Sentence Transformers: all-MiniLM-L6-v2

all-MiniLM-L6-v2 es un codificador de frases y párrafos cortos de Sentence Transformers. Asigna a cada texto un vector denso de 384 dimensiones para recuperación, agrupación y similaridad entre frases. El modelo se ajustó a partir de la arquitectura base MiniLM-L6-H384-uncased utilizando aprendizaje contrastivo sobre una colección de mil millones de pares de frases.

Prepara registros concisos y significativos

Elige la frase o el párrafo que deba aparecer en un resultado de búsqueda. Para una colección de preguntas frecuentes, conserva la pregunta y la explicación corta que distingue su tema. Un pasaje sobre restablecer una contraseña olvidada debe mantener el procedimiento de restablecimiento, en lugar de reducirse a una palabra aislada como «Cuenta».

Para un artículo largo, indexa secciones cortas y coherentes y conserva sus ubicaciones de origen. Recupera secciones candidatas comparando el vector de la consulta con las representaciones almacenadas y después muestra los pasajes originales para que el lector pueda examinar las instrucciones reales.

Obtén la representación de la frase

La receta de codificación directa del fabricante promedia representaciones de tokens con la máscara de atención, excluyendo las posiciones de relleno de la media. Después aplica normalización L2. Esos pasos producen el embedding de frase utilizado para la comparación; las representaciones individuales de tokens del transformer subyacente tienen una función distinta.

Cada salida tiene 384 componentes. Utiliza el mismo checkpoint, pooling y normalización al construir la colección y codificar consultas posteriores. La similaridad del coseno puede comparar los vectores resultantes. Un valor de similaridad es útil para ordenar candidatos con esa configuración, mientras que el texto original determina si un candidato responde a la pregunta.

Límites de longitud y edición

El valor predeterminado publicado trunca las entradas que superan 256 fragmentos de palabra, o word pieces. Esta unidad del tokenizador no corresponde directamente a una palabra o carácter normal. Mantén las condiciones importantes dentro de la unidad indexada y divide un procedimiento extenso en límites significativos antes de codificarlo.

Las secuencias de entrenamiento se limitaron a 128 tokens. Ese ajuste de entrenamiento es distinto del valor predeterminado de 256 fragmentos de palabra utilizado para codificación. Para pasajes excepcionalmente largos o especializados, utiliza ejemplos representativos de consulta y pasaje para evaluar el comportamiento de recuperación, en lugar de suponer que caber dentro del límite de entrada garantiza el mismo tratamiento de cada detalle.

La edición exacta L6-v2 es un perfil de embeddings en inglés. Las ediciones L12-v2 y paraphrase-MiniLM tienen identidades y configuraciones de modelo separadas. Su nombre MiniLM compartido o su salida de 384 dimensiones no establece vectores intercambiables.

Búsqueda, similaridad y agrupación

Para revisar preguntas duplicadas, recupera preguntas similares y compara la formulación real antes de fusionar registros. «¿Puedo restablecer mi contraseña?» y «¿Puede un administrador restablecer la contraseña de otro usuario?» tratan temas relacionados, pero permisos diferentes. Conserva esa distinción en el texto codificado y en la etapa de revisión.

Para agrupación, utiliza los embeddings como entradas numéricas de un proceso de formación de grupos y después examina registros representativos antes de nombrar un grupo. Este modelo aporta vectores, en lugar de etiquetas escritas de grupos o una respuesta generada de preguntas frecuentes. Su resultado útil es una representación compacta de un pasaje corto de origen que sigue vinculado al registro original.