Source: https://ailoot.ai/models/it/sentence-transformers-all-minilm-l12-v2/
Canonical: https://ailoot.ai/models/it/sentence-transformers-all-minilm-l12-v2/
Language: it

# Sentence Transformers: all-MiniLM-L12-v2

[Markdown](https://ailoot.ai/models/it/sentence-transformers-all-minilm-l12-v2/index.md) · [JSON](https://ailoot.ai/models/it/sentence-transformers-all-minilm-l12-v2/facts.json)

## [Sentence Transformers: all-MiniLM-L12-v2](https://ailoot.ai/models/it/sentence-transformers-all-minilm-l12-v2/)

Sentence 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.

- [**Ailoot Ultra · Embedding** `POST /v1/embeddings` `sentence-transformers/all-minilm-l12-v2`](https://ailoot.ai/models/it/sentence-transformers-all-minilm-l12-v2/#method-0)

Informazioni sul modello

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.

#### Codificare l’unità da recuperare

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.

#### Pooling medio e vettori normalizzati

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.

#### Lunghezza di input predefinita e ambito di addestramento

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.

#### Flussi di similarità e clustering

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.

**Ailoot Ultra · Embedding** `POST /v1/embeddings` `sentence-transformers/all-minilm-l12-v2`

[`sentence-transformers/all-minilm-l12-v2`](https://ailoot.ai/models/it/#m=sentence-transformers%2Fall-minilm-l12-v2&route=Ultra&caller=sentence-transformers%2Fall-minilm-l12-v2&fmt=embeddings)

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

### Introduzione

Sentence 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.

Input accettati

Testo · token\_ids

Risultati

embedding

### Disponibile in Ailoot · input e metodi

**Ailoot Ultra · Embedding** `POST /v1/embeddings`

Tipi di input

`text`, `token_ids`

Tipi di output

`embedding`

Formato di output

json

| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
| --- | --- | --- | --- | --- |
| Campo`model` | Tipo`string` | RequisitoObbligatorio | Valori e limiti sentence-transformers/all-minilm-l12-v2 | Predefinito— |
| Campo`input` | Tipo`string\|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— |
| Campo`encoding_format` | Tipo`string` | RequisitoFacoltativo | Valori e limiti float | Predefinitofloat |
| Campo`dimensions` | Tipo`integer` | RequisitoNon supportato | Valori e limiti Minimo: 1 | Predefinito— |
| Campo`user` | Tipo`json_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— |
| Campo`session_id` | Tipo`json_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— |
| Campo`trace` | Tipo`json_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— |
| Campo`provider` | Tipo`object` | RequisitoFacoltativo | Valori e limiti Condizioni: provider.options rifiutato | Predefinito— |

Combinazioni di materiali in input

**text\_to\_embedding**

Parametri e ciclo di vita del metodo

| Parametro | Contratto |
| --- | --- |
| Parametro`content_type` | Contrattoapplication/json |
| Parametro`required` | Contrattomodel, input |
| Parametro`input_shapes` | Contrattostring, string\[\], nonnegative\_integer\_token\_array, nonnegative\_integer\_token\_array\[\] |
| Parametro`encoding_format` | Contrattofloat |
| Parametro`dimensions_override` | Contrattofalse |
| Parametro`max_input_budget_units` | Contratto512 |
| Parametro`multimodal_objects` | Contrattofalse |
| Parametro`material_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.

### Tariffe

Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.

Modalità rapida

Non specificato Quando è selezionata la modalità rapida

Modalità flex

Non specificato Quando è selezionata la modalità flex

Sforzo massimo di ragionamento

Non specificato Quando lo sforzo massimo di ragionamento usa l'adeguamento predefinito (default)

#### Tariffe Ailoot

#### Prezzi per configurazione

| 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 →](https://ailoot.ai/docs/it/billing/reserve/)

### Esempi di richieste

#### Ailoot Ultra · Embedding

curlPython SDK

```bash
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "sentence-transformers/all-minilm-l12-v2", "input": ["First document", "Second document"]}')

Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
r=json.loads(Path("result.json").read_text())
for x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))
PY_RESULT
```

```python
from openai import OpenAI
import os

client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)
result=client.embeddings.create(model='sentence-transformers/all-minilm-l12-v2',input=["First document","Second document"])
print(result)
for item in result.data:print(item.index,item.embedding)
```

### Ricevi e salva i risultati

#### Ailoot Ultra · Embedding

json

##### Conserva tutti i risultati completati

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.

##### Se occorre verificare la risposta originale

Non viene introdotto alcun endpoint per i job di embedding.

Campi della risposta

| Campo | Tipo |
| --- | --- |
| Campo`object` | Tipostring |
| Campo`model` | Tipostring |
| Campo`data[].index` | Tipointeger |
| Campo`data[].embedding` | Tipofinite float\[\] |
| Campo`usage` | Tipoobject |

Errori e passaggi successivi

| 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. |

### Alias

#### Alias del modello

**Ailoot Ultra** [`sentence-transformers/all-minilm-l12-v2`](https://ailoot.ai/models/it/#m=sentence-transformers%2Fall-minilm-l12-v2&route=Ultra&caller=sentence-transformers%2Fall-minilm-l12-v2&fmt=embeddings)

#### Alias dei percorsi dei metodi

Usa i percorsi dei metodi indicati sopra.

#### ID di chiamata correlati

[`sentence-transformers/all-minilm-l12-v2`](https://ailoot.ai/models/it/#m=sentence-transformers%2Fall-minilm-l12-v2&route=Ultra&caller=sentence-transformers%2Fall-minilm-l12-v2&fmt=embeddings)

FAQ · Sentence Transformers: all-MiniLM-L12-v2

Quali input e risultati sono disponibili?

`POST /v1/embeddings` · `sentence-transformers/all-minilm-l12-v2`: `text`, `token_ids` → `embedding`

Quali campi usa la richiesta?

`POST /v1/embeddings` · `sentence-transformers/all-minilm-l12-v2`: `model`, `input`, `encoding_format`, `provider`

Quali limiti si applicano?

`POST /v1/embeddings` · `sentence-transformers/all-minilm-l12-v2`: `input.budget.maximum`: `512` (byte UTF8); `input.min_items`: `1`

Collega Ailoot a Claude Code, OpenCode, Hermes o alla tua applicazione.

## L’azienda e il suo portafoglio di progetti

L’azienda e il suo portafoglio di progetti: milioni di clienti; vendite nell’ordine dei miliardi ogni mese.

## Acquista token con uno sconto.

Sconto con abbonamento per lavoro regolare. Codici fino al 50% sull’acquisto di token.

Abbonamento

Scegli un piano scontato per richieste regolari.

Codice fino al 50%

Inserisci il codice all’acquisto. Il prezzo si aggiorna secondo la promozione.

Spese nella cronologia

Modello, token e importo sono salvati per ogni richiesta.

[Scegli abbonamento](https://ailoot.ai/docs/it/billing/subscriptions/) · [Consulta prezzi dei modelli](https://ailoot.ai/models/it/)

## Collega l’API al prodotto che vendi.

SaaS, app e bot secondo offerta e accordo di licenza Ailoot. Per rivendere, richiedi una licenza reseller.

Applicazione commerciale

Integra generazione di testo, immagini, video e suono nelle funzioni a pagamento.

Licenza reseller

Invia descrizione del progetto e schema di accesso. Richiedi condizioni scritte per uso e rivendita.

Documenti sul sito

Offerta, accordo di licenza e politica sui dati sono disponibili prima della connessione.

[Richiedi licenza reseller](mailto:support@ailoot.ai) · [Offerta e accordo di licenza](https://ailoot.ai/legal/offer?lang=it)

## Ailoot · L’azienda e il suo portafoglio di progetti





Ailoot si basa su un’esperienza operativa consolidata, un’ampia base di clienti, un servizio stabile e un controllo costante dei KPI.





L’azienda e il suo portafoglio di progetti: milioni di clienti; vendite nell’ordine dei miliardi ogni mese.





Ailoot mette questa esperienza operativa al servizio dell’accesso API alle funzioni AI nei prodotti dei clienti, negli agenti, nelle applicazioni e nelle automazioni.