Sentence Transformers: paraphrase-MiniLM-L6-v2
A Sentence Transformers paraphrase-MiniLM-L6-v2 mondatokat és rövid bekezdéseket képez 384 dimenziós vektorokra szemantikai kereséshez és klaszterezéshez. Közzétett konfigurációja átlagoló poolingot és 128 tokenes szekvenciabeállítást használ.
A modellről
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
A paraphrase-MiniLM-L6-v2 a Sentence Transformers beágyazási modellje mondatokhoz és rövid bekezdésekhez. Minden szöveget 384 dimenziós sűrű vektortérbe képez le, a gyártó által megadott feladatok között szemantikai kereséssel és klaszterezéssel. A közzétett architektúra egy transzformert átlagoló poolinggal kombinál; konfigurált szekvenciahossza 128 token.
A hasonlítani kívánt szövegrészletet reprezentálja
A tényleges mondatot vagy rövid bekezdést készítse elő, épen tartva a tárgyat és fontos feltételeket. Egy gyakorlati gyűjtemény eltérően megfogalmazott kérdéseket vagy kapcsolódó témák rövid leírásait tartalmazhatja. Minden rekordot ágyazzon be, és őrizze meg eredeti megfogalmazását és azonosítóját, hogy a későbbi összehasonlítás magát a szöveget adhassa vissza.
Például több súgókérdés eltérő kifejezésekkel írhatja le ugyanazt a nehézséget. Egy hasonlósági lépés összehozhatja ezeket a jelölteket, majd megfogalmazásuk megvizsgálható a tényleges probléma szempontjából. A beágyazás az összehasonlításban használt numerikus reprezentáció; önmagában nem ír parafrázist és nem ad végleges klasztercímkét.
Átlagoló pooling és vektorhasználat
A gyártó közvetlen kódolási példája a tokenreprezentációk átlagolásakor figyelembe veszi a figyelmi maszkot, kizárva a kitöltő pozíciókat. Architektúrája kifejezetten átlagoló poolingot választ, nem CLS- vagy max poolingot. Ezt a poolingreceptet tartsa a modell mellett összehasonlítható vektorok előkészítésekor.
Minden visszaadott reprezentációnak 384 komponense van. Egy index vagy klaszterezési lépés ezekkel a vektorokkal dolgozik kiválasztott hasonlósági beállítás mellett, miközben az alapul szolgáló forrásrekord elérhető marad ellenőrzéshez. Az összehasonlított elemek között tartsa azonosan a modellt, bemenet-előkészítést és összehasonlítási beállításokat. Egy másik, szintén 384 értéket visszaadó modell pusztán e forma alapján nem ugyanazt a beágyazási teret használja.
Rövid bemenetek a közzétett konfigurációban
A referencia Sentence Transformer-konfiguráció 128 tokenes maximális szekvenciahosszt használ. A hosszú forrást rövid, összefüggő egységekként készítse elő, ne egy túlméretes bekezdésként. Egy szabályt tartalmazó mondatnak szüksége lehet a következő mondat kivételére; ezt a kis egységet tartsa együtt, ha elfér. A szó- vagy karakterszám nem határozza meg közvetlenül a tokenhosszt.
Rövid leírások készleténél őrizze meg az összehasonlításhoz fontos neveket és megkülönböztető tulajdonságokat. A csak homályos kategóriát tartalmazó rekord nehezen különíthető el azonos típusú más rekordoktól. A forráshoz kapcsolást a vektoron kívül tárolja, hogy a visszaadott jelölt az eredeti anyag alapján ellenőrizhető legyen.
Keresési és klaszterezési eredmények
Szemantikai keresésnél a lekérdezést és a korpusz anyagát ugyanezzel a modellel reprezentálja, és a jelöltrekordokat forrásszövegükkel együtt adja vissza. Klaszterezésnél egy másik lépés csoportokat képez a vektorokból. Mielőtt a csoportosítást termékdöntésként vagy automatikus címkeként használná, vizsgálja meg a klaszterhatár közelében lévő rekordokat.
A hasznos kimenet rövid szöveg eredeti rekordjához kötött tömör reprezentációja. Ennek a pontos paraphrase-MiniLM-L6-v2 checkpointnak saját pooling- és szekvenciakonfigurációja van. Az all-MiniLM és a többnyelvű paraphrase-változatok külön modellprofilok; tanításuk, nyelvi hatókörük vagy bemeneti beállításaik nem következnek a közös MiniLM névből.
Ailoot Ultra · Beágyazások POST /v1/embeddings sentence-transformers/paraphrase-minilm-l6-v2
sentence-transformers/paraphrase-minilm-l6-v2
sentence-transformers/paraphrase-minilm-l6-v2Kezdő lépések
A Sentence Transformers paraphrase-MiniLM-L6-v2 mondatokat és rövid bekezdéseket képez 384 dimenziós vektorokra szemantikai kereséshez és klaszterezéshez. Közzétett konfigurációja átlagoló poolingot és 128 tokenes szekvenciabeállítást használ.
- 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/paraphrase-minilm-l6-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/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
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)
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/paraphrase-minilm-l6-v2
Metódusútvonalak álnevei
Használja a fent látható metódusútvonalakat.
Kapcsolódó modellazonosítók
FAQ · Sentence Transformers: paraphrase-MiniLM-L6-v2
- Milyen bemenetek és eredmények érhetők el?
POST /v1/embeddings·sentence-transformers/paraphrase-minilm-l6-v2:text,token_ids→embedding- Mely mezőket használja a kérés?
POST /v1/embeddings·sentence-transformers/paraphrase-minilm-l6-v2:model,input,encoding_format,provider- Milyen korlátok érvényesek?
POST /v1/embeddings·sentence-transformers/paraphrase-minilm-l6-v2:input.budget.maximum:512(UTF8-bájtok);input.min_items:1