Source: https://ailoot.ai/models/el/sentence-transformers-paraphrase-minilm-l6-v2/
Canonical: https://ailoot.ai/models/el/sentence-transformers-paraphrase-minilm-l6-v2/
Language: el

# Sentence Transformers: paraphrase-MiniLM-L6-v2

[Markdown](https://ailoot.ai/models/el/sentence-transformers-paraphrase-minilm-l6-v2/index.md) · [JSON](https://ailoot.ai/models/el/sentence-transformers-paraphrase-minilm-l6-v2/facts.json)

## [Sentence Transformers: paraphrase-MiniLM-L6-v2](https://ailoot.ai/models/el/sentence-transformers-paraphrase-minilm-l6-v2/)

Το 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.

- [**Ailoot Ultra · Διανυσματικές αναπαραστάσεις** `POST /v1/embeddings` `sentence-transformers/paraphrase-minilm-l6-v2`](https://ailoot.ai/models/el/sentence-transformers-paraphrase-minilm-l6-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 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.

#### Αναπαραστήστε το απόσπασμα που θέλετε να συγκρίνετε

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.

#### Mean pooling και χρήση διανυσμάτων

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.

#### Σύντομες είσοδοι στη δημοσιευμένη διαμόρφωση

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.

#### Αποτελέσματα αναζήτησης και ομαδοποίησης

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.

**Ailoot Ultra · Διανυσματικές αναπαραστάσεις** `POST /v1/embeddings` `sentence-transformers/paraphrase-minilm-l6-v2`

[`sentence-transformers/paraphrase-minilm-l6-v2`](https://ailoot.ai/models/el/#m=sentence-transformers%2Fparaphrase-minilm-l6-v2&route=Ultra&caller=sentence-transformers%2Fparaphrase-minilm-l6-v2&fmt=embeddings)

Sentence Transformers /`sentence-transformers/paraphrase-minilm-l6-v2`

### Εισαγωγή

Το 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.

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/paraphrase-minilm-l6-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/paraphrase-minilm-l6-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/paraphrase-minilm-l6-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/paraphrase-minilm-l6-v2`](https://ailoot.ai/models/el/#m=sentence-transformers%2Fparaphrase-minilm-l6-v2&route=Ultra&caller=sentence-transformers%2Fparaphrase-minilm-l6-v2&fmt=embeddings)

#### Εναλλακτικές διαδρομές μεθόδων

Χρησιμοποιήστε τις διαδρομές μεθόδων που εμφανίζονται παραπάνω.

#### Σχετικά ID μοντέλων

[`sentence-transformers/paraphrase-minilm-l6-v2`](https://ailoot.ai/models/el/#m=sentence-transformers%2Fparaphrase-minilm-l6-v2&route=Ultra&caller=sentence-transformers%2Fparaphrase-minilm-l6-v2&fmt=embeddings)

FAQ · Sentence Transformers: paraphrase-MiniLM-L6-v2

Ποιες είσοδοι και αποτελέσματα διατίθενται;

`POST /v1/embeddings` · `sentence-transformers/paraphrase-minilm-l6-v2`: `text`, `token_ids` → `embedding`

Ποια πεδία χρησιμοποιεί το αίτημα;

`POST /v1/embeddings` · `sentence-transformers/paraphrase-minilm-l6-v2`: `model`, `input`, `encoding_format`, `provider`

Ποια όρια ισχύουν;

`POST /v1/embeddings` · `sentence-transformers/paraphrase-minilm-l6-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.