Sentence Transformers: all-MiniLM-L12-v2

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 auriculares 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.