all-MiniLM-L6-v2 è un encoder di frasi e brevi paragrafi di Sentence Transformers. Trasforma ogni testo in un vettore denso a 384 dimensioni per recupero, clustering e similarità tra frasi. Il modello è stato adattato dall’architettura MiniLM-L6-H384-uncased usando apprendimento contrastivo su una raccolta di un miliardo di coppie di frasi.
Scegli la frase o il paragrafo che dovrebbe comparire in un risultato di ricerca. Per una raccolta di FAQ, conserva la domanda e la breve spiegazione che ne distingue l’argomento. Un passaggio sul ripristino di una password dimenticata dovrebbe mantenere la procedura di ripristino, anziché essere ridotto a una parola isolata come «Account».
Per un articolo lungo, indicizza sezioni brevi e coerenti e mantieni le posizioni nelle fonti. Recupera sezioni candidate confrontando il vettore della query con le rappresentazioni memorizzate, quindi mostra i passaggi originali affinché il lettore possa esaminare le istruzioni effettive.
La ricetta di codifica diretta del produttore calcola la media delle rappresentazioni dei token con la maschera di attenzione, escludendo le posizioni di padding dalla media. Applica poi la normalizzazione L2. Questi passaggi producono l’embedding di frase usato per il confronto; le rappresentazioni dei singoli token del transformer sottostante hanno un ruolo differente.
Ogni output ha 384 componenti. Usa lo stesso checkpoint, pooling e normalizzazione quando costruisci la raccolta e codifichi query successive. La similarità del coseno può confrontare i vettori risultanti. Un valore di similarità è utile per ordinare candidati in quella configurazione, mentre il testo originale determina se un candidato risponde alla domanda.
Il valore predefinito pubblicato tronca gli input più lunghi di 256 unità subword. Questa unità del tokenizer non corrisponde direttamente a una parola ordinaria o a un carattere. Mantieni le condizioni importanti all’interno dell’unità indicizzata e suddividi una procedura estesa in corrispondenza di confini significativi prima di codificarla.
Le sequenze di addestramento erano limitate a 128 token. Quell’impostazione di addestramento è distinta dal valore predefinito di 256 unità subword usato per la codifica. Per passaggi insolitamente lunghi o specialistici, usa esempi rappresentativi di query e passaggi per valutare il comportamento del recupero, anziché presumere che rientrare nel limite di input garantisca un trattamento equivalente di ogni dettaglio.
L’edizione esatta L6-v2 è un profilo inglese di embedding. Le edizioni L12-v2 e paraphrase-MiniLM hanno identità e configurazioni di modello separate. Il loro nome MiniLM comune o l’output a 384 dimensioni non stabiliscono vettori intercambiabili.
Per verificare domande duplicate, recupera domande simili e confronta le formulazioni effettive prima di unire i record. «Can I reset my password?» e «Can an administrator reset another user’s password?» riguardano argomenti correlati ma autorizzazioni differenti. Preserva questa distinzione nel testo codificato e nella fase di verifica.
Per il clustering, usa gli embedding come input numerici di un processo di raggruppamento, quindi esamina record rappresentativi prima di dare un nome a un gruppo. Questo modello fornisce vettori anziché etichette scritte dei cluster o una risposta di FAQ generata. Il suo risultato utile è una rappresentazione compatta di un breve passaggio di origine che rimane collegata al record originale.
", "aboutText": "all-MiniLM-L6-v2 è un encoder di frasi e brevi paragrafi di Sentence Transformers. Trasforma ogni testo in un vettore denso a 384 dimensioni per recupero, clustering e similarità tra frasi. Il modello è stato adattato dall’architettura MiniLM-L6-H384-uncased usando apprendimento contrastivo su una raccolta di un miliardo di coppie di frasi.\n\n### Preparare record concisi e significativi\n\nScegli la frase o il paragrafo che dovrebbe comparire in un risultato di ricerca. Per una raccolta di FAQ, conserva la domanda e la breve spiegazione che ne distingue l’argomento. Un passaggio sul ripristino di una password dimenticata dovrebbe mantenere la procedura di ripristino, anziché essere ridotto a una parola isolata come «Account».\n\nPer un articolo lungo, indicizza sezioni brevi e coerenti e mantieni le posizioni nelle fonti. Recupera sezioni candidate confrontando il vettore della query con le rappresentazioni memorizzate, quindi mostra i passaggi originali affinché il lettore possa esaminare le istruzioni effettive.\n\n### Ottenere la rappresentazione della frase\n\nLa ricetta di codifica diretta del produttore calcola la media delle rappresentazioni dei token con la maschera di attenzione, escludendo le posizioni di padding dalla media. Applica poi la normalizzazione L2. Questi passaggi producono l’embedding di frase usato per il confronto; le rappresentazioni dei singoli token del transformer sottostante hanno un ruolo differente.\n\nOgni output ha 384 componenti. Usa lo stesso checkpoint, pooling e normalizzazione quando costruisci la raccolta e codifichi query successive. La similarità del coseno può confrontare i vettori risultanti. Un valore di similarità è utile per ordinare candidati in quella configurazione, mentre il testo originale determina se un candidato risponde alla domanda.\n\n### Lunghezza e confini dell’edizione\n\nIl valore predefinito pubblicato tronca gli input più lunghi di 256 unità subword. Questa unità del tokenizer non corrisponde direttamente a una parola ordinaria o a un carattere. Mantieni le condizioni importanti all’interno dell’unità indicizzata e suddividi una procedura estesa in corrispondenza di confini significativi prima di codificarla.\n\nLe sequenze di addestramento erano limitate a 128 token. Quell’impostazione di addestramento è distinta dal valore predefinito di 256 unità subword usato per la codifica. Per passaggi insolitamente lunghi o specialistici, usa esempi rappresentativi di query e passaggi per valutare il comportamento del recupero, anziché presumere che rientrare nel limite di input garantisca un trattamento equivalente di ogni dettaglio.\n\nL’edizione esatta L6-v2 è un profilo inglese di embedding. Le edizioni L12-v2 e paraphrase-MiniLM hanno identità e configurazioni di modello separate. Il loro nome MiniLM comune o l’output a 384 dimensioni non stabiliscono vettori intercambiabili.\n\n### Ricerca, similarità e raggruppamento\n\nPer verificare domande duplicate, recupera domande simili e confronta le formulazioni effettive prima di unire i record. «Can I reset my password?» e «Can an administrator reset another user’s password?» riguardano argomenti correlati ma autorizzazioni differenti. Preserva questa distinzione nel testo codificato e nella fase di verifica.\n\nPer il clustering, usa gli embedding come input numerici di un processo di raggruppamento, quindi esamina record rappresentativi prima di dare un nome a un gruppo. Questo modello fornisce vettori anziché etichette scritte dei cluster o una risposta di FAQ generata. Il suo risultato utile è una rappresentazione compatta di un breve passaggio di origine che rimane collegata al record originale.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "efd34166dbed7c709c90a88eb1b0b11eb336fc4c800d867e0a23061ca15b8fb4", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "it", "methods": [ { "html": "sentence-transformers/all-minilm-l6-v2Sentence Transformers all-MiniLM-L6-v2 rappresenta frasi e brevi paragrafi come vettori a 384 dimensioni per ricerca semantica, clustering e similarità. La sua ricetta pubblicata combina pooling medio, normalizzazione L2 e un valore predefinito di 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-L6-v2 è un encoder di frasi e brevi paragrafi di Sentence Transformers. Trasforma ogni testo in un vettore denso a 384 dimensioni per recupero, clustering e similarità tra frasi. Il modello è stato adattato dall’architettura MiniLM-L6-H384-uncased usando apprendimento contrastivo su una raccolta di un miliardo di coppie di frasi.
Scegli la frase o il paragrafo che dovrebbe comparire in un risultato di ricerca. Per una raccolta di FAQ, conserva la domanda e la breve spiegazione che ne distingue l’argomento. Un passaggio sul ripristino di una password dimenticata dovrebbe mantenere la procedura di ripristino, anziché essere ridotto a una parola isolata come «Account».
Per un articolo lungo, indicizza sezioni brevi e coerenti e mantieni le posizioni nelle fonti. Recupera sezioni candidate confrontando il vettore della query con le rappresentazioni memorizzate, quindi mostra i passaggi originali affinché il lettore possa esaminare le istruzioni effettive.
La ricetta di codifica diretta del produttore calcola la media delle rappresentazioni dei token con la maschera di attenzione, escludendo le posizioni di padding dalla media. Applica poi la normalizzazione L2. Questi passaggi producono l’embedding di frase usato per il confronto; le rappresentazioni dei singoli token del transformer sottostante hanno un ruolo differente.
Ogni output ha 384 componenti. Usa lo stesso checkpoint, pooling e normalizzazione quando costruisci la raccolta e codifichi query successive. La similarità del coseno può confrontare i vettori risultanti. Un valore di similarità è utile per ordinare candidati in quella configurazione, mentre il testo originale determina se un candidato risponde alla domanda.
Il valore predefinito pubblicato tronca gli input più lunghi di 256 unità subword. Questa unità del tokenizer non corrisponde direttamente a una parola ordinaria o a un carattere. Mantieni le condizioni importanti all’interno dell’unità indicizzata e suddividi una procedura estesa in corrispondenza di confini significativi prima di codificarla.
Le sequenze di addestramento erano limitate a 128 token. Quell’impostazione di addestramento è distinta dal valore predefinito di 256 unità subword usato per la codifica. Per passaggi insolitamente lunghi o specialistici, usa esempi rappresentativi di query e passaggi per valutare il comportamento del recupero, anziché presumere che rientrare nel limite di input garantisca un trattamento equivalente di ogni dettaglio.
L’edizione esatta L6-v2 è un profilo inglese di embedding. Le edizioni L12-v2 e paraphrase-MiniLM hanno identità e configurazioni di modello separate. Il loro nome MiniLM comune o l’output a 384 dimensioni non stabiliscono vettori intercambiabili.
Per verificare domande duplicate, recupera domande simili e confronta le formulazioni effettive prima di unire i record. «Can I reset my password?» e «Can an administrator reset another user’s password?» riguardano argomenti correlati ma autorizzazioni differenti. Preserva questa distinzione nel testo codificato e nella fase di verifica.
Per il clustering, usa gli embedding come input numerici di un processo di raggruppamento, quindi esamina record rappresentativi prima di dare un nome a un gruppo. Questo modello fornisce vettori anziché etichette scritte dei cluster o una risposta di FAQ generata. Il suo risultato utile è una rappresentazione compatta di un breve passaggio di origine che rimane collegata al record originale.
POST /v1/embeddingstext, token_idsembedding| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti sentence-transformers/all-minilm-l6-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-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/all-minilm-l6-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-l6-v2
Usa i percorsi dei metodi indicati sopra.