{ "aboutHtml": "

all-MiniLM-L12-v2 adalah encoder Sentence Transformers untuk kalimat dan paragraf pendek. Model menghasilkan satu vektor dense 384 dimensi per teks untuk pencarian semantik, temu kembali informasi, pengelompokan, dan kemiripan kalimat. Model menggunakan backbone MiniLM-L12-H384-uncased dan di-fine-tune melalui pembelajaran kontrastif pada koleksi satu miliar pasangan kalimat.

Kodekan unit yang ingin ditemukan

Gunakan kalimat atau paragraf pendek yang menyatakan satu gagasan berguna. Untuk koleksi deskripsi produk, pertahankan fitur dan kondisi yang membedakan barang: “The adapter connects a wired headset to a USB-C port” lebih informatif daripada “Audio accessory.” Simpan pengenal rekaman dan deskripsi asli di samping vektornya.

Kueri pencarian kemudian dapat dibandingkan dengan deskripsi yang dikodekan. Periksa kandidat hasil untuk persyaratan tepat seperti jenis konektor atau kompatibilitas perangkat sebelum menyajikan pilihan akhir. Vektor merepresentasikan makna teks; aplikasi pencarian di sekelilingnya menemukan rekaman yang sesuai.

Mean pooling dan vektor yang dinormalisasi

Contoh pengodean yang diterbitkan merata-ratakan representasi token dengan masker atensi sehingga posisi padding tidak berkontribusi pada rata-rata. Kemudian normalisasi L2 diterapkan. Tahap-tahap ini merupakan bagian dari resep rujukan untuk memperoleh vektor kalimat, bukan instruksi untuk mengambil token sembarang dari transformer dasar.

Pertahankan konsistensi konfigurasi model, pooling, dan normalisasi antara teks terindeks dan kueri baru. Representasi 384 komponen hasilnya dapat dibandingkan menggunakan kemiripan kosinus. Simpan catatan konfigurasi itu bersama koleksi; encoder 384 dimensi yang berbeda tidak menjadi kompatibel hanya karena vektornya memiliki panjang sama.

Panjang masukan bawaan dan cakupan pelatihan

Pembuat menetapkan pemotongan bawaan di atas 256 unit word piece. Ini adalah batas tokenizer, bukan jumlah kata biasa atau karakter. Untuk rekaman lebih panjang, pilih bagian pendek yang koheren dan pertahankan judul atau detail pengenal yang diperlukan untuk menafsirkan masing-masing bagian.

Prosedur pelatihan model menggunakan urutan hingga 128 token. Pengaturan pelatihan itu terpisah dari pengaturan bawaan 256 unit word piece yang diterbitkan untuk pengodean. Bagian yang muat dalam pengaturan bawaan masih dapat sangat berbeda dari materi kalimat pendek selama pelatihan, jadi nilai deskripsi panjang atau khusus dengan contoh yang representatif.

Alur kemiripan dan pengelompokan

Untuk himpunan pesan dukungan, embedding dapat memberikan masukan numerik bagi tahap pengelompokan. Tinjau beberapa pesan dari setiap kelompok usulan dan pesan di dekat batasnya sebelum menetapkan label yang dapat dibaca manusia. Untuk peninjauan konten duplikat, temukan rekaman serupa dan bandingkan pilihan kata sebenarnya; dua bagian mungkin membahas subjek yang sama tetapi memberikan instruksi berbeda.

Edisi L12-v2 yang tepat ini merupakan profil embedding kalimat bahasa Inggris. Edisi ini berbeda dari all-MiniLM-L6-v2 dan checkpoint paraphrase-MiniLM. Nama keluarga yang sama tidak memindahkan konfigurasi urutan atau resep pooling mereka. Gunakan vektor dense ringkasnya bersama rekaman sumber dan evaluasi khusus tugas alih-alih memperlakukan nilai kemiripan sebagai jawaban terverifikasi atau keputusan editorial akhir.

", "aboutText": "all-MiniLM-L12-v2 adalah encoder Sentence Transformers untuk kalimat dan paragraf pendek. Model menghasilkan satu vektor dense 384 dimensi per teks untuk pencarian semantik, temu kembali informasi, pengelompokan, dan kemiripan kalimat. Model menggunakan backbone MiniLM-L12-H384-uncased dan di-fine-tune melalui pembelajaran kontrastif pada koleksi satu miliar pasangan kalimat.\n\n### Kodekan unit yang ingin ditemukan\n\nGunakan kalimat atau paragraf pendek yang menyatakan satu gagasan berguna. Untuk koleksi deskripsi produk, pertahankan fitur dan kondisi yang membedakan barang: “The adapter connects a wired headset to a USB-C port” lebih informatif daripada “Audio accessory.” Simpan pengenal rekaman dan deskripsi asli di samping vektornya.\n\nKueri pencarian kemudian dapat dibandingkan dengan deskripsi yang dikodekan. Periksa kandidat hasil untuk persyaratan tepat seperti jenis konektor atau kompatibilitas perangkat sebelum menyajikan pilihan akhir. Vektor merepresentasikan makna teks; aplikasi pencarian di sekelilingnya menemukan rekaman yang sesuai.\n\n### Mean pooling dan vektor yang dinormalisasi\n\nContoh pengodean yang diterbitkan merata-ratakan representasi token dengan masker atensi sehingga posisi padding tidak berkontribusi pada rata-rata. Kemudian normalisasi L2 diterapkan. Tahap-tahap ini merupakan bagian dari resep rujukan untuk memperoleh vektor kalimat, bukan instruksi untuk mengambil token sembarang dari transformer dasar.\n\nPertahankan konsistensi konfigurasi model, pooling, dan normalisasi antara teks terindeks dan kueri baru. Representasi 384 komponen hasilnya dapat dibandingkan menggunakan kemiripan kosinus. Simpan catatan konfigurasi itu bersama koleksi; encoder 384 dimensi yang berbeda tidak menjadi kompatibel hanya karena vektornya memiliki panjang sama.\n\n### Panjang masukan bawaan dan cakupan pelatihan\n\nPembuat menetapkan pemotongan bawaan di atas 256 unit word piece. Ini adalah batas tokenizer, bukan jumlah kata biasa atau karakter. Untuk rekaman lebih panjang, pilih bagian pendek yang koheren dan pertahankan judul atau detail pengenal yang diperlukan untuk menafsirkan masing-masing bagian.\n\nProsedur pelatihan model menggunakan urutan hingga 128 token. Pengaturan pelatihan itu terpisah dari pengaturan bawaan 256 unit word piece yang diterbitkan untuk pengodean. Bagian yang muat dalam pengaturan bawaan masih dapat sangat berbeda dari materi kalimat pendek selama pelatihan, jadi nilai deskripsi panjang atau khusus dengan contoh yang representatif.\n\n### Alur kemiripan dan pengelompokan\n\nUntuk himpunan pesan dukungan, embedding dapat memberikan masukan numerik bagi tahap pengelompokan. Tinjau beberapa pesan dari setiap kelompok usulan dan pesan di dekat batasnya sebelum menetapkan label yang dapat dibaca manusia. Untuk peninjauan konten duplikat, temukan rekaman serupa dan bandingkan pilihan kata sebenarnya; dua bagian mungkin membahas subjek yang sama tetapi memberikan instruksi berbeda.\n\nEdisi L12-v2 yang tepat ini merupakan profil embedding kalimat bahasa Inggris. Edisi ini berbeda dari all-MiniLM-L6-v2 dan checkpoint paraphrase-MiniLM. Nama keluarga yang sama tidak memindahkan konfigurasi urutan atau resep pooling mereka. Gunakan vektor dense ringkasnya bersama rekaman sumber dan evaluasi khusus tugas alih-alih memperlakukan nilai kemiripan sebagai jawaban terverifikasi atau keputusan editorial akhir.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "9bfc4c144b6a9780df3e38ee63a95b300d57e0f51e716007470a5de7eca7a78c", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "id", "methods": [ { "html": "
•

Sentence Transformers: all-MiniLM-L12-v2

Sentence Transformers /sentence-transformers/all-minilm-l12-v2

Mulai

Sentence Transformers all-MiniLM-L12-v2 mengodekan kalimat dan paragraf pendek menjadi vektor 384 dimensi untuk pencarian, kemiripan, dan pengelompokan. Resep rujukannya menggunakan mean pooling dan normalisasi, dengan pemotongan bawaan pada 256 unit word piece.

Masukan yang diterima
Teks · token_ids
Hasil
embedding
Tentang model

Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.

all-MiniLM-L12-v2 adalah encoder Sentence Transformers untuk kalimat dan paragraf pendek. Model menghasilkan satu vektor dense 384 dimensi per teks untuk pencarian semantik, temu kembali informasi, pengelompokan, dan kemiripan kalimat. Model menggunakan backbone MiniLM-L12-H384-uncased dan di-fine-tune melalui pembelajaran kontrastif pada koleksi satu miliar pasangan kalimat.

Kodekan unit yang ingin ditemukan

Gunakan kalimat atau paragraf pendek yang menyatakan satu gagasan berguna. Untuk koleksi deskripsi produk, pertahankan fitur dan kondisi yang membedakan barang: “The adapter connects a wired headset to a USB-C port” lebih informatif daripada “Audio accessory.” Simpan pengenal rekaman dan deskripsi asli di samping vektornya.

Kueri pencarian kemudian dapat dibandingkan dengan deskripsi yang dikodekan. Periksa kandidat hasil untuk persyaratan tepat seperti jenis konektor atau kompatibilitas perangkat sebelum menyajikan pilihan akhir. Vektor merepresentasikan makna teks; aplikasi pencarian di sekelilingnya menemukan rekaman yang sesuai.

Mean pooling dan vektor yang dinormalisasi

Contoh pengodean yang diterbitkan merata-ratakan representasi token dengan masker atensi sehingga posisi padding tidak berkontribusi pada rata-rata. Kemudian normalisasi L2 diterapkan. Tahap-tahap ini merupakan bagian dari resep rujukan untuk memperoleh vektor kalimat, bukan instruksi untuk mengambil token sembarang dari transformer dasar.

Pertahankan konsistensi konfigurasi model, pooling, dan normalisasi antara teks terindeks dan kueri baru. Representasi 384 komponen hasilnya dapat dibandingkan menggunakan kemiripan kosinus. Simpan catatan konfigurasi itu bersama koleksi; encoder 384 dimensi yang berbeda tidak menjadi kompatibel hanya karena vektornya memiliki panjang sama.

Panjang masukan bawaan dan cakupan pelatihan

Pembuat menetapkan pemotongan bawaan di atas 256 unit word piece. Ini adalah batas tokenizer, bukan jumlah kata biasa atau karakter. Untuk rekaman lebih panjang, pilih bagian pendek yang koheren dan pertahankan judul atau detail pengenal yang diperlukan untuk menafsirkan masing-masing bagian.

Prosedur pelatihan model menggunakan urutan hingga 128 token. Pengaturan pelatihan itu terpisah dari pengaturan bawaan 256 unit word piece yang diterbitkan untuk pengodean. Bagian yang muat dalam pengaturan bawaan masih dapat sangat berbeda dari materi kalimat pendek selama pelatihan, jadi nilai deskripsi panjang atau khusus dengan contoh yang representatif.

Alur kemiripan dan pengelompokan

Untuk himpunan pesan dukungan, embedding dapat memberikan masukan numerik bagi tahap pengelompokan. Tinjau beberapa pesan dari setiap kelompok usulan dan pesan di dekat batasnya sebelum menetapkan label yang dapat dibaca manusia. Untuk peninjauan konten duplikat, temukan rekaman serupa dan bandingkan pilihan kata sebenarnya; dua bagian mungkin membahas subjek yang sama tetapi memberikan instruksi berbeda.

Edisi L12-v2 yang tepat ini merupakan profil embedding kalimat bahasa Inggris. Edisi ini berbeda dari all-MiniLM-L6-v2 dan checkpoint paraphrase-MiniLM. Nama keluarga yang sama tidak memindahkan konfigurasi urutan atau resep pooling mereka. Gunakan vektor dense ringkasnya bersama rekaman sumber dan evaluasi khusus tugas alih-alih memperlakukan nilai kemiripan sebagai jawaban terverifikasi atau keputusan editorial akhir.

Tersedia di Ailoot · masukan & metode

Ailoot Ultra · Embedding POST /v1/embeddings
Masukan
text, token_ids
Keluaran
embedding
Format keluaran
json
KolomJenisPersyaratanNilai & batasanBawaan
KolommodelJenisstringPersyaratanWajibNilai & batasan
sentence-transformers/all-minilm-l12-v2
Bawaan—
KolominputJenisstring|string[]|integer[]|integer[][]PersyaratanWajibNilai & batasan
Item minimum: 1
Kondisi: Batch homogen yang tidak kosong. ID token berupa bilangan bulat nonnegatif.
Anggaran masukan: Maksimum: 512 · Satuan teks: byte UTF8 · Satuan token: elemen array token
Bawaan—
Kolomencoding_formatJenisstringPersyaratanOpsionalNilai & batasan
float
Bawaanfloat
KolomdimensionsJenisintegerPersyaratanTidak didukungNilai & batasan
Minimum: 1
Bawaan—
KolomuserJenisjson_valuePersyaratanOpsionalNilai & batasan
Kondisi: Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.
Bawaan—
Kolomsession_idJenisjson_valuePersyaratanOpsionalNilai & batasan
Kondisi: Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.
Bawaan—
KolomtraceJenisjson_valuePersyaratanOpsionalNilai & batasan
Kondisi: Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.
Bawaan—
KolomproviderJenisobjectPersyaratanOpsionalNilai & batasan
Kondisi: provider.options ditolak
Bawaan—
Kombinasi bahan masukan

text_to_embedding

Parameter metode dan siklus hidup
ParameterKontrak
Parametercontent_typeKontrakapplication/json
ParameterrequiredKontrakmodel, input
Parameterinput_shapesKontrakstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[]
Parameterencoding_formatKontrakfloat
Parameterdimensions_overrideKontrakfalse
Parametermax_input_budget_unitsKontrak512
Parametermultimodal_objectsKontrakfalse
Parametermaterial_typesKontraktext, token_ids

Siklus hidup: synchronous_json

Pertahankan index dan dimensi setiap vektor.

Nama model multimodal tidak mengizinkan objek gambar pada jalur persis ini.

Paket

Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.

Mode Fast
Tidak ditentukan Saat mode fast dipilih
Mode Flex
Tidak ditentukan Saat mode flex dipilih
Upaya penalaran maksimum
Tidak ditentukan Saat upaya penalaran maksimum menggunakan penyesuaian default

Tarif Ailoot

Harga menurut konfigurasi

KonfigurasiJadwal tarifBiaya
KonfigurasiTarif dasar tokenJadwal tarifTarif dasarBiaya
Masukan · Token masukan $0.00001 / 1K token
Keluaran · Token keluaran $0 / 1K token
Masukan · Pembacaan cache — / 1K token
Masukan · Penulisan cache — / 1K token
Masukan · Penulisan cache, 1 jam — / 1K token

Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →

Contoh permintaan

Ailoot Ultra · Embedding

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\n

Terima dan simpan hasil

Ailoot Ultra · Embedding

json

Simpan semua hasil yang selesai

Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.

Simpan setiap vektor beserta index masing-masing. Jumlah vektor harus sama dengan jumlah input; dimensinya harus konsisten.

Jika respons asli perlu diperiksa

Endpoint untuk tugas embedding tidak ditambahkan.

Kolom respons
KolomJenis
KolomobjectJenisstring
KolommodelJenisstring
Kolomdata[].indexJenisinteger
Kolomdata[].embeddingJenisfinite float[]
KolomusageJenisobject
Kesalahan dan langkah berikutnya
ResponsKondisiLangkah berikutnya
Respons400 · invalid_request_errorKondisiBidang wajib, representasi materi, atau nilai parameter tidak validLangkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru.

Alias

Alias model

Ailoot Ultra sentence-transformers/all-minilm-l12-v2

Alias jalur metode

Gunakan jalur metode yang ditampilkan di atas.

ID pemanggil terkait

sentence-transformers/all-minilm-l12-v2

", "method_identity": { "effective_request_model_id": "sentence-transformers/all-minilm-l12-v2", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "sentence-transformers/all-minilm-l12-v2", "route_label": "Ultra" }, "method_key": "Ultra|embeddings|/v1/embeddings|sentence-transformers%2Fall-minilm-l12-v2", "ordinal": 0, "rawMethod": { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Keep every vector with its index. Vector count must equal input count; dimensions must be consistent.", "errors": [ { "code": null, "condition": "Bidang wajib, representasi materi, atau nilai parameter tidak valid", "http_status": 400, "recovery": "Perbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Endpoint untuk tugas embedding tidak ditambahkan." }, "material_combinations": [ { "alternatives": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Simpan setiap vektor beserta index masing-masing. Jumlah vektor harus sama dengan jumlah input; dimensinya harus konsisten.", "default_dimensions": null, "family": "embedding", "fields": [ { "description": null, "name": "object", "type": "string" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "data[].index", "type": "integer" }, { "description": null, "name": "data[].embedding", "type": "finite float[]" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "sentence-transformers/all-minilm-l12-v2" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "budget": { "maximum": 512, "text_unit": "byte UTF8", "token_unit": "elemen array token" }, "conditions": "Batch homogen yang tidak kosong. ID token berupa bilangan bulat nonnegatif.", "default": null, "default_known": false, "enum": null, "enum_known": false, "min_items": 1, "name": "input", "required": true, "type": "string|string[]|integer[]|integer[][]" }, { "availability": "source_interface", "default": "float", "default_known": true, "enum": [ "float" ], "enum_known": true, "name": "encoding_format", "required": false, "type": "string" }, { "availability": "unsupported", "default": null, "default_known": false, "enum": null, "enum_known": false, "minimum": 1, "name": "dimensions", "required": false, "type": "integer" }, { "availability": "pass_through_metadata", "conditions": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "session_id", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "trace", "required": false, "type": "json_value" }, { "availability": "source_interface", "conditions": "provider.options ditolak", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "provider", "required": false, "type": "object" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "mixed input kinds", "empty input", "image/audio/file objects", "encoding_format=base64", "dimensions override" ] }, "hints": [ "Pertahankan index dan dimensi setiap vektor.", "Nama model multimodal tidak mengizinkan objek gambar pada jalur persis ini." ], "input": { "content_type": "application/json", "dimensions_override": false, "encoding_format": [ "float" ], "input_shapes": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "material_types": [ "text", "token_ids" ], "max_input_budget_units": 512, "multimodal_objects": false, "required": [ "model", "input" ] }, "lifecycle": { "mode": "synchronous_json", "unknown": "no embedding job endpoint inferred" }, "manufacturer_capability": null, "method": { "http": "POST", "path": "/v1/embeddings" }, "method_aliases": [], "operation_modes": [ "text_to_embedding" ], "output": { "default_dimensions": null, "family": "embedding", "format": "json", "http_success": 200, "vectors": "one dense float vector per input; indices/model/usage validated" } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Tarif dasar token", "units": [ { "amount": "0.00001000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000001", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "examples": [ { "code": "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\n", "label": "curl · retained exact creation", "language": "bash" }, { "code": "from 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)\n", "label": "Python SDK · all vectors", "language": "python" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "embeddings", "hints": [ "Keep every vector index and dimension.", "Multimodal model name does not admit image objects on this exact path." ], "http": "POST", "in": 0.01, "input": [ "text", "token_ids" ], "label": "Эмбеддинги", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "token", "image_input_price": null, "image_output_price": null, "per_request_price": null }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": "0.00001000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000001", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "request_model_id": "sentence-transformers/all-minilm-l12-v2", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00001000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000001", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } } ], "model_id": "sentence-transformers/all-minilm-l12-v2", "nativeProvenance": { "input_facts_canonical_sha256": "13b8dfc2d3499261abf77d4a682529e6fc1fbcec4944423e6f248c79138cd735", "input_html_sha256": "c313c7bc9e31dba04233a9af8ea8ec3a6669a4e84e389a16ffd362dd06a4b20c", "private_audit_sha256": "6c50884a953833e0e0262ee864b16175aa940e79ea36b2a101b222e7a79370bb", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/id/sentence-transformers-all-minilm-l12-v2/", "description": "Sentence Transformers all-MiniLM-L12-v2 mengodekan kalimat dan paragraf pendek menjadi vektor 384 dimensi untuk pencarian, kemiripan, dan pengelompokan. Resep rujukannya menggunakan mean pooling dan normalisasi, dengan pemotongan bawaan pada 256 unit word piece.", "locale": "id", "md_url": "https://ailoot.ai/models/id/sentence-transformers-all-minilm-l12-v2/index.md", "title": "Sentence Transformers: all-MiniLM-L12-v2 — Ailoot", "url": "https://ailoot.ai/models/id/sentence-transformers-all-minilm-l12-v2/" }, "rawModel": { "about": "all-MiniLM-L12-v2 adalah encoder Sentence Transformers untuk kalimat dan paragraf pendek. Model menghasilkan satu vektor dense 384 dimensi per teks untuk pencarian semantik, temu kembali informasi, pengelompokan, dan kemiripan kalimat. Model menggunakan backbone MiniLM-L12-H384-uncased dan di-fine-tune melalui pembelajaran kontrastif pada koleksi satu miliar pasangan kalimat.\n\n### Kodekan unit yang ingin ditemukan\n\nGunakan kalimat atau paragraf pendek yang menyatakan satu gagasan berguna. Untuk koleksi deskripsi produk, pertahankan fitur dan kondisi yang membedakan barang: “The adapter connects a wired headset to a USB-C port” lebih informatif daripada “Audio accessory.” Simpan pengenal rekaman dan deskripsi asli di samping vektornya.\n\nKueri pencarian kemudian dapat dibandingkan dengan deskripsi yang dikodekan. Periksa kandidat hasil untuk persyaratan tepat seperti jenis konektor atau kompatibilitas perangkat sebelum menyajikan pilihan akhir. Vektor merepresentasikan makna teks; aplikasi pencarian di sekelilingnya menemukan rekaman yang sesuai.\n\n### Mean pooling dan vektor yang dinormalisasi\n\nContoh pengodean yang diterbitkan merata-ratakan representasi token dengan masker atensi sehingga posisi padding tidak berkontribusi pada rata-rata. Kemudian normalisasi L2 diterapkan. Tahap-tahap ini merupakan bagian dari resep rujukan untuk memperoleh vektor kalimat, bukan instruksi untuk mengambil token sembarang dari transformer dasar.\n\nPertahankan konsistensi konfigurasi model, pooling, dan normalisasi antara teks terindeks dan kueri baru. Representasi 384 komponen hasilnya dapat dibandingkan menggunakan kemiripan kosinus. Simpan catatan konfigurasi itu bersama koleksi; encoder 384 dimensi yang berbeda tidak menjadi kompatibel hanya karena vektornya memiliki panjang sama.\n\n### Panjang masukan bawaan dan cakupan pelatihan\n\nPembuat menetapkan pemotongan bawaan di atas 256 unit word piece. Ini adalah batas tokenizer, bukan jumlah kata biasa atau karakter. Untuk rekaman lebih panjang, pilih bagian pendek yang koheren dan pertahankan judul atau detail pengenal yang diperlukan untuk menafsirkan masing-masing bagian.\n\nProsedur pelatihan model menggunakan urutan hingga 128 token. Pengaturan pelatihan itu terpisah dari pengaturan bawaan 256 unit word piece yang diterbitkan untuk pengodean. Bagian yang muat dalam pengaturan bawaan masih dapat sangat berbeda dari materi kalimat pendek selama pelatihan, jadi nilai deskripsi panjang atau khusus dengan contoh yang representatif.\n\n### Alur kemiripan dan pengelompokan\n\nUntuk himpunan pesan dukungan, embedding dapat memberikan masukan numerik bagi tahap pengelompokan. Tinjau beberapa pesan dari setiap kelompok usulan dan pesan di dekat batasnya sebelum menetapkan label yang dapat dibaca manusia. Untuk peninjauan konten duplikat, temukan rekaman serupa dan bandingkan pilihan kata sebenarnya; dua bagian mungkin membahas subjek yang sama tetapi memberikan instruksi berbeda.\n\nEdisi L12-v2 yang tepat ini merupakan profil embedding kalimat bahasa Inggris. Edisi ini berbeda dari all-MiniLM-L6-v2 dan checkpoint paraphrase-MiniLM. Nama keluarga yang sama tidak memindahkan konfigurasi urutan atau resep pooling mereka. Gunakan vektor dense ringkasnya bersama rekaman sumber dan evaluasi khusus tugas alih-alih memperlakukan nilai kemiripan sebagai jawaban terverifikasi atau keputusan editorial akhir.", "alias_of": null, "aliases": [], "author": "Sentence Transformers", "available": null, "canonical_model": "sentence-transformers/all-minilm-l12-v2", "capabilities": { "context_length": 512, "manufacturer_input": [ "text" ], "manufacturer_output": [ "embeddings" ] }, "card_routes": [ { "label": "Ultra", "rates": [ { "amount": "0.00001000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000001", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" } ], "summary": "Informasi lengkap harga konfigurasi tersedia di bagian detail." } ], "ctx": null, "entity_type": "model", "formats": [ "embeddings" ], "id": "sentence-transformers/all-minilm-l12-v2", "input": [ "text", "token_ids" ], "kind": "embedding", "max_out": null, "methods": [ { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Keep every vector with its index. Vector count must equal input count; dimensions must be consistent.", "errors": [ { "code": null, "condition": "Bidang wajib, representasi materi, atau nilai parameter tidak valid", "http_status": 400, "recovery": "Perbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Endpoint untuk tugas embedding tidak ditambahkan." }, "material_combinations": [ { "alternatives": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Simpan setiap vektor beserta index masing-masing. Jumlah vektor harus sama dengan jumlah input; dimensinya harus konsisten.", "default_dimensions": null, "family": "embedding", "fields": [ { "description": null, "name": "object", "type": "string" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "data[].index", "type": "integer" }, { "description": null, "name": "data[].embedding", "type": "finite float[]" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "sentence-transformers/all-minilm-l12-v2" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "budget": { "maximum": 512, "text_unit": "byte UTF8", "token_unit": "elemen array token" }, "conditions": "Batch homogen yang tidak kosong. ID token berupa bilangan bulat nonnegatif.", "default": null, "default_known": false, "enum": null, "enum_known": false, "min_items": 1, "name": "input", "required": true, "type": "string|string[]|integer[]|integer[][]" }, { "availability": "source_interface", "default": "float", "default_known": true, "enum": [ "float" ], "enum_known": true, "name": "encoding_format", "required": false, "type": "string" }, { "availability": "unsupported", "default": null, "default_known": false, "enum": null, "enum_known": false, "minimum": 1, "name": "dimensions", "required": false, "type": "integer" }, { "availability": "pass_through_metadata", "conditions": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "session_id", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "trace", "required": false, "type": "json_value" }, { "availability": "source_interface", "conditions": "provider.options ditolak", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "provider", "required": false, "type": "object" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "mixed input kinds", "empty input", "image/audio/file objects", "encoding_format=base64", "dimensions override" ] }, "hints": [ "Pertahankan index dan dimensi setiap vektor.", "Nama model multimodal tidak mengizinkan objek gambar pada jalur persis ini." ], "input": { "content_type": "application/json", "dimensions_override": false, "encoding_format": [ "float" ], "input_shapes": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "material_types": [ "text", "token_ids" ], "max_input_budget_units": 512, "multimodal_objects": false, "required": [ "model", "input" ] }, "lifecycle": { "mode": "synchronous_json", "unknown": "no embedding job endpoint inferred" }, "manufacturer_capability": null, "method": { "http": "POST", "path": "/v1/embeddings" }, "method_aliases": [], "operation_modes": [ "text_to_embedding" ], "output": { "default_dimensions": null, "family": "embedding", "format": "json", "http_success": 200, "vectors": "one dense float vector per input; indices/model/usage validated" } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Tarif dasar token", "units": [ { "amount": "0.00001000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000001", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "examples": [ { "code": "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\n", "label": "curl · retained exact creation", "language": "bash" }, { "code": "from 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)\n", "label": "Python SDK · all vectors", "language": "python" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "embeddings", "hints": [ "Keep every vector index and dimension.", "Multimodal model name does not admit image objects on this exact path." ], "http": "POST", "in": 0.01, "input": [ "text", "token_ids" ], "label": "Эмбеддинги", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "token", "image_input_price": null, "image_output_price": null, "per_request_price": null }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": "0.00001000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000001", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "request_model_id": "sentence-transformers/all-minilm-l12-v2", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00001000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000001", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "model_aliases": [ { "canonical_model_id": "sentence-transformers/all-minilm-l12-v2", "request_model_id": "sentence-transformers/all-minilm-l12-v2", "route_label": "Ultra" } ], "name": "Sentence Transformers: all-MiniLM-L12-v2", "price": { "in": 0.01, "in_label": null, "out": 0, "out_label": null, "scope_label": "Token rates", "sort_in": 0.01, "sort_out": 0, "varies": false }, "public_id": "sentence-transformers/all-minilm-l12-v2", "short": "Sentence Transformers all-MiniLM-L12-v2 mengodekan kalimat dan paragraf pendek menjadi vektor 384 dimensi untuk pencarian, kemiripan, dan pengelompokan. Resep rujukannya menggunakan mean pooling dan normalisasi, dengan pemotongan bawaan pada 256 unit word piece." }, "renderer_schema": { "method_order": "Original DTO methods order; every exact route/format/path/caller survives.", "prices": "Original public DTO fields and original native display HTML; no flattened or normalized offers." }, "representation": "exact-public-dto-and-native-renderer-html", "representationNotes": { "current_reference": { "about_json_pointer": "/aboutHtml", "methods": [ { "contract_json_pointer": "/methods/0/rawMethod/contract", "html_json_pointer": "/methods/0/html", "method_ordinal": 0 } ], "role": "current-semantic-reference" }, "raw_input": { "examples_role": "historical-input-not-current-ready-examples", "json_pointers": [ "/rawModel", "/methods/0/rawMethod" ], "role": "historical-owner-input" }, "schema": "ailoot-native-model-representations-v1" }, "schema": "ailoot-static-model-facts-v1", "schema_version": 1, "shortText": "Sentence Transformers all-MiniLM-L12-v2 mengodekan kalimat dan paragraf pendek menjadi vektor 384 dimensi untuk pencarian, kemiripan, dan pengelompokan. Resep rujukannya menggunakan mean pooling dan normalisasi, dengan pemotongan bawaan pada 256 unit word piece.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "bc0dc680b6fe3b70a9ec5488922cf18d4729d89c819a65fc75706cc685a1fb34", "renderer_sha256": "2a0471475a29000c23db326ca1e315df73dee7524f6bc2907818ee3458813f2d" }, "sourceRevision": "01c7711fa49a3ceead35dfb9487706aa6072b19e80a63efa23ffe930e2e72086" }