Source: https://ailoot.ai/models/es-mx/sentence-transformers-all-minilm-l12-v2/ Canonical: https://ailoot.ai/models/es-mx/sentence-transformers-all-minilm-l12-v2/ Language: es-mx # Sentence Transformers: all-MiniLM-L12-v2 [Markdown](https://ailoot.ai/models/es-mx/sentence-transformers-all-minilm-l12-v2/index.md) · [JSON](https://ailoot.ai/models/es-mx/sentence-transformers-all-minilm-l12-v2/facts.json) ## [Sentence Transformers: all-MiniLM-L12-v2](https://ailoot.ai/models/es-mx/sentence-transformers-all-minilm-l12-v2/) Sentence Transformers all-MiniLM-L12-v2 codifica frases y párrafos cortos en vectores de 384 dimensiones para búsqueda, similaridad y agrupación. Su receta de referencia utiliza mean pooling y normalización, con truncamiento predeterminado a 256 fragmentos de palabra. - [**Ailoot Ultra · Representaciones vectoriales** `POST /v1/embeddings` `sentence-transformers/all-minilm-l12-v2`](https://ailoot.ai/models/es-mx/sentence-transformers-all-minilm-l12-v2/#method-0) Sobre el modelo Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado. all-MiniLM-L12-v2 es un codificador de Sentence Transformers para frases y párrafos cortos. Produce un vector denso de 384 dimensiones por texto para búsqueda semántica, recuperación de información, agrupación y similaridad entre frases. El modelo utiliza la arquitectura base MiniLM-L12-H384-uncased y se ajustó con aprendizaje contrastivo sobre una colección de mil millones de pares de frases. #### Codifica la unidad que quieres recuperar Utiliza una frase o un párrafo corto que exprese una idea útil. Para una colección de descripciones de productos, conserva la característica y la condición que distingue el artículo: «El adaptador conecta unos audífonos con cable a un puerto USB-C» aporta más información que «Accesorio de audio». Guarda el identificador del registro y la descripción original junto a su vector. Una consulta de búsqueda puede compararse después con las descripciones codificadas. Examina los candidatos devueltos respecto a requisitos exactos como el tipo de conector o la compatibilidad con dispositivos antes de presentar una elección final. El vector representa el significado del texto; la aplicación de búsqueda que lo integra recupera los registros correspondientes. #### Mean pooling y vectores normalizados El ejemplo de codificación publicado promedia representaciones de tokens con la máscara de atención, de modo que las posiciones de relleno no contribuyen a la media. Después aplica normalización L2. Estos pasos forman parte de la receta de referencia para obtener el vector de la frase, en lugar de una instrucción para tomar un token arbitrario del transformer subyacente. Mantén coherente la configuración del modelo, pooling y normalización entre los textos indexados y las consultas nuevas. Las representaciones resultantes de 384 componentes pueden compararse mediante similaridad del coseno. Conserva un registro de esa configuración junto con la colección; un codificador distinto de 384 dimensiones no se vuelve compatible simplemente porque sus vectores tengan la misma longitud. #### Longitud de entrada predeterminada y alcance del entrenamiento El fabricante especifica truncamiento predeterminado más allá de 256 fragmentos de palabra, o word pieces. Este es un límite del tokenizador, no una cantidad de palabras o caracteres ordinarios. Para un registro más largo, elige secciones cortas y coherentes y conserva el encabezado o detalle identificativo necesario para interpretar cada una. El procedimiento de entrenamiento del modelo utilizó secuencias de hasta 128 tokens. Ese ajuste de entrenamiento es distinto del valor predeterminado publicado de 256 fragmentos de palabra en la codificación. Un pasaje que cabe en el valor predeterminado aún puede diferir sustancialmente del material de frases cortas utilizado durante el entrenamiento, así que evalúa descripciones largas o especializadas con ejemplos representativos. #### Flujos de similaridad y agrupación Para un conjunto de mensajes de soporte, los embeddings pueden aportar entradas numéricas a una etapa de agrupación. Revisa varios mensajes de cada grupo propuesto y los cercanos a su límite antes de asignar una etiqueta legible para personas. Para revisar contenido duplicado, recupera registros similares y compara su formulación real; dos pasajes pueden hablar del mismo tema y dar instrucciones diferentes. Esta edición exacta L12-v2 es un perfil de embeddings de frases en inglés. Es distinto de all-MiniLM-L6-v2 y de los checkpoints paraphrase-MiniLM. Los nombres de familia compartidos no transfieren su configuración de secuencia ni su receta de pooling. Utiliza sus vectores densos compactos junto con los registros de origen y una evaluación específica de la tarea, en lugar de tratar un valor de similaridad como una respuesta verificada o una decisión editorial final. **Ailoot Ultra · Representaciones vectoriales** `POST /v1/embeddings` `sentence-transformers/all-minilm-l12-v2` [`sentence-transformers/all-minilm-l12-v2`](https://ailoot.ai/models/es-mx/#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` ### Inicio Sentence Transformers all-MiniLM-L12-v2 codifica frases y párrafos cortos en vectores de 384 dimensiones para búsqueda, similaridad y agrupación. Su receta de referencia utiliza mean pooling y normalización, con truncamiento predeterminado a 256 fragmentos de palabra. Entradas aceptadas Texto · token\_ids Resultados embedding ### Disponible en Ailoot · entradas y métodos **Ailoot Ultra · Representaciones vectoriales** `POST /v1/embeddings` Entrada `text`, `token_ids` Salida `embedding` Formato de salida json | Campo | Tipo | Requisito | Valores y límites | Predeterminado | | --- | --- | --- | --- | --- | | Campo`model` | Tipo`string` | RequisitoObligatorio | Valores y límites sentence-transformers/all-minilm-l12-v2 | Predeterminado— | | Campo`input` | Tipo`string\|string[]\|integer[]\|integer[][]` | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 Condiciones: Lote homogéneo no vacío. Los ID de tokens son números enteros no negativos. Presupuesto de entrada: Máximo: 512 · Unidad de texto: bytes UTF8 · Unidad de tokens: elementos de un arreglo de tokens | Predeterminado— | | Campo`encoding_format` | Tipo`string` | RequisitoOpcional | Valores y límites float | Predeterminadofloat | | Campo`dimensions` | Tipo`integer` | RequisitoNo compatible | Valores y límites Mínimo: 1 | Predeterminado— | | Campo`user` | Tipo`json_value` | RequisitoOpcional | Valores y límites Condiciones: La fuente permite este campo metadata de JSON; la semántica exacta en el sistema de origen depende del modelo. | Predeterminado— | | Campo`session_id` | Tipo`json_value` | RequisitoOpcional | Valores y límites Condiciones: La fuente permite este campo metadata de JSON; la semántica exacta en el sistema de origen depende del modelo. | Predeterminado— | | Campo`trace` | Tipo`json_value` | RequisitoOpcional | Valores y límites Condiciones: La fuente permite este campo metadata de JSON; la semántica exacta en el sistema de origen depende del modelo. | Predeterminado— | | Campo`provider` | Tipo`object` | RequisitoOpcional | Valores y límites Condiciones: provider.options rechazado | Predeterminado— | Combinaciones de materiales de entrada **text\_to\_embedding** Parámetros del método y ciclo de vida | Parámetro | Contrato | | --- | --- | | Parámetro`content_type` | Contratoapplication/json | | Parámetro`required` | Contratomodel, input | | Parámetro`input_shapes` | Contratostring, string\[\], nonnegative\_integer\_token\_array, nonnegative\_integer\_token\_array\[\] | | Parámetro`encoding_format` | Contratofloat | | Parámetro`dimensions_override` | Contratofalse | | Parámetro`max_input_budget_units` | Contrato512 | | Parámetro`multimodal_objects` | Contratofalse | | Parámetro`material_types` | Contratotext, token\_ids | Ciclo de vida: `synchronous_json` Conserva todos los índices y dimensiones de los vectores. El nombre de un modelo multimodal no habilita objetos de imagen en esta ruta exacta. ### Tarifas Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado. Modo fast Sin especificar Cuando se selecciona el modo fast Modo flex Sin especificar Cuando se selecciona el modo flex Esfuerzo máximo de razonamiento Sin especificar Cuando el esfuerzo máximo de razonamiento usa el ajuste default #### Tarifas de Ailoot #### Precios por configuración | Configuración | Tabla de tarifas | Cargo | | --- | --- | --- | | ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada **$0.00001** / 1K tokens Salida · Tokens de salida **$0** / 1K tokens Entrada · Lectura de caché **—** / 1K tokens Entrada · Escritura en caché **—** / 1K tokens Entrada · Escritura en caché, 1 hora **—** / 1K tokens | Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. [Cómo funcionan la reserva y la liquidación →](https://ailoot.ai/docs/es-mx/billing/reserve/) ### Solicitudes de ejemplo #### Ailoot Ultra · Representaciones vectoriales curlPython SDK ```bash set -eu : "${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) ``` ### Recibir y guardar resultados #### Ailoot Ultra · Representaciones vectoriales json ##### Conserva todos los resultados completados Conserva todas las respuestas, archivos y partes de contenido completos recibidos. Conserva cada vector con su índice. La cantidad de vectores debe ser igual a la cantidad de entradas; las dimensiones deben ser consistentes. ##### Si es necesario revisar la respuesta original No se incorpora ningún endpoint de tareas de embeddings. Campos de respuesta | Campo | Tipo | | --- | --- | | Campo`object` | Tipostring | | Campo`model` | Tipostring | | Campo`data[].index` | Tipointeger | | Campo`data[].embedding` | Tipofinite float\[\] | | Campo`usage` | Tipoobject | Errores y siguientes pasos | Respuesta | Condición | Siguiente paso | | --- | --- | --- | | Respuesta400 · `invalid_request_error` | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. | ### Alias #### Alias del modelo **Ailoot Ultra** [`sentence-transformers/all-minilm-l12-v2`](https://ailoot.ai/models/es-mx/#m=sentence-transformers%2Fall-minilm-l12-v2&route=Ultra&caller=sentence-transformers%2Fall-minilm-l12-v2&fmt=embeddings) #### Alias de rutas de métodos Usa las rutas de método indicadas arriba. #### ID de modelo relacionados [`sentence-transformers/all-minilm-l12-v2`](https://ailoot.ai/models/es-mx/#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 ¿Qué entradas y resultados están disponibles? `POST /v1/embeddings` · `sentence-transformers/all-minilm-l12-v2`: `text`, `token_ids` → `embedding` ¿Qué campos utiliza la solicitud? `POST /v1/embeddings` · `sentence-transformers/all-minilm-l12-v2`: `model`, `input`, `encoding_format`, `provider` ¿Qué límites se aplican? `POST /v1/embeddings` · `sentence-transformers/all-minilm-l12-v2`: `input.budget.maximum`: `512` (bytes UTF8); `input.min_items`: `1` Conecta Ailoot a Claude Code, OpenCode, Hermes o tu aplicación. ## La empresa y su cartera de proyectos La empresa y su cartera de proyectos: millones de clientes; ventas por miles de millones al mes. ## Compra tokens con descuento. Ahorro por suscripción para trabajo habitual. Códigos promocionales: hasta el 50% al comprar tokens. Suscripción Elige un plan con descuento para tus peticiones habituales. Código de hasta el 50% Introduce el código al comprar. El precio se recalcula según la promoción vigente. Gasto en el historial Modelo, tokens e importe quedan guardados por cada petición. [Elegir suscripción](https://ailoot.ai/docs/es-mx/billing/subscriptions/) · [Consultar precios de modelos](https://ailoot.ai/models/es-mx/) ## Conecta la API al producto que vendes. SaaS, aplicaciones y bots bajo la oferta y el acuerdo de licencia Ailoot. Solicita una licencia de reventa para redistribuir el acceso. Aplicación comercial Integra generación de texto, imágenes, vídeo y sonido en funciones de pago de tu servicio. Licencia para revendedores Envía descripción del proyecto y esquema de acceso. Solicita condiciones escritas de uso y reventa. Documentos en la web La oferta, el acuerdo de licencia y la política de datos están disponibles antes de conectar. [Solicitar licencia de reventa](mailto:support@ailoot.ai) · [Oferta y acuerdo de licencia](https://ailoot.ai/legal/offer?lang=es-mx) ## Ailoot · La empresa y su cartera de proyectos Ailoot se apoya en la experiencia operativa acumulada, una amplia base de clientes, un servicio estable y el seguimiento continuo de KPI. La empresa y su cartera de proyectos: millones de clientes; ventas por miles de millones al mes. Ailoot aplica esa experiencia operativa al acceso por API a funciones de IA en productos de clientes, agentes, aplicaciones y automatizaciones.