Source: https://ailoot.ai/models/es/sentence-transformers-all-minilm-l6-v2/ Canonical: https://ailoot.ai/models/es/sentence-transformers-all-minilm-l6-v2/ Language: es # Sentence Transformers: all-MiniLM-L6-v2 [Markdown](https://ailoot.ai/models/es/sentence-transformers-all-minilm-l6-v2/index.md) · [JSON](https://ailoot.ai/models/es/sentence-transformers-all-minilm-l6-v2/facts.json) ## [Sentence Transformers: all-MiniLM-L6-v2](https://ailoot.ai/models/es/sentence-transformers-all-minilm-l6-v2/) Sentence Transformers all-MiniLM-L6-v2 representa frases y párrafos cortos como vectores de 384 dimensiones para búsqueda semántica, agrupación y similaridad. Su receta publicada combina mean pooling con normalización L2 y un valor predeterminado de 256 fragmentos de palabra. - [**Ailoot Ultra · Representaciones vectoriales** `POST /v1/embeddings` `sentence-transformers/all-minilm-l6-v2`](https://ailoot.ai/models/es/sentence-transformers-all-minilm-l6-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-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. **Ailoot Ultra · Representaciones vectoriales** `POST /v1/embeddings` `sentence-transformers/all-minilm-l6-v2` [`sentence-transformers/all-minilm-l6-v2`](https://ailoot.ai/models/es/#m=sentence-transformers%2Fall-minilm-l6-v2&route=Ultra&caller=sentence-transformers%2Fall-minilm-l6-v2&fmt=embeddings) Sentence Transformers /`sentence-transformers/all-minilm-l6-v2` ### Primeros pasos Sentence Transformers all-MiniLM-L6-v2 representa frases y párrafos cortos como vectores de 384 dimensiones para búsqueda semántica, agrupación y similaridad. Su receta publicada combina mean pooling con normalización L2 y un valor predeterminado de 256 fragmentos de palabra. Entradas aceptadas Texto · token\_ids Resultados embedding ### Disponible en Ailoot · entradas y métodos **Ailoot Ultra · Representaciones vectoriales** `POST /v1/embeddings` Tipos de entrada `text`, `token_ids` Tipos de 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-l6-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 array 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: Source permite este campo de metadatos JSON; su semántica exacta en el proveedor depende de cada modelo. | Predeterminado— | | Campo`session_id` | Tipo`json_value` | RequisitoOpcional | Valores y límites Condiciones: Source permite este campo de metadatos JSON; su semántica exacta en el proveedor depende de cada modelo. | Predeterminado— | | Campo`trace` | Tipo`json_value` | RequisitoOpcional | Valores y límites Condiciones: Source permite este campo de metadatos JSON; su semántica exacta en el proveedor depende de cada modelo. | Predeterminado— | | Campo`provider` | Tipo`object` | RequisitoOpcional | Valores y límites Condiciones: provider.options se rechaza | 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. Que el modelo tenga un nombre multimodal no permite enviar objetos de imagen por esta ruta concreta. ### Planes Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado. Modo rápido Sin especificar Cuando se selecciona el modo rápido Modo flex Sin especificar Cuando se selecciona el modo flex Esfuerzo máximo de razonamiento Sin especificar Cuando el esfuerzo máximo de razonamiento utiliza el ajuste predeterminado (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 **$0** / 1K tokens Entrada · Lectura de caché **—** / 1K tokens Entrada · Escritura en caché **—** / 1K tokens Entrada · Escritura en caché, 1 hora **—** / 1K tokens | Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. [Cómo funcionan la reserva y la liquidación →](https://ailoot.ai/docs/es/billing/reserve/) ### Solicitudes de ejemplo #### Ailoot Ultra · Representaciones vectoriales curlPython SDK ```bash set -eu : "${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-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/all-minilm-l6-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. El número de vectores debe coincidir con el número de entradas; las dimensiones deben ser coherentes. ##### Si es necesario revisar la respuesta original No se introduce ningún endpoint de trabajos 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-l6-v2`](https://ailoot.ai/models/es/#m=sentence-transformers%2Fall-minilm-l6-v2&route=Ultra&caller=sentence-transformers%2Fall-minilm-l6-v2&fmt=embeddings) #### Alias de rutas de métodos Usa las rutas de método indicadas arriba. #### ID de modelo relacionados [`sentence-transformers/all-minilm-l6-v2`](https://ailoot.ai/models/es/#m=sentence-transformers%2Fall-minilm-l6-v2&route=Ultra&caller=sentence-transformers%2Fall-minilm-l6-v2&fmt=embeddings) FAQ · Sentence Transformers: all-MiniLM-L6-v2 ¿Qué entradas y resultados están disponibles? `POST /v1/embeddings` · `sentence-transformers/all-minilm-l6-v2`: `text`, `token_ids` → `embedding` ¿Qué campos utiliza la solicitud? `POST /v1/embeddings` · `sentence-transformers/all-minilm-l6-v2`: `model`, `input`, `encoding_format`, `provider` ¿Qué límites se aplican? `POST /v1/embeddings` · `sentence-transformers/all-minilm-l6-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/billing/subscriptions/) · [Consultar precios de modelos](https://ailoot.ai/models/es/) ## 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) ## 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.