Source: https://ailoot.ai/models/es/sentence-transformers-paraphrase-minilm-l6-v2/ Canonical: https://ailoot.ai/models/es/sentence-transformers-paraphrase-minilm-l6-v2/ Language: es # Sentence Transformers: paraphrase-MiniLM-L6-v2 [Markdown](https://ailoot.ai/models/es/sentence-transformers-paraphrase-minilm-l6-v2/index.md) · [JSON](https://ailoot.ai/models/es/sentence-transformers-paraphrase-minilm-l6-v2/facts.json) ## [Sentence Transformers: paraphrase-MiniLM-L6-v2](https://ailoot.ai/models/es/sentence-transformers-paraphrase-minilm-l6-v2/) Sentence 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. - [**Ailoot Ultra · Representaciones vectoriales** `POST /v1/embeddings` `sentence-transformers/paraphrase-minilm-l6-v2`](https://ailoot.ai/models/es/sentence-transformers-paraphrase-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. 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. #### Representa el pasaje que quieres comparar 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. #### Mean pooling y uso de vectores 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. #### Entradas cortas en la configuración publicada 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. #### Resultados de búsqueda y agrupación 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. **Ailoot Ultra · Representaciones vectoriales** `POST /v1/embeddings` `sentence-transformers/paraphrase-minilm-l6-v2` [`sentence-transformers/paraphrase-minilm-l6-v2`](https://ailoot.ai/models/es/#m=sentence-transformers%2Fparaphrase-minilm-l6-v2&route=Ultra&caller=sentence-transformers%2Fparaphrase-minilm-l6-v2&fmt=embeddings) Sentence Transformers /`sentence-transformers/paraphrase-minilm-l6-v2` ### Primeros pasos Sentence 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. 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/paraphrase-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/paraphrase-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/paraphrase-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/paraphrase-minilm-l6-v2`](https://ailoot.ai/models/es/#m=sentence-transformers%2Fparaphrase-minilm-l6-v2&route=Ultra&caller=sentence-transformers%2Fparaphrase-minilm-l6-v2&fmt=embeddings) #### Alias de rutas de métodos Usa las rutas de método indicadas arriba. #### ID de modelo relacionados [`sentence-transformers/paraphrase-minilm-l6-v2`](https://ailoot.ai/models/es/#m=sentence-transformers%2Fparaphrase-minilm-l6-v2&route=Ultra&caller=sentence-transformers%2Fparaphrase-minilm-l6-v2&fmt=embeddings) FAQ · Sentence Transformers: paraphrase-MiniLM-L6-v2 ¿Qué entradas y resultados están disponibles? `POST /v1/embeddings` · `sentence-transformers/paraphrase-minilm-l6-v2`: `text`, `token_ids` → `embedding` ¿Qué campos utiliza la solicitud? `POST /v1/embeddings` · `sentence-transformers/paraphrase-minilm-l6-v2`: `model`, `input`, `encoding_format`, `provider` ¿Qué límites se aplican? `POST /v1/embeddings` · `sentence-transformers/paraphrase-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.