paraphrase-MiniLM-L6-v2 est un modèle de plongement de Sentence Transformers pour les phrases et les courts paragraphes. Il projette chaque texte dans un espace vectoriel dense de 384 dimensions, la recherche sémantique et le regroupement figurant parmi les tâches annoncées par le fabricant. L’architecture publiée associe un transformer à une agrégation par moyenne ; sa longueur de séquence configurée est de 128 tokens.
Préparez la phrase ou le court paragraphe réel en gardant intacts le sujet et les conditions importantes. Une collection concrète peut contenir des questions formulées différemment ou de brèves descriptions de sujets liés. Encodez chaque enregistrement et conservez sa formulation d’origine et son identifiant, afin qu’une comparaison ultérieure puisse renvoyer le texte lui-même.
Par exemple, plusieurs questions d’aide peuvent décrire la même difficulté avec des termes différents. Une étape de similarité peut rapprocher ces candidats, après quoi leurs formulations peuvent être examinées pour identifier le problème réel. Le plongement est la représentation numérique utilisée dans cette comparaison ; il ne rédige pas de paraphrase et n’attribue pas de lui-même un libellé de groupe définitif.
L’exemple d’encodage direct du fabricant tient compte du masque d’attention lorsqu’il calcule la moyenne des représentations des tokens, en excluant les positions de remplissage. Son architecture sélectionne explicitement l’agrégation par moyenne et ne sélectionne ni l’agrégation CLS ni l’agrégation par maximum. Gardez cette recette d’agrégation avec le modèle lorsque vous préparez des vecteurs comparables.
Chaque représentation renvoyée possède 384 composantes. Une étape d’indexation ou de regroupement utilise ces vecteurs selon une configuration de similarité choisie, tandis que l’enregistrement source sous-jacent reste disponible pour vérification. Gardez le même modèle, la même préparation d’entrée et les mêmes réglages de comparaison pour les éléments comparés. Un autre modèle renvoyant 384 valeurs n’appartient pas, sur la seule base de cette forme, au même espace de plongement.
La configuration de référence Sentence Transformer utilise une longueur de séquence maximale de 128 tokens. Préparez une longue source en unités courtes et cohérentes, plutôt qu’en un seul paragraphe surdimensionné. Une phrase contenant une règle peut nécessiter l’exception figurant dans la phrase suivante ; conservez cette petite unité ensemble lorsqu’elle tient dans la fenêtre. Un nombre de mots ou de caractères ne permet pas d’établir directement la longueur en tokens.
Pour un ensemble de descriptions courtes, préservez les noms et les propriétés distinctives importantes pour la comparaison. Un enregistrement ne contenant qu’une catégorie vague peut être difficile à distinguer des autres enregistrements de ce type. Stockez l’association à la source en dehors du vecteur, afin qu’un candidat renvoyé puisse être vérifié au regard du matériau d’origine.
En recherche sémantique, représentez la requête et le matériau du corpus avec ce même modèle et renvoyez les enregistrements candidats avec leur texte source. En regroupement, une autre étape forme des groupes à partir des vecteurs. Examinez les enregistrements proches de la frontière d’un groupe avant d’utiliser le regroupement comme décision produit ou comme libellé automatique.
La sortie utile est une représentation compacte du texte court liée à son enregistrement d’origine. Cette version exacte paraphrase-MiniLM-L6-v2 possède sa propre configuration d’agrégation et de séquence. Les variantes all-MiniLM et paraphrase multilingues sont des profils de modèle distincts ; leur entraînement, leur couverture linguistique ou leurs réglages d’entrée ne sont pas impliqués par le seul nom MiniLM partagé.
", "aboutText": "paraphrase-MiniLM-L6-v2 est un modèle de plongement de Sentence Transformers pour les phrases et les courts paragraphes. Il projette chaque texte dans un espace vectoriel dense de 384 dimensions, la recherche sémantique et le regroupement figurant parmi les tâches annoncées par le fabricant. L’architecture publiée associe un transformer à une agrégation par moyenne ; sa longueur de séquence configurée est de 128 tokens.\n\n### Représenter le passage à comparer\n\nPréparez la phrase ou le court paragraphe réel en gardant intacts le sujet et les conditions importantes. Une collection concrète peut contenir des questions formulées différemment ou de brèves descriptions de sujets liés. Encodez chaque enregistrement et conservez sa formulation d’origine et son identifiant, afin qu’une comparaison ultérieure puisse renvoyer le texte lui-même.\n\nPar exemple, plusieurs questions d’aide peuvent décrire la même difficulté avec des termes différents. Une étape de similarité peut rapprocher ces candidats, après quoi leurs formulations peuvent être examinées pour identifier le problème réel. Le plongement est la représentation numérique utilisée dans cette comparaison ; il ne rédige pas de paraphrase et n’attribue pas de lui-même un libellé de groupe définitif.\n\n### Agrégation par moyenne et utilisation des vecteurs\n\nL’exemple d’encodage direct du fabricant tient compte du masque d’attention lorsqu’il calcule la moyenne des représentations des tokens, en excluant les positions de remplissage. Son architecture sélectionne explicitement l’agrégation par moyenne et ne sélectionne ni l’agrégation CLS ni l’agrégation par maximum. Gardez cette recette d’agrégation avec le modèle lorsque vous préparez des vecteurs comparables.\n\nChaque représentation renvoyée possède 384 composantes. Une étape d’indexation ou de regroupement utilise ces vecteurs selon une configuration de similarité choisie, tandis que l’enregistrement source sous-jacent reste disponible pour vérification. Gardez le même modèle, la même préparation d’entrée et les mêmes réglages de comparaison pour les éléments comparés. Un autre modèle renvoyant 384 valeurs n’appartient pas, sur la seule base de cette forme, au même espace de plongement.\n\n### Des entrées courtes dans la configuration publiée\n\nLa configuration de référence Sentence Transformer utilise une longueur de séquence maximale de 128 tokens. Préparez une longue source en unités courtes et cohérentes, plutôt qu’en un seul paragraphe surdimensionné. Une phrase contenant une règle peut nécessiter l’exception figurant dans la phrase suivante ; conservez cette petite unité ensemble lorsqu’elle tient dans la fenêtre. Un nombre de mots ou de caractères ne permet pas d’établir directement la longueur en tokens.\n\nPour un ensemble de descriptions courtes, préservez les noms et les propriétés distinctives importantes pour la comparaison. Un enregistrement ne contenant qu’une catégorie vague peut être difficile à distinguer des autres enregistrements de ce type. Stockez l’association à la source en dehors du vecteur, afin qu’un candidat renvoyé puisse être vérifié au regard du matériau d’origine.\n\n### Résultats de recherche et de regroupement\n\nEn recherche sémantique, représentez la requête et le matériau du corpus avec ce même modèle et renvoyez les enregistrements candidats avec leur texte source. En regroupement, une autre étape forme des groupes à partir des vecteurs. Examinez les enregistrements proches de la frontière d’un groupe avant d’utiliser le regroupement comme décision produit ou comme libellé automatique.\n\nLa sortie utile est une représentation compacte du texte court liée à son enregistrement d’origine. Cette version exacte paraphrase-MiniLM-L6-v2 possède sa propre configuration d’agrégation et de séquence. Les variantes all-MiniLM et paraphrase multilingues sont des profils de modèle distincts ; leur entraînement, leur couverture linguistique ou leurs réglages d’entrée ne sont pas impliqués par le seul nom MiniLM partagé.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "7eeb81da4f9430c537e03c0cfce031941dc090d56b1ca8c566513d20c53c8793", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-be", "methods": [ { "html": "sentence-transformers/paraphrase-minilm-l6-v2Sentence Transformers paraphrase-MiniLM-L6-v2 projette des phrases et de courts paragraphes en vecteurs de 384 dimensions pour la recherche sémantique et le regroupement. Sa configuration publiée utilise une agrégation par moyenne et un réglage de séquence de 128 tokens.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
paraphrase-MiniLM-L6-v2 est un modèle de plongement de Sentence Transformers pour les phrases et les courts paragraphes. Il projette chaque texte dans un espace vectoriel dense de 384 dimensions, la recherche sémantique et le regroupement figurant parmi les tâches annoncées par le fabricant. L’architecture publiée associe un transformer à une agrégation par moyenne ; sa longueur de séquence configurée est de 128 tokens.
Préparez la phrase ou le court paragraphe réel en gardant intacts le sujet et les conditions importantes. Une collection concrète peut contenir des questions formulées différemment ou de brèves descriptions de sujets liés. Encodez chaque enregistrement et conservez sa formulation d’origine et son identifiant, afin qu’une comparaison ultérieure puisse renvoyer le texte lui-même.
Par exemple, plusieurs questions d’aide peuvent décrire la même difficulté avec des termes différents. Une étape de similarité peut rapprocher ces candidats, après quoi leurs formulations peuvent être examinées pour identifier le problème réel. Le plongement est la représentation numérique utilisée dans cette comparaison ; il ne rédige pas de paraphrase et n’attribue pas de lui-même un libellé de groupe définitif.
L’exemple d’encodage direct du fabricant tient compte du masque d’attention lorsqu’il calcule la moyenne des représentations des tokens, en excluant les positions de remplissage. Son architecture sélectionne explicitement l’agrégation par moyenne et ne sélectionne ni l’agrégation CLS ni l’agrégation par maximum. Gardez cette recette d’agrégation avec le modèle lorsque vous préparez des vecteurs comparables.
Chaque représentation renvoyée possède 384 composantes. Une étape d’indexation ou de regroupement utilise ces vecteurs selon une configuration de similarité choisie, tandis que l’enregistrement source sous-jacent reste disponible pour vérification. Gardez le même modèle, la même préparation d’entrée et les mêmes réglages de comparaison pour les éléments comparés. Un autre modèle renvoyant 384 valeurs n’appartient pas, sur la seule base de cette forme, au même espace de plongement.
La configuration de référence Sentence Transformer utilise une longueur de séquence maximale de 128 tokens. Préparez une longue source en unités courtes et cohérentes, plutôt qu’en un seul paragraphe surdimensionné. Une phrase contenant une règle peut nécessiter l’exception figurant dans la phrase suivante ; conservez cette petite unité ensemble lorsqu’elle tient dans la fenêtre. Un nombre de mots ou de caractères ne permet pas d’établir directement la longueur en tokens.
Pour un ensemble de descriptions courtes, préservez les noms et les propriétés distinctives importantes pour la comparaison. Un enregistrement ne contenant qu’une catégorie vague peut être difficile à distinguer des autres enregistrements de ce type. Stockez l’association à la source en dehors du vecteur, afin qu’un candidat renvoyé puisse être vérifié au regard du matériau d’origine.
En recherche sémantique, représentez la requête et le matériau du corpus avec ce même modèle et renvoyez les enregistrements candidats avec leur texte source. En regroupement, une autre étape forme des groupes à partir des vecteurs. Examinez les enregistrements proches de la frontière d’un groupe avant d’utiliser le regroupement comme décision produit ou comme libellé automatique.
La sortie utile est une représentation compacte du texte court liée à son enregistrement d’origine. Cette version exacte paraphrase-MiniLM-L6-v2 possède sa propre configuration d’agrégation et de séquence. Les variantes all-MiniLM et paraphrase multilingues sont des profils de modèle distincts ; leur entraînement, leur couverture linguistique ou leurs réglages d’entrée ne sont pas impliqués par le seul nom MiniLM partagé.
POST /v1/embeddingstext, token_idsembedding| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites sentence-transformers/paraphrase-minilm-l6-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/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
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/paraphrase-minilm-l6-v2
Utilisez les chemins de méthode indiqués ci-dessus.