all-MiniLM-L12-v2 è un encoder di Sentence Transformers per frasi e brevi paragrafi. Produce un vettore denso a 384 dimensioni per testo, destinato a ricerca semantica, recupero di informazioni, clustering e similarità tra frasi. Il modello usa l’architettura MiniLM-L12-H384-uncased ed è stato adattato con apprendimento contrastivo su una raccolta di un miliardo di coppie di frasi.
Usa una frase o un breve paragrafo che esprima un’idea utile. Per una raccolta di descrizioni di prodotto, mantieni la caratteristica e la condizione che distinguono l’articolo: «The adapter connects a wired headset to a USB-C port» è più informativo di «Audio accessory». Memorizza l’identificatore del record e la descrizione originale accanto al suo vettore.
Una query di ricerca può quindi essere confrontata con le descrizioni codificate. Esamina i candidati restituiti rispetto a requisiti esatti, come tipo di connettore o compatibilità con il dispositivo, prima di presentare una scelta finale. Il vettore rappresenta il significato del testo; l’applicazione di ricerca circostante recupera i record corrispondenti.
L’esempio di codifica pubblicato calcola la media delle rappresentazioni dei token con la maschera di attenzione, così che le posizioni di padding non contribuiscano alla media. Applica poi la normalizzazione L2. Questi passaggi fanno parte della ricetta di riferimento per ottenere il vettore della frase, anziché essere un’istruzione a prendere un token arbitrario dal transformer sottostante.
Mantieni coerente la configurazione di modello, pooling e normalizzazione tra testi indicizzati e nuove query. Le rappresentazioni risultanti a 384 componenti possono essere confrontate usando la similarità del coseno. Conserva una registrazione di quella configurazione insieme alla raccolta; un encoder diverso a 384 dimensioni non diventa compatibile semplicemente perché i suoi vettori hanno la stessa lunghezza.
Il produttore specifica un troncamento predefinito oltre 256 unità subword. È un limite del tokenizer, non un conteggio di parole ordinarie o caratteri. Per un record più lungo, scegli sezioni brevi e coerenti e conserva il titolo o il dettaglio identificativo necessario per interpretare ognuna.
La procedura di addestramento del modello usava sequenze fino a 128 token. Quell’impostazione di addestramento è distinta dal valore predefinito pubblicato di 256 unità subword al momento della codifica. Un passaggio che rientra nel valore predefinito può comunque differire sostanzialmente dal materiale di frasi brevi usato durante l’addestramento, quindi valuta descrizioni lunghe o specialistiche con esempi rappresentativi.
Per un insieme di messaggi di assistenza, gli embedding possono fornire input numerici a una fase di raggruppamento. Esamina diversi messaggi di ogni gruppo proposto e quelli vicini al suo confine prima di assegnare un’etichetta leggibile da una persona. Per la verifica di contenuti duplicati, recupera record simili e confronta la formulazione effettiva; due passaggi possono trattare lo stesso argomento fornendo istruzioni differenti.
Questa esatta edizione L12-v2 è un profilo inglese di embedding di frasi. È distinta da all-MiniLM-L6-v2 e dai checkpoint paraphrase-MiniLM. Nomi di famiglia condivisi non trasferiscono la configurazione di sequenza o la ricetta di pooling. Usa i suoi vettori densi compatti insieme ai record di origine e a una valutazione specifica dell’attività, anziché trattare un valore di similarità come una risposta verificata o una decisione editoriale finale.
", "aboutText": "all-MiniLM-L12-v2 è un encoder di Sentence Transformers per frasi e brevi paragrafi. Produce un vettore denso a 384 dimensioni per testo, destinato a ricerca semantica, recupero di informazioni, clustering e similarità tra frasi. Il modello usa l’architettura MiniLM-L12-H384-uncased ed è stato adattato con apprendimento contrastivo su una raccolta di un miliardo di coppie di frasi.\n\n### Codificare l’unità da recuperare\n\nUsa una frase o un breve paragrafo che esprima un’idea utile. Per una raccolta di descrizioni di prodotto, mantieni la caratteristica e la condizione che distinguono l’articolo: «The adapter connects a wired headset to a USB-C port» è più informativo di «Audio accessory». Memorizza l’identificatore del record e la descrizione originale accanto al suo vettore.\n\nUna query di ricerca può quindi essere confrontata con le descrizioni codificate. Esamina i candidati restituiti rispetto a requisiti esatti, come tipo di connettore o compatibilità con il dispositivo, prima di presentare una scelta finale. Il vettore rappresenta il significato del testo; l’applicazione di ricerca circostante recupera i record corrispondenti.\n\n### Pooling medio e vettori normalizzati\n\nL’esempio di codifica pubblicato calcola la media delle rappresentazioni dei token con la maschera di attenzione, così che le posizioni di padding non contribuiscano alla media. Applica poi la normalizzazione L2. Questi passaggi fanno parte della ricetta di riferimento per ottenere il vettore della frase, anziché essere un’istruzione a prendere un token arbitrario dal transformer sottostante.\n\nMantieni coerente la configurazione di modello, pooling e normalizzazione tra testi indicizzati e nuove query. Le rappresentazioni risultanti a 384 componenti possono essere confrontate usando la similarità del coseno. Conserva una registrazione di quella configurazione insieme alla raccolta; un encoder diverso a 384 dimensioni non diventa compatibile semplicemente perché i suoi vettori hanno la stessa lunghezza.\n\n### Lunghezza di input predefinita e ambito di addestramento\n\nIl produttore specifica un troncamento predefinito oltre 256 unità subword. È un limite del tokenizer, non un conteggio di parole ordinarie o caratteri. Per un record più lungo, scegli sezioni brevi e coerenti e conserva il titolo o il dettaglio identificativo necessario per interpretare ognuna.\n\nLa procedura di addestramento del modello usava sequenze fino a 128 token. Quell’impostazione di addestramento è distinta dal valore predefinito pubblicato di 256 unità subword al momento della codifica. Un passaggio che rientra nel valore predefinito può comunque differire sostanzialmente dal materiale di frasi brevi usato durante l’addestramento, quindi valuta descrizioni lunghe o specialistiche con esempi rappresentativi.\n\n### Flussi di similarità e clustering\n\nPer un insieme di messaggi di assistenza, gli embedding possono fornire input numerici a una fase di raggruppamento. Esamina diversi messaggi di ogni gruppo proposto e quelli vicini al suo confine prima di assegnare un’etichetta leggibile da una persona. Per la verifica di contenuti duplicati, recupera record simili e confronta la formulazione effettiva; due passaggi possono trattare lo stesso argomento fornendo istruzioni differenti.\n\nQuesta esatta edizione L12-v2 è un profilo inglese di embedding di frasi. È distinta da all-MiniLM-L6-v2 e dai checkpoint paraphrase-MiniLM. Nomi di famiglia condivisi non trasferiscono la configurazione di sequenza o la ricetta di pooling. Usa i suoi vettori densi compatti insieme ai record di origine e a una valutazione specifica dell’attività, anziché trattare un valore di similarità come una risposta verificata o una decisione editoriale finale.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "49d6aa89b4bbb48c72231332c6cab9f5d67a2fd29027af3414499ad42241cc07", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "it", "methods": [ { "html": "sentence-transformers/all-minilm-l12-v2Sentence Transformers all-MiniLM-L12-v2 codifica frasi e brevi paragrafi in vettori a 384 dimensioni per ricerca, similarità e clustering. La ricetta di riferimento usa pooling medio e normalizzazione, con troncamento predefinito a 256 unità subword.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
all-MiniLM-L12-v2 è un encoder di Sentence Transformers per frasi e brevi paragrafi. Produce un vettore denso a 384 dimensioni per testo, destinato a ricerca semantica, recupero di informazioni, clustering e similarità tra frasi. Il modello usa l’architettura MiniLM-L12-H384-uncased ed è stato adattato con apprendimento contrastivo su una raccolta di un miliardo di coppie di frasi.
Usa una frase o un breve paragrafo che esprima un’idea utile. Per una raccolta di descrizioni di prodotto, mantieni la caratteristica e la condizione che distinguono l’articolo: «The adapter connects a wired headset to a USB-C port» è più informativo di «Audio accessory». Memorizza l’identificatore del record e la descrizione originale accanto al suo vettore.
Una query di ricerca può quindi essere confrontata con le descrizioni codificate. Esamina i candidati restituiti rispetto a requisiti esatti, come tipo di connettore o compatibilità con il dispositivo, prima di presentare una scelta finale. Il vettore rappresenta il significato del testo; l’applicazione di ricerca circostante recupera i record corrispondenti.
L’esempio di codifica pubblicato calcola la media delle rappresentazioni dei token con la maschera di attenzione, così che le posizioni di padding non contribuiscano alla media. Applica poi la normalizzazione L2. Questi passaggi fanno parte della ricetta di riferimento per ottenere il vettore della frase, anziché essere un’istruzione a prendere un token arbitrario dal transformer sottostante.
Mantieni coerente la configurazione di modello, pooling e normalizzazione tra testi indicizzati e nuove query. Le rappresentazioni risultanti a 384 componenti possono essere confrontate usando la similarità del coseno. Conserva una registrazione di quella configurazione insieme alla raccolta; un encoder diverso a 384 dimensioni non diventa compatibile semplicemente perché i suoi vettori hanno la stessa lunghezza.
Il produttore specifica un troncamento predefinito oltre 256 unità subword. È un limite del tokenizer, non un conteggio di parole ordinarie o caratteri. Per un record più lungo, scegli sezioni brevi e coerenti e conserva il titolo o il dettaglio identificativo necessario per interpretare ognuna.
La procedura di addestramento del modello usava sequenze fino a 128 token. Quell’impostazione di addestramento è distinta dal valore predefinito pubblicato di 256 unità subword al momento della codifica. Un passaggio che rientra nel valore predefinito può comunque differire sostanzialmente dal materiale di frasi brevi usato durante l’addestramento, quindi valuta descrizioni lunghe o specialistiche con esempi rappresentativi.
Per un insieme di messaggi di assistenza, gli embedding possono fornire input numerici a una fase di raggruppamento. Esamina diversi messaggi di ogni gruppo proposto e quelli vicini al suo confine prima di assegnare un’etichetta leggibile da una persona. Per la verifica di contenuti duplicati, recupera record simili e confronta la formulazione effettiva; due passaggi possono trattare lo stesso argomento fornendo istruzioni differenti.
Questa esatta edizione L12-v2 è un profilo inglese di embedding di frasi. È distinta da all-MiniLM-L6-v2 e dai checkpoint paraphrase-MiniLM. Nomi di famiglia condivisi non trasferiscono la configurazione di sequenza o la ricetta di pooling. Usa i suoi vettori densi compatti insieme ai record di origine e a una valutazione specifica dell’attività, anziché trattare un valore di similarità come una risposta verificata o una decisione editoriale finale.
POST /v1/embeddingstext, token_idsembedding| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti sentence-transformers/all-minilm-l12-v2 | Predefinito— |
Campoinput | Tipostring|string[]|integer[]|integer[][] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 Condizioni: Batch omogeneo non vuoto. Gli ID dei token sono numeri interi non negativi. Budget di input: Massimo: 512 · Unità di testo: byte UTF8 · Unità di token: elementi dell’array di token | Predefinito— |
Campoencoding_format | Tipostring | RequisitoFacoltativo | Valori e limiti float | Predefinitofloat |
Campodimensions | Tipointeger | RequisitoNon supportato | Valori e limiti Minimo: 1 | Predefinito— |
Campouser | Tipojson_value | RequisitoFacoltativo | Valori e limiti Condizioni: La fonte consente questo campo di metadati JSON; la semantica esatta del fornitore a monte dipende dal modello. | Predefinito— |
Camposession_id | Tipojson_value | RequisitoFacoltativo | Valori e limiti Condizioni: La fonte consente questo campo di metadati JSON; la semantica esatta del fornitore a monte dipende dal modello. | Predefinito— |
Campotrace | Tipojson_value | RequisitoFacoltativo | Valori e limiti Condizioni: La fonte consente questo campo di metadati JSON; la semantica esatta del fornitore a monte dipende dal modello. | Predefinito— |
Campoprovider | Tipoobject | RequisitoFacoltativo | Valori e limiti Condizioni: provider.options rifiutato | Predefinito— |
text_to_embedding
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, input |
Parametroinput_shapes | Contrattostring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parametroencoding_format | Contrattofloat |
Parametrodimensions_override | Contrattofalse |
Parametromax_input_budget_units | Contratto512 |
Parametromultimodal_objects | Contrattofalse |
Parametromaterial_types | Contrattotext, token_ids |
Ciclo di vita: synchronous_json
Conserva l'indice e la dimensione di ogni vettore.
Il nome del modello multimodale non consente oggetti immagine su questo percorso specifico.
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
| Configurazione | Listino delle tariffe | Costo |
|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Costo Input · Token in input $0.00001 / 1K token Output · Token in output $0 / 1K token Input · Lettura dalla cache — / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${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\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/all-minilm-l12-v2',input=["First document","Second document"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\njson
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva ogni vettore con il suo indice. Il numero di vettori deve coincidere con il numero di input; le dimensioni devono essere coerenti.
Non viene introdotto alcun endpoint per i job di embedding.
| Campo | Tipo |
|---|---|
Campoobject | Tipostring |
Campomodel | Tipostring |
Campodata[].index | Tipointeger |
Campodata[].embedding | Tipofinite float[] |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra sentence-transformers/all-minilm-l12-v2
Usa i percorsi dei metodi indicati sopra.