paraphrase-MiniLM-L6-v2 è un modello di embedding di Sentence Transformers per frasi e brevi paragrafi. Trasforma ogni testo in uno spazio vettoriale denso a 384 dimensioni, con ricerca semantica e clustering tra le attività indicate dal produttore. L’architettura pubblicata combina un transformer con pooling medio; la lunghezza di sequenza configurata è di 128 token.
Prepara la frase o il breve paragrafo effettivo, mantenendo intatti il soggetto e le condizioni importanti. Una raccolta concreta può contenere domande formulate diversamente o brevi descrizioni di argomenti correlati. Codifica ogni record e conserva la formulazione originale e l’identificatore, affinché un confronto successivo possa restituire il testo stesso.
Per esempio, diverse domande di assistenza possono descrivere la stessa difficoltà con termini differenti. Una fase di similarità può riunire quei candidati, dopodiché le loro formulazioni possono essere esaminate per individuare il problema effettivo. L’embedding è la rappresentazione numerica usata in quel confronto; non scrive una parafrasi e non assegna da solo un’etichetta finale di cluster.
L’esempio di codifica diretta del produttore tiene conto della maschera di attenzione nel calcolare la media delle rappresentazioni dei token, escludendo le posizioni di padding. La sua architettura seleziona esplicitamente il pooling medio e non seleziona pooling CLS o massimo. Mantieni quella ricetta di pooling insieme al modello quando prepari vettori confrontabili.
Ogni rappresentazione restituita ha 384 componenti. Una fase di indicizzazione o clustering lavora con quei vettori usando una configurazione di similarità scelta, mentre il record di origine sottostante rimane disponibile per la verifica. Mantieni lo stesso modello, la stessa preparazione dell’input e le stesse impostazioni di confronto tra gli elementi confrontati. Un altro modello che restituisce 384 valori non appartiene, soltanto per quella forma, allo stesso spazio di embedding.
La configurazione di riferimento Sentence Transformer usa una lunghezza massima di sequenza di 128 token. Prepara una fonte lunga come unità brevi e coerenti anziché come un unico paragrafo eccessivamente grande. Una frase che contiene una regola può richiedere l’eccezione della frase successiva; conserva insieme quella piccola unità quando rientra nel limite. Un conteggio di parole o caratteri non stabilisce direttamente la lunghezza in token.
Per un insieme di descrizioni brevi, conserva nomi e proprietà distintive importanti per il confronto. Un record che contiene soltanto una categoria vaga può essere difficile da distinguere da altri record dello stesso tipo. Memorizza il collegamento alla fonte al di fuori del vettore, affinché un candidato restituito possa essere verificato rispetto al materiale originale.
Nella ricerca semantica, rappresenta la query e il materiale del corpus con questo stesso modello e restituisci record candidati con il loro testo di origine. Nel clustering, un’altra fase forma gruppi a partire dai vettori. Esamina i record vicini al confine di un cluster prima di usare il raggruppamento come decisione di prodotto o etichetta automatica.
L’output utile è una rappresentazione compatta di testo breve collegata al record originale. Questo checkpoint esatto paraphrase-MiniLM-L6-v2 ha una propria configurazione di pooling e sequenza. Le varianti all-MiniLM e paraphrase multilingue sono profili di modello separati; addestramento, ambito linguistico e impostazioni di input non sono implicati dal nome MiniLM condiviso.
", "aboutText": "paraphrase-MiniLM-L6-v2 è un modello di embedding di Sentence Transformers per frasi e brevi paragrafi. Trasforma ogni testo in uno spazio vettoriale denso a 384 dimensioni, con ricerca semantica e clustering tra le attività indicate dal produttore. L’architettura pubblicata combina un transformer con pooling medio; la lunghezza di sequenza configurata è di 128 token.\n\n### Rappresentare il passaggio da confrontare\n\nPrepara la frase o il breve paragrafo effettivo, mantenendo intatti il soggetto e le condizioni importanti. Una raccolta concreta può contenere domande formulate diversamente o brevi descrizioni di argomenti correlati. Codifica ogni record e conserva la formulazione originale e l’identificatore, affinché un confronto successivo possa restituire il testo stesso.\n\nPer esempio, diverse domande di assistenza possono descrivere la stessa difficoltà con termini differenti. Una fase di similarità può riunire quei candidati, dopodiché le loro formulazioni possono essere esaminate per individuare il problema effettivo. L’embedding è la rappresentazione numerica usata in quel confronto; non scrive una parafrasi e non assegna da solo un’etichetta finale di cluster.\n\n### Pooling medio e uso dei vettori\n\nL’esempio di codifica diretta del produttore tiene conto della maschera di attenzione nel calcolare la media delle rappresentazioni dei token, escludendo le posizioni di padding. La sua architettura seleziona esplicitamente il pooling medio e non seleziona pooling CLS o massimo. Mantieni quella ricetta di pooling insieme al modello quando prepari vettori confrontabili.\n\nOgni rappresentazione restituita ha 384 componenti. Una fase di indicizzazione o clustering lavora con quei vettori usando una configurazione di similarità scelta, mentre il record di origine sottostante rimane disponibile per la verifica. Mantieni lo stesso modello, la stessa preparazione dell’input e le stesse impostazioni di confronto tra gli elementi confrontati. Un altro modello che restituisce 384 valori non appartiene, soltanto per quella forma, allo stesso spazio di embedding.\n\n### Input brevi nella configurazione pubblicata\n\nLa configurazione di riferimento Sentence Transformer usa una lunghezza massima di sequenza di 128 token. Prepara una fonte lunga come unità brevi e coerenti anziché come un unico paragrafo eccessivamente grande. Una frase che contiene una regola può richiedere l’eccezione della frase successiva; conserva insieme quella piccola unità quando rientra nel limite. Un conteggio di parole o caratteri non stabilisce direttamente la lunghezza in token.\n\nPer un insieme di descrizioni brevi, conserva nomi e proprietà distintive importanti per il confronto. Un record che contiene soltanto una categoria vaga può essere difficile da distinguere da altri record dello stesso tipo. Memorizza il collegamento alla fonte al di fuori del vettore, affinché un candidato restituito possa essere verificato rispetto al materiale originale.\n\n### Risultati di ricerca e clustering\n\nNella ricerca semantica, rappresenta la query e il materiale del corpus con questo stesso modello e restituisci record candidati con il loro testo di origine. Nel clustering, un’altra fase forma gruppi a partire dai vettori. Esamina i record vicini al confine di un cluster prima di usare il raggruppamento come decisione di prodotto o etichetta automatica.\n\nL’output utile è una rappresentazione compatta di testo breve collegata al record originale. Questo checkpoint esatto paraphrase-MiniLM-L6-v2 ha una propria configurazione di pooling e sequenza. Le varianti all-MiniLM e paraphrase multilingue sono profili di modello separati; addestramento, ambito linguistico e impostazioni di input non sono implicati dal nome MiniLM condiviso.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "29cbb7aeeb77a812202170230477ae781a974512f408ffc6825a609aa4354255", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "it", "methods": [ { "html": "sentence-transformers/paraphrase-minilm-l6-v2Sentence Transformers paraphrase-MiniLM-L6-v2 trasforma frasi e brevi paragrafi in vettori a 384 dimensioni per ricerca semantica e clustering. La sua configurazione pubblicata usa il pooling medio e una lunghezza di sequenza impostata a 128 token.
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.
paraphrase-MiniLM-L6-v2 è un modello di embedding di Sentence Transformers per frasi e brevi paragrafi. Trasforma ogni testo in uno spazio vettoriale denso a 384 dimensioni, con ricerca semantica e clustering tra le attività indicate dal produttore. L’architettura pubblicata combina un transformer con pooling medio; la lunghezza di sequenza configurata è di 128 token.
Prepara la frase o il breve paragrafo effettivo, mantenendo intatti il soggetto e le condizioni importanti. Una raccolta concreta può contenere domande formulate diversamente o brevi descrizioni di argomenti correlati. Codifica ogni record e conserva la formulazione originale e l’identificatore, affinché un confronto successivo possa restituire il testo stesso.
Per esempio, diverse domande di assistenza possono descrivere la stessa difficoltà con termini differenti. Una fase di similarità può riunire quei candidati, dopodiché le loro formulazioni possono essere esaminate per individuare il problema effettivo. L’embedding è la rappresentazione numerica usata in quel confronto; non scrive una parafrasi e non assegna da solo un’etichetta finale di cluster.
L’esempio di codifica diretta del produttore tiene conto della maschera di attenzione nel calcolare la media delle rappresentazioni dei token, escludendo le posizioni di padding. La sua architettura seleziona esplicitamente il pooling medio e non seleziona pooling CLS o massimo. Mantieni quella ricetta di pooling insieme al modello quando prepari vettori confrontabili.
Ogni rappresentazione restituita ha 384 componenti. Una fase di indicizzazione o clustering lavora con quei vettori usando una configurazione di similarità scelta, mentre il record di origine sottostante rimane disponibile per la verifica. Mantieni lo stesso modello, la stessa preparazione dell’input e le stesse impostazioni di confronto tra gli elementi confrontati. Un altro modello che restituisce 384 valori non appartiene, soltanto per quella forma, allo stesso spazio di embedding.
La configurazione di riferimento Sentence Transformer usa una lunghezza massima di sequenza di 128 token. Prepara una fonte lunga come unità brevi e coerenti anziché come un unico paragrafo eccessivamente grande. Una frase che contiene una regola può richiedere l’eccezione della frase successiva; conserva insieme quella piccola unità quando rientra nel limite. Un conteggio di parole o caratteri non stabilisce direttamente la lunghezza in token.
Per un insieme di descrizioni brevi, conserva nomi e proprietà distintive importanti per il confronto. Un record che contiene soltanto una categoria vaga può essere difficile da distinguere da altri record dello stesso tipo. Memorizza il collegamento alla fonte al di fuori del vettore, affinché un candidato restituito possa essere verificato rispetto al materiale originale.
Nella ricerca semantica, rappresenta la query e il materiale del corpus con questo stesso modello e restituisci record candidati con il loro testo di origine. Nel clustering, un’altra fase forma gruppi a partire dai vettori. Esamina i record vicini al confine di un cluster prima di usare il raggruppamento come decisione di prodotto o etichetta automatica.
L’output utile è una rappresentazione compatta di testo breve collegata al record originale. Questo checkpoint esatto paraphrase-MiniLM-L6-v2 ha una propria configurazione di pooling e sequenza. Le varianti all-MiniLM e paraphrase multilingue sono profili di modello separati; addestramento, ambito linguistico e impostazioni di input non sono implicati dal nome MiniLM condiviso.
POST /v1/embeddingstext, token_idsembedding| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti sentence-transformers/paraphrase-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/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
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/paraphrase-minilm-l6-v2
Usa i percorsi dei metodi indicati sopra.