκλείοντας τις θέσεις padding. Η αρχιτεκτονική του επιλέγει ρητά mean pooling και δεν επιλέγει CLS ή max pooling. Κρατήστε αυτή τη συνταγή pooling μαζί με το μοντέλο όταν προετοιμάζετε συγκρίσιμα διανύσματα.
Κάθε επιστρεφόμενη αναπαράσταση έχει 384 συνιστώσες. Ένα στάδιο ευρετηρίασης ή ομαδοποίησης εργάζεται με αυτά τα διανύσματα χρησιμοποιώντας επιλεγμένη διαμόρφωση ομοιότητας, ενώ η υποκείμενη εγγραφή πηγής παραμένει διαθέσιμη για έλεγχο. Κρατήστε το ίδιο μοντέλο, προετοιμασία εισόδου και ρυθμίσεις σύγκρισης στα στοιχεία που συγκρίνονται. Ένα άλλο μοντέλο που επιστρέφει 384 τιμές δεν ανήκει, μόνο λόγω αυτού του σχήματος, στον ίδιο χώρο embeddings.
Η διαμόρφωση αναφοράς Sentence Transformer χρησιμοποιεί μέγιστο μήκος ακολουθίας 128 tokens. Προετοιμάστε μια μεγάλη πηγή ως σύντομες συνεκτικές μονάδες αντί για μία υπερμεγέθη παράγραφο. Μια πρόταση που περιέχει κανόνα μπορεί να χρειάζεται την εξαίρεση της επόμενης πρότασης· κρατήστε μαζί αυτή τη μικρή μονάδα όταν χωρά. Μια καταμέτρηση λέξεων ή χαρακτήρων δεν προσδιορίζει άμεσα το μήκος σε tokens.
Για ένα σύνολο σύντομων περιγραφών, διατηρήστε ονόματα και διακριτικές ιδιότητες που έχουν σημασία για τη σύγκριση. Μια εγγραφή που περιέχει μόνο αόριστη κατηγορία μπορεί να είναι δύσκολο να διαχωριστεί από άλλες εγγραφές αυτού του τύπου. Αποθηκεύστε τη συσχέτιση πηγής έξω από το διάνυσμα, ώστε ένας επιστρεφόμενος υποψήφιος να μπορεί να ελεγχθεί ως προς το αρχικό υλικό.
Στη σημασιολογική αναζήτηση, αναπαραστήστε το ερώτημα και το υλικό του corpus με αυτό το ίδιο μοντέλο και επιστρέψτε υποψήφιες εγγραφές με το κείμενο πηγής τους. Στην ομαδοποίηση, άλλο στάδιο σχηματίζει ομάδες από τα διανύσματα. Εξετάστε τις εγγραφές κοντά στο όριο μιας ομάδας πριν χρησιμοποιήσετε την ομαδοποίηση ως απόφαση προϊόντος ή αυτόματη ετικέτα.
Η χρήσιμη έξοδος είναι συμπαγής αναπαράσταση σύντομου κειμένου συνδεδεμένη με την αρχική εγγραφή του. Αυτό το ακριβές checkpoint paraphrase-MiniLM-L6-v2 έχει τη δική του διαμόρφωση pooling και ακολουθίας. Οι παραλλαγές all-MiniLM και multilingual paraphrase είναι χωριστά προφίλ μοντέλων· η εκπαίδευση, το γλωσσικό εύρος ή οι ρυθμίσεις εισόδου τους δεν υπονοούνται από το κοινό όνομα MiniLM.
POST /v1/embeddingstext, token_idsembedding| Πεδίο | Τύπος | Απαίτηση | Τιμές και όρια | Προεπιλογή |
|---|---|---|---|---|
Πεδίοmodel | Τύποςstring | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια sentence-transformers/paraphrase-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/paraphrase-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/paraphrase-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/paraphrase-minilm-l6-v2
Χρησιμοποιήστε τις διαδρομές μεθόδων που εμφανίζονται παραπάνω.