Sentence Transformers: all-MiniLM-L12-v2
A Sentence Transformers all-MiniLM-L12-v2 mondatokat és rövid bekezdéseket kódol 384 dimenziós vektorokká kereséshez, hasonlósághoz és klaszterezéshez. Referenciareceptje átlagoló poolingot és normalizálást használ, alapértelmezésben 256 szórésznél csonkítva.
A modellről
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
Az all-MiniLM-L12-v2 a Sentence Transformers mondatokat és rövid bekezdéseket kódoló modellje. Szövegenként egyetlen 384 dimenziós sűrű vektort állít elő szemantikai kereséshez, információ-visszakereséshez, klaszterezéshez és mondathasonlósághoz. A modell a MiniLM-L12-H384-uncased alapmodellt használja, és egymilliárd mondatpárból álló gyűjteményen finomhangolták kontrasztív tanulással.
A visszakeresni kívánt egységet kódolja
Olyan mondatot vagy rövid bekezdést használjon, amely egy hasznos gondolatot fejez ki. Termékleírások gyűjteményénél tartsa meg a tulajdonságot és a terméket megkülönböztető feltételt: a „The adapter connects a wired headset to a USB-C port” informatívabb, mint az „Audio accessory”. A rekordazonosítót és eredeti leírást a vektor mellett tárolja.
A keresési lekérdezés ezután összehasonlítható a kódolt leírásokkal. Végső választás bemutatása előtt ellenőrizze a visszaadott jelöltekben a pontos követelményeket, például csatlakozótípust vagy eszközkompatibilitást. A vektor a szöveg jelentését reprezentálja; a környező keresőalkalmazás visszakeresi a megfelelő rekordokat.
Átlagoló pooling és normalizált vektorok
A közzétett kódolási példa figyelmi maszkkal átlagolja a tokenreprezentációkat, így a kitöltő pozíciók nem járulnak hozzá az átlaghoz. Ezután L2-normalizálást alkalmaz. E lépések a mondatvektor előállításának referenciareceptjéhez tartoznak, nem tetszőleges token kivételére szóló utasítások az alapul szolgáló transzformerből.
A modell, pooling és normalizálás konfigurációját tartsa következetesen azonosan az indexelt szövegek és új lekérdezések között. A kapott 384 komponensű reprezentációk koszinuszhasonlósággal összehasonlíthatók. E konfigurációt rögzítse a gyűjtemény mellett; egy másik 384 dimenziós kódoló nem válik kompatibilissé pusztán attól, hogy vektorai azonos hosszúságúak.
Alapértelmezett bemeneti hossz és tanítási hatókör
A gyártó alapértelmezett csonkítást ad meg 256 szórész fölött. Ez tokenizálókorlát, nem hétköznapi szavak vagy karakterek száma. Hosszabb rekordnál összefüggő rövid szakaszokat válasszon, és őrizze meg az egyes szakaszok értelmezéséhez szükséges címsort vagy azonosító részletet.
A modell tanítási eljárása legfeljebb 128 tokenes szekvenciákat használt. Ez a tanítási beállítás különálló a kódoláskori közzétett 256 szórészes alapértéktől. Az alapértékbe beleférő részlet még jelentősen eltérhet a tanításhoz használt rövid mondatanyagtól, ezért hosszú vagy speciális leírásokat reprezentatív példákkal értékeljen.
Hasonlósági és klaszterezési munkafolyamatok
Ügyfélszolgálati üzenetek készleténél a beágyazások numerikus bemenetet adhatnak egy csoportosítási lépésnek. Ember által olvasható címke kiosztása előtt ellenőrizzen több üzenetet minden javasolt csoportból és annak határa közeléből. Duplikált tartalom ellenőrzéséhez keressen vissza hasonló rekordokat, és hasonlítsa össze tényleges megfogalmazásukat; két részlet ugyanazt a tárgyat érintheti, mégis eltérő utasításokat adhat.
Ez a pontos L12-v2 kiadás angol mondatbeágyazási profil. Különbözik az all-MiniLM-L6-v2 és a paraphrase-MiniLM checkpointoktól. A közös modellcsaládnevek alapján nem vihető át a szekvenciakonfiguráció vagy a poolingrecept. Tömör, sűrű vektorait forrásrekordokkal és feladatspecifikus értékeléssel együtt használja, ne tekintsen egy hasonlósági értéket igazolt válasznak vagy végleges szerkesztői döntésnek.
Ailoot Ultra · Beágyazások POST /v1/embeddings sentence-transformers/all-minilm-l12-v2
sentence-transformers/all-minilm-l12-v2
sentence-transformers/all-minilm-l12-v2Kezdő lépések
A Sentence Transformers all-MiniLM-L12-v2 mondatokat és rövid bekezdéseket kódol 384 dimenziós vektorokká kereséshez, hasonlósághoz és klaszterezéshez. Referenciareceptje átlagoló poolingot és normalizálást használ, alapértelmezésben 256 szórésznél csonkítva.
- Elfogadott bemenetek
- Szöveg · token_ids
- Eredmények
- embedding
Elérhető az Ailootban · bemenetek és metódusok
Ailoot Ultra · Beágyazások POST /v1/embeddings
- Bemenet
text,token_ids- Kimenet
embedding- Kimeneti formátum
- json
| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok sentence-transformers/all-minilm-l12-v2 | Alapértelmezett— |
Mezőinput | Típusstring|string[]|integer[]|integer[][] | KövetelményKötelező | Értékek és korlátok Minimális elemszám: 1 Feltételek: Nem üres, homogén köteg. A tokenazonosítók nemnegatív egész számok. Bemeneti keret: Maximum: 512 · Szövegegység: UTF8-bájtok · Tokenegység: tokentömb elemei | Alapértelmezett— |
Mezőencoding_format | Típusstring | KövetelményOpcionális | Értékek és korlátok float | Alapértelmezettfloat |
Meződimensions | Típusinteger | KövetelményNem támogatott | Értékek és korlátok Minimum: 1 | Alapértelmezett— |
Mezőuser | Típusjson_value | KövetelményOpcionális | Értékek és korlátok Feltételek: A forrás engedélyezi ezt a JSON-metaadatmezőt; a szolgáltatónál érvényes pontos jelentése modellenként eltér. | Alapértelmezett— |
Mezősession_id | Típusjson_value | KövetelményOpcionális | Értékek és korlátok Feltételek: A forrás engedélyezi ezt a JSON-metaadatmezőt; a szolgáltatónál érvényes pontos jelentése modellenként eltér. | Alapértelmezett— |
Mezőtrace | Típusjson_value | KövetelményOpcionális | Értékek és korlátok Feltételek: A forrás engedélyezi ezt a JSON-metaadatmezőt; a szolgáltatónál érvényes pontos jelentése modellenként eltér. | Alapértelmezett— |
Mezőprovider | Típusobject | KövetelményOpcionális | Értékek és korlátok Feltételek: A provider.options elutasítva | Alapértelmezett— |
Bemeneti anyagok kombinációi
text_to_embedding
Metódus paraméterei és életciklusa
| Paraméter | Szerződés |
|---|---|
Paramétercontent_type | Szerződésapplication/json |
Paraméterrequired | Szerződésmodel, input |
Paraméterinput_shapes | Szerződésstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Paraméterencoding_format | Szerződésfloat |
Paraméterdimensions_override | Szerződésfalse |
Paramétermax_input_budget_units | Szerződés512 |
Paramétermultimodal_objects | Szerződésfalse |
Paramétermaterial_types | Szerződéstext, token_ids |
Életciklus: synchronous_json
Őrizze meg minden vektor indexét és dimenzióját.
A multimodális modell neve ezen a pontos útvonalon nem teszi lehetővé képobjektumok használatát.
Díjcsomagok
A díjszabás nem ad új kérési lehetőségeket. A támogatott paraméterek a kiválasztott módszernél szerepelnek.
- Gyors mód
- Nincs megadva Ha a gyors mód van kiválasztva
- Flex mód
- Nincs megadva Ha a flex mód van kiválasztva
- Maximális gondolkodási ráfordítás
- Nincs megadva Ha a maximális gondolkodási ráfordításra a default beállításhoz tartozó korrekció vonatkozik
Ailoot-díjak
Árak beállításonként
| Beállítás | Díjtáblázat | Díj |
|---|---|---|
| BeállításTokenenkénti alapárak | DíjtáblázatAlapdíj | Díj Bemenet · Bemeneti tokenek $0.00001 / 1K token Kimenet · Kimeneti tokenek $0 / 1K token Bemenet · Gyorsítótár olvasása — / 1K token Bemenet · Írás a gyorsítótárba — / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →
Példakérések
Ailoot Ultra · Beágyazások
set -eu
: "${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-l12-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
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-l12-v2',input=["First document","Second document"])
print(result)
for item in result.data:print(item.index,item.embedding)
Eredmények fogadása és mentése
Ailoot Ultra · Beágyazások
json
Őrizzen meg minden elkészült eredményt
Őrizzen meg minden teljes visszaadott választ, fájlt és tartalomrészt.
Őrizzen meg minden vektort az indexével együtt. A vektorok számának meg kell egyeznie a bemenetek számával; a dimenzióknak egységesnek kell lenniük.
Ha az eredeti választ ellenőrizni kell
Nem kerül bevezetésre külön beágyazási feladatvégpont.
Válaszmezők
| Mező | Típus |
|---|---|
Mezőobject | Típusstring |
Mezőmodel | Típusstring |
Meződata[].index | Típusinteger |
Meződata[].embedding | Típusfinite float[] |
Mezőusage | Típusobject |
Hibák és következő lépések
| Válasz | Feltétel | Következő lépés |
|---|---|---|
Válasz400 · invalid_request_error | FeltételÉrvénytelen kötelező mezők, az anyag érvénytelen reprezentációja vagy érvénytelen paraméterérték | Következő lépésJavítsa a jelzett mezőket egy új létrehozási kérés előtt. |
Álnevek
Modell álnevei
Ailoot Ultra sentence-transformers/all-minilm-l12-v2
Metódusútvonalak álnevei
Használja a fent látható metódusútvonalakat.
Kapcsolódó modellazonosítók
FAQ · Sentence Transformers: all-MiniLM-L12-v2
- Milyen bemenetek és eredmények érhetők el?
POST /v1/embeddings·sentence-transformers/all-minilm-l12-v2:text,token_ids→embedding- Mely mezőket használja a kérés?
POST /v1/embeddings·sentence-transformers/all-minilm-l12-v2:model,input,encoding_format,provider- Milyen korlátok érvényesek?
POST /v1/embeddings·sentence-transformers/all-minilm-l12-v2:input.budget.maximum:512(UTF8-bájtok);input.min_items:1