{ "aboutHtml": "

all-MiniLM-L6-v2 adalah encoder kalimat dan paragraf pendek Sentence Transformers. Model memetakan setiap teks menjadi vektor dense 384 dimensi untuk temu kembali, pengelompokan, dan kemiripan kalimat. Model di-fine-tune dari backbone MiniLM-L6-H384-uncased menggunakan pembelajaran kontrastif pada koleksi satu miliar pasangan kalimat.

Siapkan rekaman ringkas dan bermakna

Pilih kalimat atau paragraf yang harus muncul dalam hasil pencarian. Untuk koleksi FAQ, simpan pertanyaan dan penjelasan singkat yang membedakan topiknya. Bagian tentang pengaturan ulang kata sandi yang terlupa harus mempertahankan prosedur pengaturan ulang, bukan dipangkas menjadi kata terpisah seperti “Account.”

Untuk artikel panjang, indeks bagian pendek yang koheren dan simpan lokasi sumbernya. Temukan bagian kandidat dengan membandingkan vektor kueri dengan representasi tersimpan, lalu tampilkan bagian asli agar pembaca dapat memeriksa instruksi sebenarnya.

Dapatkan representasi kalimat

Resep pengodean langsung pembuat merata-ratakan representasi token dengan masker atensi, mengecualikan posisi padding dari rata-rata. Kemudian normalisasi L2 diterapkan. Tahap-tahap ini menghasilkan embedding kalimat yang digunakan untuk perbandingan; representasi token individual dari transformer dasarnya memiliki peran berbeda.

Setiap keluaran memiliki 384 komponen. Gunakan checkpoint, pooling, dan normalisasi yang sama saat membangun koleksi dan mengodekan kueri berikutnya. Kemiripan kosinus dapat membandingkan vektor hasilnya. Nilai kemiripan berguna untuk memeringkat kandidat dengan pengaturan tersebut, sementara teks asli menentukan apakah kandidat menjawab pertanyaan.

Batas panjang dan edisi

Pengaturan bawaan yang diterbitkan memotong masukan lebih panjang dari 256 unit word piece. Unit tokenizer ini tidak langsung sama dengan kata biasa atau karakter. Pertahankan kondisi penting di dalam unit yang diindeks, dan bagi prosedur panjang pada batas bermakna sebelum mengodekannya.

Urutan pelatihan dibatasi pada 128 token. Pengaturan pelatihan tersebut terpisah dari pengaturan bawaan 256 unit word piece yang digunakan untuk pengodean. Untuk bagian yang sangat panjang atau khusus, gunakan contoh kueri dan bagian teks yang representatif untuk menilai perilaku temu kembali alih-alih menganggap muat dalam batas masukan menjamin perlakuan setara terhadap setiap detail.

Edisi L6-v2 yang tepat merupakan profil embedding bahasa Inggris. Edisi L12-v2 dan paraphrase-MiniLM memiliki identitas model serta konfigurasi terpisah. Nama MiniLM yang sama atau keluaran 384 dimensi tidak membuktikan vektor yang dapat saling dipertukarkan.

Pencarian, kemiripan, dan pengelompokan

Untuk peninjauan pertanyaan duplikat, temukan pertanyaan serupa dan bandingkan pilihan kata sebenarnya sebelum menggabungkan rekaman. “Can I reset my password?” dan “Can an administrator reset another user’s password?” menyangkut subjek terkait tetapi izin yang berbeda. Pertahankan perbedaan itu dalam teks yang dikodekan dan tahap peninjauan.

Untuk pengelompokan, gunakan embedding sebagai masukan numerik bagi proses pembentukan kelompok, lalu periksa rekaman yang representatif sebelum menamai kelompok. Model ini memberikan vektor, bukan label kelompok tertulis atau jawaban FAQ yang dihasilkan. Hasil yang berguna adalah representasi ringkas bagian sumber pendek yang tetap terhubung dengan rekaman aslinya.

", "aboutText": "all-MiniLM-L6-v2 adalah encoder kalimat dan paragraf pendek Sentence Transformers. Model memetakan setiap teks menjadi vektor dense 384 dimensi untuk temu kembali, pengelompokan, dan kemiripan kalimat. Model di-fine-tune dari backbone MiniLM-L6-H384-uncased menggunakan pembelajaran kontrastif pada koleksi satu miliar pasangan kalimat.\n\n### Siapkan rekaman ringkas dan bermakna\n\nPilih kalimat atau paragraf yang harus muncul dalam hasil pencarian. Untuk koleksi FAQ, simpan pertanyaan dan penjelasan singkat yang membedakan topiknya. Bagian tentang pengaturan ulang kata sandi yang terlupa harus mempertahankan prosedur pengaturan ulang, bukan dipangkas menjadi kata terpisah seperti “Account.”\n\nUntuk artikel panjang, indeks bagian pendek yang koheren dan simpan lokasi sumbernya. Temukan bagian kandidat dengan membandingkan vektor kueri dengan representasi tersimpan, lalu tampilkan bagian asli agar pembaca dapat memeriksa instruksi sebenarnya.\n\n### Dapatkan representasi kalimat\n\nResep pengodean langsung pembuat merata-ratakan representasi token dengan masker atensi, mengecualikan posisi padding dari rata-rata. Kemudian normalisasi L2 diterapkan. Tahap-tahap ini menghasilkan embedding kalimat yang digunakan untuk perbandingan; representasi token individual dari transformer dasarnya memiliki peran berbeda.\n\nSetiap keluaran memiliki 384 komponen. Gunakan checkpoint, pooling, dan normalisasi yang sama saat membangun koleksi dan mengodekan kueri berikutnya. Kemiripan kosinus dapat membandingkan vektor hasilnya. Nilai kemiripan berguna untuk memeringkat kandidat dengan pengaturan tersebut, sementara teks asli menentukan apakah kandidat menjawab pertanyaan.\n\n### Batas panjang dan edisi\n\nPengaturan bawaan yang diterbitkan memotong masukan lebih panjang dari 256 unit word piece. Unit tokenizer ini tidak langsung sama dengan kata biasa atau karakter. Pertahankan kondisi penting di dalam unit yang diindeks, dan bagi prosedur panjang pada batas bermakna sebelum mengodekannya.\n\nUrutan pelatihan dibatasi pada 128 token. Pengaturan pelatihan tersebut terpisah dari pengaturan bawaan 256 unit word piece yang digunakan untuk pengodean. Untuk bagian yang sangat panjang atau khusus, gunakan contoh kueri dan bagian teks yang representatif untuk menilai perilaku temu kembali alih-alih menganggap muat dalam batas masukan menjamin perlakuan setara terhadap setiap detail.\n\nEdisi L6-v2 yang tepat merupakan profil embedding bahasa Inggris. Edisi L12-v2 dan paraphrase-MiniLM memiliki identitas model serta konfigurasi terpisah. Nama MiniLM yang sama atau keluaran 384 dimensi tidak membuktikan vektor yang dapat saling dipertukarkan.\n\n### Pencarian, kemiripan, dan pengelompokan\n\nUntuk peninjauan pertanyaan duplikat, temukan pertanyaan serupa dan bandingkan pilihan kata sebenarnya sebelum menggabungkan rekaman. “Can I reset my password?” dan “Can an administrator reset another user’s password?” menyangkut subjek terkait tetapi izin yang berbeda. Pertahankan perbedaan itu dalam teks yang dikodekan dan tahap peninjauan.\n\nUntuk pengelompokan, gunakan embedding sebagai masukan numerik bagi proses pembentukan kelompok, lalu periksa rekaman yang representatif sebelum menamai kelompok. Model ini memberikan vektor, bukan label kelompok tertulis atau jawaban FAQ yang dihasilkan. Hasil yang berguna adalah representasi ringkas bagian sumber pendek yang tetap terhubung dengan rekaman aslinya.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "c42dc89ea02ea7c4514738e2f7c8e731990b25715e052c682e8a05021102f3f7", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "id", "methods": [ { "html": "
•

Sentence Transformers: all-MiniLM-L6-v2

Sentence Transformers /sentence-transformers/all-minilm-l6-v2

Mulai

Sentence Transformers all-MiniLM-L6-v2 merepresentasikan kalimat dan paragraf pendek sebagai vektor 384 dimensi untuk pencarian semantik, pengelompokan, dan kemiripan. Resep yang diterbitkan menggabungkan mean pooling dengan normalisasi L2 dan pengaturan bawaan 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-L6-v2 adalah encoder kalimat dan paragraf pendek Sentence Transformers. Model memetakan setiap teks menjadi vektor dense 384 dimensi untuk temu kembali, pengelompokan, dan kemiripan kalimat. Model di-fine-tune dari backbone MiniLM-L6-H384-uncased menggunakan pembelajaran kontrastif pada koleksi satu miliar pasangan kalimat.

Siapkan rekaman ringkas dan bermakna

Pilih kalimat atau paragraf yang harus muncul dalam hasil pencarian. Untuk koleksi FAQ, simpan pertanyaan dan penjelasan singkat yang membedakan topiknya. Bagian tentang pengaturan ulang kata sandi yang terlupa harus mempertahankan prosedur pengaturan ulang, bukan dipangkas menjadi kata terpisah seperti “Account.”

Untuk artikel panjang, indeks bagian pendek yang koheren dan simpan lokasi sumbernya. Temukan bagian kandidat dengan membandingkan vektor kueri dengan representasi tersimpan, lalu tampilkan bagian asli agar pembaca dapat memeriksa instruksi sebenarnya.

Dapatkan representasi kalimat

Resep pengodean langsung pembuat merata-ratakan representasi token dengan masker atensi, mengecualikan posisi padding dari rata-rata. Kemudian normalisasi L2 diterapkan. Tahap-tahap ini menghasilkan embedding kalimat yang digunakan untuk perbandingan; representasi token individual dari transformer dasarnya memiliki peran berbeda.

Setiap keluaran memiliki 384 komponen. Gunakan checkpoint, pooling, dan normalisasi yang sama saat membangun koleksi dan mengodekan kueri berikutnya. Kemiripan kosinus dapat membandingkan vektor hasilnya. Nilai kemiripan berguna untuk memeringkat kandidat dengan pengaturan tersebut, sementara teks asli menentukan apakah kandidat menjawab pertanyaan.

Batas panjang dan edisi

Pengaturan bawaan yang diterbitkan memotong masukan lebih panjang dari 256 unit word piece. Unit tokenizer ini tidak langsung sama dengan kata biasa atau karakter. Pertahankan kondisi penting di dalam unit yang diindeks, dan bagi prosedur panjang pada batas bermakna sebelum mengodekannya.

Urutan pelatihan dibatasi pada 128 token. Pengaturan pelatihan tersebut terpisah dari pengaturan bawaan 256 unit word piece yang digunakan untuk pengodean. Untuk bagian yang sangat panjang atau khusus, gunakan contoh kueri dan bagian teks yang representatif untuk menilai perilaku temu kembali alih-alih menganggap muat dalam batas masukan menjamin perlakuan setara terhadap setiap detail.

Edisi L6-v2 yang tepat merupakan profil embedding bahasa Inggris. Edisi L12-v2 dan paraphrase-MiniLM memiliki identitas model serta konfigurasi terpisah. Nama MiniLM yang sama atau keluaran 384 dimensi tidak membuktikan vektor yang dapat saling dipertukarkan.

Pencarian, kemiripan, dan pengelompokan

Untuk peninjauan pertanyaan duplikat, temukan pertanyaan serupa dan bandingkan pilihan kata sebenarnya sebelum menggabungkan rekaman. “Can I reset my password?” dan “Can an administrator reset another user’s password?” menyangkut subjek terkait tetapi izin yang berbeda. Pertahankan perbedaan itu dalam teks yang dikodekan dan tahap peninjauan.

Untuk pengelompokan, gunakan embedding sebagai masukan numerik bagi proses pembentukan kelompok, lalu periksa rekaman yang representatif sebelum menamai kelompok. Model ini memberikan vektor, bukan label kelompok tertulis atau jawaban FAQ yang dihasilkan. Hasil yang berguna adalah representasi ringkas bagian sumber pendek yang tetap terhubung dengan rekaman aslinya.

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-l6-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-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\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-l6-v2

Alias jalur metode

Gunakan jalur metode yang ditampilkan di atas.

ID pemanggil terkait

sentence-transformers/all-minilm-l6-v2

", "method_identity": { "effective_request_model_id": "sentence-transformers/all-minilm-l6-v2", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "sentence-transformers/all-minilm-l6-v2", "route_label": "Ultra" }, "method_key": "Ultra|embeddings|/v1/embeddings|sentence-transformers%2Fall-minilm-l6-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-l6-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-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\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-l6-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-l6-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-l6-v2", "nativeProvenance": { "input_facts_canonical_sha256": "54d3aea188d402a4c9b78bf453291ac7ba363ee7304be980af1a4f02b0062104", "input_html_sha256": "329e193ee4e5cfde728f77dbdf344b381d2bcd75871c1fe1f77f7a13aba1aac5", "private_audit_sha256": "2127794894d9a4801dd0577ea9c79d309d888caa49f5c148b4df5535cd32bb0c", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/id/sentence-transformers-all-minilm-l6-v2/", "description": "Sentence Transformers all-MiniLM-L6-v2 merepresentasikan kalimat dan paragraf pendek sebagai vektor 384 dimensi untuk pencarian semantik, pengelompokan, dan kemiripan. Resep yang diterbitkan menggabungkan mean pooling dengan normalisasi L2 dan pengaturan bawaan 256 unit word piece.", "locale": "id", "md_url": "https://ailoot.ai/models/id/sentence-transformers-all-minilm-l6-v2/index.md", "title": "Sentence Transformers: all-MiniLM-L6-v2 — Ailoot", "url": "https://ailoot.ai/models/id/sentence-transformers-all-minilm-l6-v2/" }, "rawModel": { "about": "all-MiniLM-L6-v2 adalah encoder kalimat dan paragraf pendek Sentence Transformers. Model memetakan setiap teks menjadi vektor dense 384 dimensi untuk temu kembali, pengelompokan, dan kemiripan kalimat. Model di-fine-tune dari backbone MiniLM-L6-H384-uncased menggunakan pembelajaran kontrastif pada koleksi satu miliar pasangan kalimat.\n\n### Siapkan rekaman ringkas dan bermakna\n\nPilih kalimat atau paragraf yang harus muncul dalam hasil pencarian. Untuk koleksi FAQ, simpan pertanyaan dan penjelasan singkat yang membedakan topiknya. Bagian tentang pengaturan ulang kata sandi yang terlupa harus mempertahankan prosedur pengaturan ulang, bukan dipangkas menjadi kata terpisah seperti “Account.”\n\nUntuk artikel panjang, indeks bagian pendek yang koheren dan simpan lokasi sumbernya. Temukan bagian kandidat dengan membandingkan vektor kueri dengan representasi tersimpan, lalu tampilkan bagian asli agar pembaca dapat memeriksa instruksi sebenarnya.\n\n### Dapatkan representasi kalimat\n\nResep pengodean langsung pembuat merata-ratakan representasi token dengan masker atensi, mengecualikan posisi padding dari rata-rata. Kemudian normalisasi L2 diterapkan. Tahap-tahap ini menghasilkan embedding kalimat yang digunakan untuk perbandingan; representasi token individual dari transformer dasarnya memiliki peran berbeda.\n\nSetiap keluaran memiliki 384 komponen. Gunakan checkpoint, pooling, dan normalisasi yang sama saat membangun koleksi dan mengodekan kueri berikutnya. Kemiripan kosinus dapat membandingkan vektor hasilnya. Nilai kemiripan berguna untuk memeringkat kandidat dengan pengaturan tersebut, sementara teks asli menentukan apakah kandidat menjawab pertanyaan.\n\n### Batas panjang dan edisi\n\nPengaturan bawaan yang diterbitkan memotong masukan lebih panjang dari 256 unit word piece. Unit tokenizer ini tidak langsung sama dengan kata biasa atau karakter. Pertahankan kondisi penting di dalam unit yang diindeks, dan bagi prosedur panjang pada batas bermakna sebelum mengodekannya.\n\nUrutan pelatihan dibatasi pada 128 token. Pengaturan pelatihan tersebut terpisah dari pengaturan bawaan 256 unit word piece yang digunakan untuk pengodean. Untuk bagian yang sangat panjang atau khusus, gunakan contoh kueri dan bagian teks yang representatif untuk menilai perilaku temu kembali alih-alih menganggap muat dalam batas masukan menjamin perlakuan setara terhadap setiap detail.\n\nEdisi L6-v2 yang tepat merupakan profil embedding bahasa Inggris. Edisi L12-v2 dan paraphrase-MiniLM memiliki identitas model serta konfigurasi terpisah. Nama MiniLM yang sama atau keluaran 384 dimensi tidak membuktikan vektor yang dapat saling dipertukarkan.\n\n### Pencarian, kemiripan, dan pengelompokan\n\nUntuk peninjauan pertanyaan duplikat, temukan pertanyaan serupa dan bandingkan pilihan kata sebenarnya sebelum menggabungkan rekaman. “Can I reset my password?” dan “Can an administrator reset another user’s password?” menyangkut subjek terkait tetapi izin yang berbeda. Pertahankan perbedaan itu dalam teks yang dikodekan dan tahap peninjauan.\n\nUntuk pengelompokan, gunakan embedding sebagai masukan numerik bagi proses pembentukan kelompok, lalu periksa rekaman yang representatif sebelum menamai kelompok. Model ini memberikan vektor, bukan label kelompok tertulis atau jawaban FAQ yang dihasilkan. Hasil yang berguna adalah representasi ringkas bagian sumber pendek yang tetap terhubung dengan rekaman aslinya.", "alias_of": null, "aliases": [], "author": "Sentence Transformers", "available": null, "canonical_model": "sentence-transformers/all-minilm-l6-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-l6-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-l6-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-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\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-l6-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-l6-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-l6-v2", "request_model_id": "sentence-transformers/all-minilm-l6-v2", "route_label": "Ultra" } ], "name": "Sentence Transformers: all-MiniLM-L6-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-l6-v2", "short": "Sentence Transformers all-MiniLM-L6-v2 merepresentasikan kalimat dan paragraf pendek sebagai vektor 384 dimensi untuk pencarian semantik, pengelompokan, dan kemiripan. Resep yang diterbitkan menggabungkan mean pooling dengan normalisasi L2 dan pengaturan bawaan 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-L6-v2 merepresentasikan kalimat dan paragraf pendek sebagai vektor 384 dimensi untuk pencarian semantik, pengelompokan, dan kemiripan. Resep yang diterbitkan menggabungkan mean pooling dengan normalisasi L2 dan pengaturan bawaan 256 unit word piece.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "676a68f9d8bd753be762a2e31885a7d7eaca00070bfefebd9a242861bd069228", "renderer_sha256": "2a0471475a29000c23db326ca1e315df73dee7524f6bc2907818ee3458813f2d" }, "sourceRevision": "626c67d2f6408ebdd0c504b7ac8f1604e134b67c8d4b6dcc3384a605c7047799" }