paraphrase-MiniLM-L6-v2 adalah model embedding Sentence Transformers untuk kalimat dan paragraf pendek. Model memetakan setiap teks ke ruang vektor dense 384 dimensi, dengan pencarian semantik dan pengelompokan di antara tugas yang dinyatakan pembuat. Arsitektur yang diterbitkan menggabungkan transformer dengan mean pooling; panjang urutan yang dikonfigurasi adalah 128 token.
Siapkan kalimat atau paragraf pendek sebenarnya, sambil mempertahankan subjek dan kondisi penting. Koleksi praktis dapat memuat pertanyaan dengan pilihan kata berbeda atau deskripsi singkat topik-topik terkait. Buat embedding setiap rekaman dan simpan pilihan kata asli serta pengenalnya agar perbandingan berikutnya dapat mengembalikan teks itu sendiri.
Misalnya, beberapa pertanyaan bantuan dapat menjelaskan kesulitan yang sama dengan istilah berbeda. Tahap kemiripan dapat mengumpulkan kandidat tersebut, lalu pilihan katanya dapat diperiksa untuk menentukan masalah sebenarnya. Embedding adalah representasi numerik yang digunakan dalam perbandingan itu; embedding tidak menulis parafrasa atau menetapkan label kelompok akhir dengan sendirinya.
Contoh pengodean langsung pembuat memperhitungkan masker atensi saat merata-ratakan representasi token, dengan mengecualikan posisi padding. Arsitekturnya secara eksplisit memilih mean pooling dan tidak memilih pooling CLS atau max. Simpan resep pooling tersebut bersama model saat menyiapkan vektor yang dapat dibandingkan.
Setiap representasi yang dikembalikan memiliki 384 komponen. Indeks atau tahap pengelompokan bekerja dengan vektor tersebut menggunakan konfigurasi kemiripan yang dipilih, sementara rekaman sumber asli tetap tersedia untuk ditinjau. Gunakan model, persiapan masukan, dan pengaturan perbandingan yang sama pada item yang dibandingkan. Model lain yang mengembalikan 384 nilai bukan ruang embedding yang sama hanya berdasarkan bentuknya.
Konfigurasi rujukan Sentence Transformer menggunakan panjang urutan maksimum 128 token. Siapkan sumber panjang sebagai unit pendek yang koheren, bukan satu paragraf terlalu besar. Kalimat yang memuat aturan mungkin membutuhkan pengecualian pada kalimat berikutnya; simpan unit kecil tersebut bersama-sama jika muat. Jumlah kata atau karakter tidak langsung menentukan panjang token.
Untuk himpunan deskripsi pendek, pertahankan nama dan sifat pembeda yang penting bagi perbandingan. Rekaman yang hanya memuat kategori samar mungkin sulit dibedakan dari rekaman lain sejenis. Simpan hubungan sumber di luar vektor agar kandidat hasil dapat diperiksa berdasarkan materi asli.
Dalam pencarian semantik, representasikan kueri dan materi korpus dengan model yang sama ini, lalu kembalikan rekaman kandidat bersama teks sumbernya. Dalam pengelompokan, tahap lain membentuk kelompok dari vektor. Periksa rekaman di dekat batas kelompok sebelum menggunakan pengelompokan sebagai keputusan produk atau label otomatis.
Keluaran yang berguna adalah representasi ringkas teks pendek yang terhubung dengan rekaman aslinya. Checkpoint paraphrase-MiniLM-L6-v2 yang tepat ini memiliki konfigurasi pooling dan urutannya sendiri. Varian all-MiniLM dan paraphrase multibahasa merupakan profil model terpisah; pelatihan, cakupan bahasa, atau pengaturan masukannya tidak tersirat dari nama MiniLM yang sama.
", "aboutText": "paraphrase-MiniLM-L6-v2 adalah model embedding Sentence Transformers untuk kalimat dan paragraf pendek. Model memetakan setiap teks ke ruang vektor dense 384 dimensi, dengan pencarian semantik dan pengelompokan di antara tugas yang dinyatakan pembuat. Arsitektur yang diterbitkan menggabungkan transformer dengan mean pooling; panjang urutan yang dikonfigurasi adalah 128 token.\n\n### Representasikan bagian yang ingin dibandingkan\n\nSiapkan kalimat atau paragraf pendek sebenarnya, sambil mempertahankan subjek dan kondisi penting. Koleksi praktis dapat memuat pertanyaan dengan pilihan kata berbeda atau deskripsi singkat topik-topik terkait. Buat embedding setiap rekaman dan simpan pilihan kata asli serta pengenalnya agar perbandingan berikutnya dapat mengembalikan teks itu sendiri.\n\nMisalnya, beberapa pertanyaan bantuan dapat menjelaskan kesulitan yang sama dengan istilah berbeda. Tahap kemiripan dapat mengumpulkan kandidat tersebut, lalu pilihan katanya dapat diperiksa untuk menentukan masalah sebenarnya. Embedding adalah representasi numerik yang digunakan dalam perbandingan itu; embedding tidak menulis parafrasa atau menetapkan label kelompok akhir dengan sendirinya.\n\n### Mean pooling dan penggunaan vektor\n\nContoh pengodean langsung pembuat memperhitungkan masker atensi saat merata-ratakan representasi token, dengan mengecualikan posisi padding. Arsitekturnya secara eksplisit memilih mean pooling dan tidak memilih pooling CLS atau max. Simpan resep pooling tersebut bersama model saat menyiapkan vektor yang dapat dibandingkan.\n\nSetiap representasi yang dikembalikan memiliki 384 komponen. Indeks atau tahap pengelompokan bekerja dengan vektor tersebut menggunakan konfigurasi kemiripan yang dipilih, sementara rekaman sumber asli tetap tersedia untuk ditinjau. Gunakan model, persiapan masukan, dan pengaturan perbandingan yang sama pada item yang dibandingkan. Model lain yang mengembalikan 384 nilai bukan ruang embedding yang sama hanya berdasarkan bentuknya.\n\n### Masukan pendek dalam konfigurasi yang diterbitkan\n\nKonfigurasi rujukan Sentence Transformer menggunakan panjang urutan maksimum 128 token. Siapkan sumber panjang sebagai unit pendek yang koheren, bukan satu paragraf terlalu besar. Kalimat yang memuat aturan mungkin membutuhkan pengecualian pada kalimat berikutnya; simpan unit kecil tersebut bersama-sama jika muat. Jumlah kata atau karakter tidak langsung menentukan panjang token.\n\nUntuk himpunan deskripsi pendek, pertahankan nama dan sifat pembeda yang penting bagi perbandingan. Rekaman yang hanya memuat kategori samar mungkin sulit dibedakan dari rekaman lain sejenis. Simpan hubungan sumber di luar vektor agar kandidat hasil dapat diperiksa berdasarkan materi asli.\n\n### Hasil pencarian dan pengelompokan\n\nDalam pencarian semantik, representasikan kueri dan materi korpus dengan model yang sama ini, lalu kembalikan rekaman kandidat bersama teks sumbernya. Dalam pengelompokan, tahap lain membentuk kelompok dari vektor. Periksa rekaman di dekat batas kelompok sebelum menggunakan pengelompokan sebagai keputusan produk atau label otomatis.\n\nKeluaran yang berguna adalah representasi ringkas teks pendek yang terhubung dengan rekaman aslinya. Checkpoint paraphrase-MiniLM-L6-v2 yang tepat ini memiliki konfigurasi pooling dan urutannya sendiri. Varian all-MiniLM dan paraphrase multibahasa merupakan profil model terpisah; pelatihan, cakupan bahasa, atau pengaturan masukannya tidak tersirat dari nama MiniLM yang sama.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "786249d1e231353f649a48fc351699a05d9ad33f94f5273dfa9a3f0ffbc457c3", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "id", "methods": [ { "html": "sentence-transformers/paraphrase-minilm-l6-v2Sentence Transformers paraphrase-MiniLM-L6-v2 memetakan kalimat dan paragraf pendek menjadi vektor 384 dimensi untuk pencarian semantik dan pengelompokan. Konfigurasi yang diterbitkan menggunakan mean pooling dan pengaturan urutan 128 token.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
paraphrase-MiniLM-L6-v2 adalah model embedding Sentence Transformers untuk kalimat dan paragraf pendek. Model memetakan setiap teks ke ruang vektor dense 384 dimensi, dengan pencarian semantik dan pengelompokan di antara tugas yang dinyatakan pembuat. Arsitektur yang diterbitkan menggabungkan transformer dengan mean pooling; panjang urutan yang dikonfigurasi adalah 128 token.
Siapkan kalimat atau paragraf pendek sebenarnya, sambil mempertahankan subjek dan kondisi penting. Koleksi praktis dapat memuat pertanyaan dengan pilihan kata berbeda atau deskripsi singkat topik-topik terkait. Buat embedding setiap rekaman dan simpan pilihan kata asli serta pengenalnya agar perbandingan berikutnya dapat mengembalikan teks itu sendiri.
Misalnya, beberapa pertanyaan bantuan dapat menjelaskan kesulitan yang sama dengan istilah berbeda. Tahap kemiripan dapat mengumpulkan kandidat tersebut, lalu pilihan katanya dapat diperiksa untuk menentukan masalah sebenarnya. Embedding adalah representasi numerik yang digunakan dalam perbandingan itu; embedding tidak menulis parafrasa atau menetapkan label kelompok akhir dengan sendirinya.
Contoh pengodean langsung pembuat memperhitungkan masker atensi saat merata-ratakan representasi token, dengan mengecualikan posisi padding. Arsitekturnya secara eksplisit memilih mean pooling dan tidak memilih pooling CLS atau max. Simpan resep pooling tersebut bersama model saat menyiapkan vektor yang dapat dibandingkan.
Setiap representasi yang dikembalikan memiliki 384 komponen. Indeks atau tahap pengelompokan bekerja dengan vektor tersebut menggunakan konfigurasi kemiripan yang dipilih, sementara rekaman sumber asli tetap tersedia untuk ditinjau. Gunakan model, persiapan masukan, dan pengaturan perbandingan yang sama pada item yang dibandingkan. Model lain yang mengembalikan 384 nilai bukan ruang embedding yang sama hanya berdasarkan bentuknya.
Konfigurasi rujukan Sentence Transformer menggunakan panjang urutan maksimum 128 token. Siapkan sumber panjang sebagai unit pendek yang koheren, bukan satu paragraf terlalu besar. Kalimat yang memuat aturan mungkin membutuhkan pengecualian pada kalimat berikutnya; simpan unit kecil tersebut bersama-sama jika muat. Jumlah kata atau karakter tidak langsung menentukan panjang token.
Untuk himpunan deskripsi pendek, pertahankan nama dan sifat pembeda yang penting bagi perbandingan. Rekaman yang hanya memuat kategori samar mungkin sulit dibedakan dari rekaman lain sejenis. Simpan hubungan sumber di luar vektor agar kandidat hasil dapat diperiksa berdasarkan materi asli.
Dalam pencarian semantik, representasikan kueri dan materi korpus dengan model yang sama ini, lalu kembalikan rekaman kandidat bersama teks sumbernya. Dalam pengelompokan, tahap lain membentuk kelompok dari vektor. Periksa rekaman di dekat batas kelompok sebelum menggunakan pengelompokan sebagai keputusan produk atau label otomatis.
Keluaran yang berguna adalah representasi ringkas teks pendek yang terhubung dengan rekaman aslinya. Checkpoint paraphrase-MiniLM-L6-v2 yang tepat ini memiliki konfigurasi pooling dan urutannya sendiri. Varian all-MiniLM dan paraphrase multibahasa merupakan profil model terpisah; pelatihan, cakupan bahasa, atau pengaturan masukannya tidak tersirat dari nama MiniLM yang sama.
POST /v1/embeddingstext, token_idsembedding| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan sentence-transformers/paraphrase-minilm-l6-v2 | Bawaan— |
Kolominput | Jenisstring|string[]|integer[]|integer[][] | PersyaratanWajib | Nilai & 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_format | Jenisstring | PersyaratanOpsional | Nilai & batasan float | Bawaanfloat |
Kolomdimensions | Jenisinteger | PersyaratanTidak didukung | Nilai & batasan Minimum: 1 | Bawaan— |
Kolomuser | Jenisjson_value | PersyaratanOpsional | Nilai & batasan Kondisi: Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model. | Bawaan— |
Kolomsession_id | Jenisjson_value | PersyaratanOpsional | Nilai & batasan Kondisi: Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model. | Bawaan— |
Kolomtrace | Jenisjson_value | PersyaratanOpsional | Nilai & batasan Kondisi: Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model. | Bawaan— |
Kolomprovider | Jenisobject | PersyaratanOpsional | Nilai & batasan Kondisi: provider.options ditolak | Bawaan— |
text_to_embedding
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, input |
Parameterinput_shapes | Kontrakstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parameterencoding_format | Kontrakfloat |
Parameterdimensions_override | Kontrakfalse |
Parametermax_input_budget_units | Kontrak512 |
Parametermultimodal_objects | Kontrakfalse |
Parametermaterial_types | Kontraktext, token_ids |
Siklus hidup: synchronous_json
Pertahankan index dan dimensi setiap vektor.
Nama model multimodal tidak mengizinkan objek gambar pada jalur persis ini.
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
| Konfigurasi | Jadwal tarif | Biaya |
|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Biaya Masukan · Token masukan $0.00001 / 1K token Keluaran · Token keluaran $0 / 1K token Masukan · Pembacaan cache — / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "sentence-transformers/paraphrase-minilm-l6-v2", "input": ["First document", "Second document"]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.embeddings.create(model='sentence-transformers/paraphrase-minilm-l6-v2',input=["First document","Second document"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\njson
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.
Endpoint untuk tugas embedding tidak ditambahkan.
| Kolom | Jenis |
|---|---|
Kolomobject | Jenisstring |
Kolommodel | Jenisstring |
Kolomdata[].index | Jenisinteger |
Kolomdata[].embedding | Jenisfinite float[] |
Kolomusage | Jenisobject |
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiBidang wajib, representasi materi, atau nilai parameter tidak valid | Langkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru. |
Ailoot Ultra sentence-transformers/paraphrase-minilm-l6-v2
Gunakan jalur metode yang ditampilkan di atas.