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.
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.
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.
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.
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.
", "aboutText": "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.\n\n### Codifica la unidad que quieres recuperar\n\nUtiliza 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.\n\nUna 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.\n\n### Mean pooling y vectores normalizados\n\nEl 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.\n\nMantén 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.\n\n### Longitud de entrada predeterminada y alcance del entrenamiento\n\nEl 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.\n\nEl 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.\n\n### Flujos de similaridad y agrupación\n\nPara 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.\n\nEsta 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "553484a52ae181bfa8be44ace13c3fde44e79731323fe3e71b27c73db5ba2d21", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es", "methods": [ { "html": "sentence-transformers/all-minilm-l12-v2Sentence 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.
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.
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.
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.
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.
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.
POST /v1/embeddingstext, token_idsembedding| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites sentence-transformers/all-minilm-l12-v2 | Predeterminado— |
Campoinput | Tipostring|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 array de tokens | Predeterminado— |
Campoencoding_format | Tipostring | RequisitoOpcional | Valores y límites float | Predeterminadofloat |
Campodimensions | Tipointeger | RequisitoNo compatible | Valores y límites Mínimo: 1 | Predeterminado— |
Campouser | Tipojson_value | RequisitoOpcional | Valores y límites Condiciones: Source permite este campo de metadatos JSON; su semántica exacta en el proveedor depende de cada modelo. | Predeterminado— |
Camposession_id | Tipojson_value | RequisitoOpcional | Valores y límites Condiciones: Source permite este campo de metadatos JSON; su semántica exacta en el proveedor depende de cada modelo. | Predeterminado— |
Campotrace | Tipojson_value | RequisitoOpcional | Valores y límites Condiciones: Source permite este campo de metadatos JSON; su semántica exacta en el proveedor depende de cada modelo. | Predeterminado— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores y límites Condiciones: provider.options se rechaza | Predeterminado— |
text_to_embedding
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, input |
Parámetroinput_shapes | Contratostring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parámetroencoding_format | Contratofloat |
Parámetrodimensions_override | Contratofalse |
Parámetromax_input_budget_units | Contrato512 |
Parámetromultimodal_objects | Contratofalse |
Parámetromaterial_types | Contratotext, token_ids |
Ciclo de vida: synchronous_json
Conserva todos los índices y dimensiones de los vectores.
Que el modelo tenga un nombre multimodal no permite enviar objetos de imagen por esta ruta concreta.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
| 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 $0 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "sentence-transformers/all-minilm-l12-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/all-minilm-l12-v2',input=["First document","Second document"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\njson
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva cada vector con su índice. El número de vectores debe coincidir con el número de entradas; las dimensiones deben ser coherentes.
No se introduce ningún endpoint de trabajos de embeddings.
| Campo | Tipo |
|---|---|
Campoobject | Tipostring |
Campomodel | Tipostring |
Campodata[].index | Tipointeger |
Campodata[].embedding | Tipofinite float[] |
Campousage | Tipoobject |
| 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. |
Ailoot Ultra sentence-transformers/all-minilm-l12-v2
Usa las rutas de método indicadas arriba.