all-MiniLM-L12-v2 est un encodeur de phrases et de courts paragraphes de Sentence Transformers. Il produit un vecteur dense de 384 dimensions par texte pour la recherche sémantique, la recherche d’information, le regroupement et la similarité entre phrases. Le modèle utilise l’architecture MiniLM-L12-H384-uncased et a été ajusté par apprentissage contrastif sur une collection d’un milliard de paires de phrases.
Utilisez une phrase ou un court paragraphe exprimant une idée utile. Pour une collection de descriptions produit, gardez la fonctionnalité et la condition qui distinguent l’article : « The adapter connects a wired headset to a USB-C port » est plus informatif que « Audio accessory ». Stockez l’identifiant de l’enregistrement et la description d’origine avec son vecteur.
Une requête de recherche peut ensuite être comparée aux descriptions encodées. Examinez les candidats renvoyés pour vérifier les exigences exactes, telles que le type de connecteur ou la compatibilité avec l’appareil, avant de présenter un choix définitif. Le vecteur représente le sens du texte ; l’application de recherche environnante retrouve les enregistrements correspondants.
L’exemple d’encodage publié calcule la moyenne des représentations des tokens avec le masque d’attention, afin que les positions de remplissage ne contribuent pas à la moyenne. Il applique ensuite une normalisation L2. Ces étapes font partie de la recette de référence pour obtenir le vecteur de phrase ; elles ne constituent pas une instruction de prendre un token arbitraire du transformer sous-jacent.
Gardez une configuration cohérente de modèle, d’agrégation et de normalisation entre les textes indexés et les nouvelles requêtes. Les représentations obtenues de 384 composantes peuvent être comparées par similarité cosinus. Conservez une trace de cette configuration avec la collection ; un autre encodeur de 384 dimensions ne devient pas compatible du seul fait que ses vecteurs ont la même longueur.
Le fabricant spécifie une troncature par défaut au-delà de 256 sous-unités de mots. Il s’agit d’une limite du tokenizer, plutôt que d’un nombre de mots ordinaires ou de caractères. Pour un enregistrement plus long, choisissez des sections courtes et cohérentes et préservez le titre ou le détail d’identification nécessaire à l’interprétation de chacune.
La procédure d’entraînement du modèle utilisait des séquences pouvant atteindre 128 tokens. Ce réglage d’entraînement est distinct du réglage par défaut publié de 256 sous-unités de mots au moment de l’encodage. Un passage qui tient dans la limite par défaut peut néanmoins différer sensiblement des phrases courtes utilisées à l’entraînement ; évaluez donc les descriptions longues ou spécialisées à partir d’exemples représentatifs.
Pour un ensemble de messages d’assistance, les plongements peuvent fournir des entrées numériques à une étape de regroupement. Vérifiez plusieurs messages de chaque groupe proposé, ainsi que ceux proches de sa frontière, avant d’attribuer un libellé lisible par une personne. Pour la vérification de contenus en double, retrouvez des enregistrements similaires et comparez leur formulation réelle ; deux passages peuvent traiter du même sujet tout en donnant des instructions différentes.
Cette édition exacte L12-v2 est un profil anglophone de plongement de phrases. Elle est distincte d’all-MiniLM-L6-v2 et des versions paraphrase-MiniLM. Des noms de famille partagés ne transfèrent pas leur configuration de séquence ni leur recette d’agrégation. Utilisez ses vecteurs denses compacts avec les enregistrements sources et une évaluation propre à la tâche, plutôt que de traiter une valeur de similarité comme une réponse vérifiée ou une décision éditoriale définitive.
", "aboutText": "all-MiniLM-L12-v2 est un encodeur de phrases et de courts paragraphes de Sentence Transformers. Il produit un vecteur dense de 384 dimensions par texte pour la recherche sémantique, la recherche d’information, le regroupement et la similarité entre phrases. Le modèle utilise l’architecture MiniLM-L12-H384-uncased et a été ajusté par apprentissage contrastif sur une collection d’un milliard de paires de phrases.\n\n### Encoder l’unité à retrouver\n\nUtilisez une phrase ou un court paragraphe exprimant une idée utile. Pour une collection de descriptions produit, gardez la fonctionnalité et la condition qui distinguent l’article : « The adapter connects a wired headset to a USB-C port » est plus informatif que « Audio accessory ». Stockez l’identifiant de l’enregistrement et la description d’origine avec son vecteur.\n\nUne requête de recherche peut ensuite être comparée aux descriptions encodées. Examinez les candidats renvoyés pour vérifier les exigences exactes, telles que le type de connecteur ou la compatibilité avec l’appareil, avant de présenter un choix définitif. Le vecteur représente le sens du texte ; l’application de recherche environnante retrouve les enregistrements correspondants.\n\n### Agrégation par moyenne et vecteurs normalisés\n\nL’exemple d’encodage publié calcule la moyenne des représentations des tokens avec le masque d’attention, afin que les positions de remplissage ne contribuent pas à la moyenne. Il applique ensuite une normalisation L2. Ces étapes font partie de la recette de référence pour obtenir le vecteur de phrase ; elles ne constituent pas une instruction de prendre un token arbitraire du transformer sous-jacent.\n\nGardez une configuration cohérente de modèle, d’agrégation et de normalisation entre les textes indexés et les nouvelles requêtes. Les représentations obtenues de 384 composantes peuvent être comparées par similarité cosinus. Conservez une trace de cette configuration avec la collection ; un autre encodeur de 384 dimensions ne devient pas compatible du seul fait que ses vecteurs ont la même longueur.\n\n### Longueur d’entrée par défaut et périmètre d’entraînement\n\nLe fabricant spécifie une troncature par défaut au-delà de 256 sous-unités de mots. Il s’agit d’une limite du tokenizer, plutôt que d’un nombre de mots ordinaires ou de caractères. Pour un enregistrement plus long, choisissez des sections courtes et cohérentes et préservez le titre ou le détail d’identification nécessaire à l’interprétation de chacune.\n\nLa procédure d’entraînement du modèle utilisait des séquences pouvant atteindre 128 tokens. Ce réglage d’entraînement est distinct du réglage par défaut publié de 256 sous-unités de mots au moment de l’encodage. Un passage qui tient dans la limite par défaut peut néanmoins différer sensiblement des phrases courtes utilisées à l’entraînement ; évaluez donc les descriptions longues ou spécialisées à partir d’exemples représentatifs.\n\n### Processus de similarité et de regroupement\n\nPour un ensemble de messages d’assistance, les plongements peuvent fournir des entrées numériques à une étape de regroupement. Vérifiez plusieurs messages de chaque groupe proposé, ainsi que ceux proches de sa frontière, avant d’attribuer un libellé lisible par une personne. Pour la vérification de contenus en double, retrouvez des enregistrements similaires et comparez leur formulation réelle ; deux passages peuvent traiter du même sujet tout en donnant des instructions différentes.\n\nCette édition exacte L12-v2 est un profil anglophone de plongement de phrases. Elle est distincte d’all-MiniLM-L6-v2 et des versions paraphrase-MiniLM. Des noms de famille partagés ne transfèrent pas leur configuration de séquence ni leur recette d’agrégation. Utilisez ses vecteurs denses compacts avec les enregistrements sources et une évaluation propre à la tâche, plutôt que de traiter une valeur de similarité comme une réponse vérifiée ou une décision éditoriale définitive.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "3311192a70f7664ebb8994dcd3968d47edd431ed492c86e36280b3182b9a6b35", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-be", "methods": [ { "html": "sentence-transformers/all-minilm-l12-v2Sentence Transformers all-MiniLM-L12-v2 encode des phrases et de courts paragraphes en vecteurs de 384 dimensions pour la recherche, la similarité et le regroupement. Sa recette de référence utilise une agrégation par moyenne et une normalisation, avec une troncature par défaut à 256 sous-unités de mots.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
all-MiniLM-L12-v2 est un encodeur de phrases et de courts paragraphes de Sentence Transformers. Il produit un vecteur dense de 384 dimensions par texte pour la recherche sémantique, la recherche d’information, le regroupement et la similarité entre phrases. Le modèle utilise l’architecture MiniLM-L12-H384-uncased et a été ajusté par apprentissage contrastif sur une collection d’un milliard de paires de phrases.
Utilisez une phrase ou un court paragraphe exprimant une idée utile. Pour une collection de descriptions produit, gardez la fonctionnalité et la condition qui distinguent l’article : « The adapter connects a wired headset to a USB-C port » est plus informatif que « Audio accessory ». Stockez l’identifiant de l’enregistrement et la description d’origine avec son vecteur.
Une requête de recherche peut ensuite être comparée aux descriptions encodées. Examinez les candidats renvoyés pour vérifier les exigences exactes, telles que le type de connecteur ou la compatibilité avec l’appareil, avant de présenter un choix définitif. Le vecteur représente le sens du texte ; l’application de recherche environnante retrouve les enregistrements correspondants.
L’exemple d’encodage publié calcule la moyenne des représentations des tokens avec le masque d’attention, afin que les positions de remplissage ne contribuent pas à la moyenne. Il applique ensuite une normalisation L2. Ces étapes font partie de la recette de référence pour obtenir le vecteur de phrase ; elles ne constituent pas une instruction de prendre un token arbitraire du transformer sous-jacent.
Gardez une configuration cohérente de modèle, d’agrégation et de normalisation entre les textes indexés et les nouvelles requêtes. Les représentations obtenues de 384 composantes peuvent être comparées par similarité cosinus. Conservez une trace de cette configuration avec la collection ; un autre encodeur de 384 dimensions ne devient pas compatible du seul fait que ses vecteurs ont la même longueur.
Le fabricant spécifie une troncature par défaut au-delà de 256 sous-unités de mots. Il s’agit d’une limite du tokenizer, plutôt que d’un nombre de mots ordinaires ou de caractères. Pour un enregistrement plus long, choisissez des sections courtes et cohérentes et préservez le titre ou le détail d’identification nécessaire à l’interprétation de chacune.
La procédure d’entraînement du modèle utilisait des séquences pouvant atteindre 128 tokens. Ce réglage d’entraînement est distinct du réglage par défaut publié de 256 sous-unités de mots au moment de l’encodage. Un passage qui tient dans la limite par défaut peut néanmoins différer sensiblement des phrases courtes utilisées à l’entraînement ; évaluez donc les descriptions longues ou spécialisées à partir d’exemples représentatifs.
Pour un ensemble de messages d’assistance, les plongements peuvent fournir des entrées numériques à une étape de regroupement. Vérifiez plusieurs messages de chaque groupe proposé, ainsi que ceux proches de sa frontière, avant d’attribuer un libellé lisible par une personne. Pour la vérification de contenus en double, retrouvez des enregistrements similaires et comparez leur formulation réelle ; deux passages peuvent traiter du même sujet tout en donnant des instructions différentes.
Cette édition exacte L12-v2 est un profil anglophone de plongement de phrases. Elle est distincte d’all-MiniLM-L6-v2 et des versions paraphrase-MiniLM. Des noms de famille partagés ne transfèrent pas leur configuration de séquence ni leur recette d’agrégation. Utilisez ses vecteurs denses compacts avec les enregistrements sources et une évaluation propre à la tâche, plutôt que de traiter une valeur de similarité comme une réponse vérifiée ou une décision éditoriale définitive.
POST /v1/embeddingstext, token_idsembedding| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites sentence-transformers/all-minilm-l12-v2 | Par défaut— |
Champinput | Typestring|string[]|integer[]|integer[][] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 Conditions: Lot homogène non vide. Les identifiants de jetons sont des entiers positifs ou nuls. Budget d’entrée : Maximum: 512 · Unité de texte: octets UTF8 · Unité de tokens: éléments du tableau de tokens | Par défaut— |
Champencoding_format | Typestring | ExigenceFacultatif | Valeurs et limites float | Par défautfloat |
Champdimensions | Typeinteger | ExigenceNon pris en charge | Valeurs et limites Minimum: 1 | Par défaut— |
Champuser | Typejson_value | ExigenceFacultatif | Valeurs et limites Conditions: Le code source autorise ce champ de métadonnées JSON ; sa sémantique exacte en amont dépend du modèle. | Par défaut— |
Champsession_id | Typejson_value | ExigenceFacultatif | Valeurs et limites Conditions: Le code source autorise ce champ de métadonnées JSON ; sa sémantique exacte en amont dépend du modèle. | Par défaut— |
Champtrace | Typejson_value | ExigenceFacultatif | Valeurs et limites Conditions: Le code source autorise ce champ de métadonnées JSON ; sa sémantique exacte en amont dépend du modèle. | Par défaut— |
Champprovider | Typeobject | ExigenceFacultatif | Valeurs et limites Conditions: provider.options est refusé | Par défaut— |
text_to_embedding
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, input |
Paramètreinput_shapes | Contratstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Paramètreencoding_format | Contratfloat |
Paramètredimensions_override | Contratfalse |
Paramètremax_input_budget_units | Contrat512 |
Paramètremultimodal_objects | Contratfalse |
Paramètrematerial_types | Contrattext, token_ids |
Cycle de vie : synchronous_json
Conservez tous les indices et toutes les dimensions des vecteurs.
Un nom de modèle multimodal n’autorise pas les objets image sur ce chemin précis.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.00001 / 1K tokens Sortie · Tokens en sortie $0 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque vecteur avec son indice. Le nombre de vecteurs doit être égal au nombre d’entrées ; les dimensions doivent être cohérentes.
Aucun point de terminaison dédié aux tâches d’embedding n’est ajouté.
| Champ | Type |
|---|---|
Champobject | Typestring |
Champmodel | Typestring |
Champdata[].index | Typeinteger |
Champdata[].embedding | Typefinite float[] |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra sentence-transformers/all-minilm-l12-v2
Utilisez les chemins de méthode indiqués ci-dessus.