paraphrase-MiniLM-L6-v2 es un modelo de embeddings de Sentence Transformers para frases y párrafos cortos. Asigna a cada texto una representación en un espacio vectorial denso de 384 dimensiones, con la búsqueda semántica y la agrupación entre las tareas indicadas por el fabricante. La arquitectura publicada combina un transformer con mean pooling; su longitud de secuencia configurada es de 128 tokens.
Prepara la frase o el párrafo corto real, manteniendo intactos el tema y las condiciones importantes. Una colección práctica puede contener preguntas formuladas de forma diferente o descripciones breves de temas relacionados. Genera el embedding de cada registro y conserva su formulación original y su identificador para que una comparación posterior pueda devolver el propio texto.
Por ejemplo, varias preguntas de ayuda pueden describir la misma dificultad con términos distintos. Una etapa de similaridad puede reunir esas candidatas y después se puede examinar su formulación para identificar el problema real. El embedding es la representación numérica utilizada en esa comparación; no escribe una paráfrasis ni asigna por sí mismo una etiqueta final de grupo.
El ejemplo de codificación directa del fabricante tiene en cuenta la máscara de atención al promediar las representaciones de tokens, excluyendo las posiciones de relleno. Su arquitectura selecciona expresamente mean pooling y no selecciona CLS ni max pooling. Mantén esa receta de pooling junto al modelo al preparar vectores comparables.
Cada representación devuelta tiene 384 componentes. Una etapa de indexación o agrupación trabaja con esos vectores utilizando una configuración de similaridad elegida, mientras que el registro de origen subyacente sigue disponible para revisión. Mantén el mismo modelo, preparación de entrada y ajustes de comparación entre los elementos que se comparan. Otro modelo que devuelva 384 valores no pertenece, solo por esa forma, al mismo espacio de embeddings.
La configuración de referencia de Sentence Transformer utiliza una longitud máxima de secuencia de 128 tokens. Prepara una fuente larga como unidades cortas y coherentes, en lugar de un párrafo demasiado grande. Una frase que contiene una regla puede necesitar la excepción de la frase siguiente; conserva junta esa pequeña unidad cuando quepa. Una cantidad de palabras o caracteres no establece directamente la longitud en tokens.
Para un conjunto de descripciones cortas, conserva los nombres y las propiedades distintivas que importen para la comparación. Un registro que solo contenga una categoría vaga puede ser difícil de separar de otros registros de ese tipo. Guarda la asociación con la fuente fuera del vector, para que una candidata devuelta pueda comprobarse frente al material original.
En búsqueda semántica, representa la consulta y el material del corpus con este mismo modelo y devuelve registros candidatos con su texto de origen. En agrupación, otra etapa forma grupos a partir de los vectores. Examina los registros cercanos al límite de un grupo antes de utilizar la agrupación como una decisión de producto o una etiqueta automática.
La salida útil es una representación compacta de texto corto vinculada a su registro original. Este checkpoint exacto paraphrase-MiniLM-L6-v2 tiene su propia configuración de pooling y secuencia. Las variantes all-MiniLM y paraphrase multilingües son perfiles de modelo separados; su entrenamiento, alcance lingüístico o ajustes de entrada no vienen implícitos en el nombre MiniLM compartido.
", "aboutText": "paraphrase-MiniLM-L6-v2 es un modelo de embeddings de Sentence Transformers para frases y párrafos cortos. Asigna a cada texto una representación en un espacio vectorial denso de 384 dimensiones, con la búsqueda semántica y la agrupación entre las tareas indicadas por el fabricante. La arquitectura publicada combina un transformer con mean pooling; su longitud de secuencia configurada es de 128 tokens.\n\n### Representa el pasaje que quieres comparar\n\nPrepara la frase o el párrafo corto real, manteniendo intactos el tema y las condiciones importantes. Una colección práctica puede contener preguntas formuladas de forma diferente o descripciones breves de temas relacionados. Genera el embedding de cada registro y conserva su formulación original y su identificador para que una comparación posterior pueda devolver el propio texto.\n\nPor ejemplo, varias preguntas de ayuda pueden describir la misma dificultad con términos distintos. Una etapa de similaridad puede reunir esas candidatas y después se puede examinar su formulación para identificar el problema real. El embedding es la representación numérica utilizada en esa comparación; no escribe una paráfrasis ni asigna por sí mismo una etiqueta final de grupo.\n\n### Mean pooling y uso de vectores\n\nEl ejemplo de codificación directa del fabricante tiene en cuenta la máscara de atención al promediar las representaciones de tokens, excluyendo las posiciones de relleno. Su arquitectura selecciona expresamente mean pooling y no selecciona CLS ni max pooling. Mantén esa receta de pooling junto al modelo al preparar vectores comparables.\n\nCada representación devuelta tiene 384 componentes. Una etapa de indexación o agrupación trabaja con esos vectores utilizando una configuración de similaridad elegida, mientras que el registro de origen subyacente sigue disponible para revisión. Mantén el mismo modelo, preparación de entrada y ajustes de comparación entre los elementos que se comparan. Otro modelo que devuelva 384 valores no pertenece, solo por esa forma, al mismo espacio de embeddings.\n\n### Entradas cortas en la configuración publicada\n\nLa configuración de referencia de Sentence Transformer utiliza una longitud máxima de secuencia de 128 tokens. Prepara una fuente larga como unidades cortas y coherentes, en lugar de un párrafo demasiado grande. Una frase que contiene una regla puede necesitar la excepción de la frase siguiente; conserva junta esa pequeña unidad cuando quepa. Una cantidad de palabras o caracteres no establece directamente la longitud en tokens.\n\nPara un conjunto de descripciones cortas, conserva los nombres y las propiedades distintivas que importen para la comparación. Un registro que solo contenga una categoría vaga puede ser difícil de separar de otros registros de ese tipo. Guarda la asociación con la fuente fuera del vector, para que una candidata devuelta pueda comprobarse frente al material original.\n\n### Resultados de búsqueda y agrupación\n\nEn búsqueda semántica, representa la consulta y el material del corpus con este mismo modelo y devuelve registros candidatos con su texto de origen. En agrupación, otra etapa forma grupos a partir de los vectores. Examina los registros cercanos al límite de un grupo antes de utilizar la agrupación como una decisión de producto o una etiqueta automática.\n\nLa salida útil es una representación compacta de texto corto vinculada a su registro original. Este checkpoint exacto paraphrase-MiniLM-L6-v2 tiene su propia configuración de pooling y secuencia. Las variantes all-MiniLM y paraphrase multilingües son perfiles de modelo separados; su entrenamiento, alcance lingüístico o ajustes de entrada no vienen implícitos en el nombre MiniLM compartido.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "438ba726d3981aba4f827e63efd9c609b131f78567a53245b7c33c32f8952ea3", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es", "methods": [ { "html": "sentence-transformers/paraphrase-minilm-l6-v2Sentence Transformers paraphrase-MiniLM-L6-v2 transforma frases y párrafos cortos en vectores de 384 dimensiones para búsqueda semántica y agrupación. Su configuración publicada utiliza mean pooling y un ajuste de secuencia de 128 tokens.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
paraphrase-MiniLM-L6-v2 es un modelo de embeddings de Sentence Transformers para frases y párrafos cortos. Asigna a cada texto una representación en un espacio vectorial denso de 384 dimensiones, con la búsqueda semántica y la agrupación entre las tareas indicadas por el fabricante. La arquitectura publicada combina un transformer con mean pooling; su longitud de secuencia configurada es de 128 tokens.
Prepara la frase o el párrafo corto real, manteniendo intactos el tema y las condiciones importantes. Una colección práctica puede contener preguntas formuladas de forma diferente o descripciones breves de temas relacionados. Genera el embedding de cada registro y conserva su formulación original y su identificador para que una comparación posterior pueda devolver el propio texto.
Por ejemplo, varias preguntas de ayuda pueden describir la misma dificultad con términos distintos. Una etapa de similaridad puede reunir esas candidatas y después se puede examinar su formulación para identificar el problema real. El embedding es la representación numérica utilizada en esa comparación; no escribe una paráfrasis ni asigna por sí mismo una etiqueta final de grupo.
El ejemplo de codificación directa del fabricante tiene en cuenta la máscara de atención al promediar las representaciones de tokens, excluyendo las posiciones de relleno. Su arquitectura selecciona expresamente mean pooling y no selecciona CLS ni max pooling. Mantén esa receta de pooling junto al modelo al preparar vectores comparables.
Cada representación devuelta tiene 384 componentes. Una etapa de indexación o agrupación trabaja con esos vectores utilizando una configuración de similaridad elegida, mientras que el registro de origen subyacente sigue disponible para revisión. Mantén el mismo modelo, preparación de entrada y ajustes de comparación entre los elementos que se comparan. Otro modelo que devuelva 384 valores no pertenece, solo por esa forma, al mismo espacio de embeddings.
La configuración de referencia de Sentence Transformer utiliza una longitud máxima de secuencia de 128 tokens. Prepara una fuente larga como unidades cortas y coherentes, en lugar de un párrafo demasiado grande. Una frase que contiene una regla puede necesitar la excepción de la frase siguiente; conserva junta esa pequeña unidad cuando quepa. Una cantidad de palabras o caracteres no establece directamente la longitud en tokens.
Para un conjunto de descripciones cortas, conserva los nombres y las propiedades distintivas que importen para la comparación. Un registro que solo contenga una categoría vaga puede ser difícil de separar de otros registros de ese tipo. Guarda la asociación con la fuente fuera del vector, para que una candidata devuelta pueda comprobarse frente al material original.
En búsqueda semántica, representa la consulta y el material del corpus con este mismo modelo y devuelve registros candidatos con su texto de origen. En agrupación, otra etapa forma grupos a partir de los vectores. Examina los registros cercanos al límite de un grupo antes de utilizar la agrupación como una decisión de producto o una etiqueta automática.
La salida útil es una representación compacta de texto corto vinculada a su registro original. Este checkpoint exacto paraphrase-MiniLM-L6-v2 tiene su propia configuración de pooling y secuencia. Las variantes all-MiniLM y paraphrase multilingües son perfiles de modelo separados; su entrenamiento, alcance lingüístico o ajustes de entrada no vienen implícitos en el nombre MiniLM compartido.
POST /v1/embeddingstext, token_idsembedding| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites sentence-transformers/paraphrase-minilm-l6-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/paraphrase-minilm-l6-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/paraphrase-minilm-l6-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/paraphrase-minilm-l6-v2
Usa las rutas de método indicadas arriba.