Sentence Transformers: all-MiniLM-L6-v2

Sentence Transformers all-MiniLM-L6-v2는 의미 검색, 군집화, 유사도 비교를 위해 문장과 짧은 문단을 384차원 벡터로 표현합니다. 공개된 방식은 평균 풀링과 L2 정규화를 결합하며, 기본값은 256 워드피스입니다.

Ailoot Ultra · 임베딩 POST /v1/embeddings sentence-transformers/all-minilm-l6-v2

모델 소개

이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.

all-MiniLM-L6-v2는 문장과 짧은 문단을 위한 Sentence Transformers 인코더입니다. 검색, 군집화, 문장 유사도를 위해 각 텍스트를 384차원 밀집 벡터로 매핑합니다. MiniLM-L6-H384-uncased 백본을 10억 개 문장 쌍 컬렉션에서 대조 학습으로 미세조정한 모델입니다.

간결하고 의미 있는 레코드 준비하기

검색 결과에 나타나야 할 문장이나 문단을 선택하세요. FAQ 컬렉션에서는 질문과 주제를 구별해 주는 짧은 설명을 유지하세요. 잊어버린 비밀번호 재설정에 관한 지문은 “계정” 같은 고립된 단어로 줄이지 말고 재설정 절차를 보존해야 합니다.

긴 글은 의미적으로 연결된 짧은 섹션으로 색인하고 출처 위치를 보관하세요. 질의 벡터와 저장된 표현을 비교해 후보 섹션을 검색한 뒤, 독자가 실제 지침을 살펴볼 수 있도록 원문 지문을 보여주세요.

문장 표현 얻기

제조사의 직접 인코딩 방식은 어텐션 마스크로 패딩 위치를 평균에서 제외하면서 토큰 표현을 평균 냅니다. 그런 다음 L2 정규화를 적용합니다. 이 단계들은 비교에 사용하는 문장 임베딩을 만듭니다. 기반 트랜스포머의 개별 토큰 표현은 다른 역할을 합니다.

각 출력에는 384개 성분이 있습니다. 컬렉션을 구축할 때와 후속 질의를 인코딩할 때 같은 체크포인트, 풀링, 정규화를 사용하세요. 결과 벡터는 코사인 유사도로 비교할 수 있습니다. 유사도 값은 해당 설정에서 후보 순위를 정하는 데 유용하지만, 후보가 질문에 답하는지 여부는 원문이 결정합니다.

길이와 에디션 경계

공개된 기본값은 256 워드피스를 넘는 입력을 잘라냅니다. 이 토크나이저 단위는 일반 단어나 글자에 직접 대응하지 않습니다. 중요한 조건은 색인 단위 안에 유지하고, 긴 절차는 인코딩 전에 의미 있는 경계에서 나누세요.

학습 시퀀스는 128토큰으로 제한됐습니다. 그 학습 설정은 인코딩에 사용하는 256 워드피스 기본값과 별개입니다. 유난히 길거나 전문적인 지문에서는, 입력 경계 안에 들어오면 모든 세부 정보가 똑같이 처리된다고 가정하지 말고 대표적인 질의–지문 예시로 검색 동작을 평가하세요.

이 정확한 L6-v2 에디션은 영어 임베딩 프로필입니다. L12-v2와 paraphrase-MiniLM 에디션에는 별도 모델 정체성과 구성이 있습니다. 공통 MiniLM 이름이나 384차원 출력만으로 벡터를 서로 바꿔 쓸 수 있다고 할 수는 없습니다.

검색, 유사도, 그룹화

중복 질문을 검토할 때에는 비슷한 질문을 검색하고, 레코드를 합치기 전에 실제 표현을 비교하세요. “제 비밀번호를 재설정할 수 있나요?”와 “관리자가 다른 사용자의 비밀번호를 재설정할 수 있나요?”는 관련 주제지만 서로 다른 권한을 다룹니다. 인코딩할 텍스트와 검토 단계에서 이 차이를 유지하세요.

군집화에서는 임베딩을 그룹화 과정의 수치 입력으로 사용하고, 그룹에 이름을 붙이기 전에 대표 레코드를 살펴보세요. 이 모델은 벡터를 제공하며, 글로 된 군집 레이블이나 생성된 FAQ 답변을 제공하지 않습니다. 유용한 결과는 원본 레코드에 계속 연결된 짧은 원문 지문의 간결한 표현입니다.

Ailoot Ultra · 임베딩 POST /v1/embeddings sentence-transformers/all-minilm-l6-v2

sentence-transformers/all-minilm-l6-v2

Sentence Transformers /sentence-transformers/all-minilm-l6-v2

시작하기

허용 입력: 텍스트 · token_ids
결과: embedding

Ailoot에서 사용 가능 · 입력 및 메서드

Ailoot Ultra · 임베딩 POST /v1/embeddings

입력: text, token_ids
출력: embedding
출력 형식: json

필드	유형	요건	값과 한도	기본값
필드`model`	유형`string`	요건필수	값과 한도 sentence-transformers/all-minilm-l6-v2	기본값—
필드`input`	유형`string\|string[]\|integer[]\|integer[][]`	요건필수	값과 한도 최소 항목 수: 1 조건: 비어 있지 않은 동일 형식의 배치입니다. 토큰 ID는 0 이상의 정수입니다. 입력 허용량: 최댓값: 512 · 텍스트 단위: UTF8 바이트 · 토큰 단위: 토큰 배열 요소	기본값—
필드`encoding_format`	유형`string`	요건선택 사항	값과 한도 float	기본값float
필드`dimensions`	유형`integer`	요건지원되지 않음	값과 한도 최솟값: 1	기본값—
필드`user`	유형`json_value`	요건선택 사항	값과 한도 조건: 원본에서 이 JSON 메타데이터 필드를 허용하며, 정확한 업스트림 동작은 모델별로 다릅니다.	기본값—
필드`session_id`	유형`json_value`	요건선택 사항	값과 한도 조건: 원본에서 이 JSON 메타데이터 필드를 허용하며, 정확한 업스트림 동작은 모델별로 다릅니다.	기본값—
필드`trace`	유형`json_value`	요건선택 사항	값과 한도 조건: 원본에서 이 JSON 메타데이터 필드를 허용하며, 정확한 업스트림 동작은 모델별로 다릅니다.	기본값—
필드`provider`	유형`object`	요건선택 사항	값과 한도 조건: provider.options가 거부됨	기본값—

입력 자료 조합

text_to_embedding

메서드 매개변수와 수명 주기

매개변수	명세
매개변수`content_type`	명세application/json
매개변수`required`	명세model, input
매개변수`input_shapes`	명세string, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[]
매개변수`encoding_format`	명세float
매개변수`dimensions_override`	명세false
매개변수`max_input_budget_units`	명세512
매개변수`multimodal_objects`	명세false
매개변수`material_types`	명세text, token_ids

수명 주기: synchronous_json

모든 벡터의 인덱스와 차원을 보관하세요.

모델 이름이 멀티모달이어도 이 특정 경로에서 이미지 객체를 사용할 수 있는 것은 아닙니다.

요금

요금 정보는 요청 옵션을 추가하지 않습니다. 지원되는 매개변수는 선택한 메서드에 표시됩니다.

빠른 모드: 미지정 빠른 모드를 선택한 경우
Flex 모드: 미지정 flex 모드를 선택한 경우
최대 추론 수준: 미지정 최대 추론 수준에 default 조정값을 적용하는 경우

Ailoot 요금

설정별 가격

설정	요금표	요금
설정토큰의 기본 단가	요금표기본 요금	요금 입력 · 입력 토큰 $0.00001 / 1K 토큰 출력 · 출력 토큰 $0 / 1K 토큰 입력 · 캐시 읽기 — / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰

Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →

요청 예제

Ailoot Ultra · 임베딩

curlPython SDK

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-l6-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

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-l6-v2',input=["First document","Second document"])
print(result)
for item in result.data:print(item.index,item.embedding)

결과 수신 및 저장

Ailoot Ultra · 임베딩

json

완료된 결과 모두 보관

반환된 완전한 응답, 파일, 콘텐츠 부분을 모두 보관하세요.

모든 벡터를 인덱스와 함께 보관하세요. 벡터 수는 입력 수와 같아야 하며 차원은 일관되어야 합니다.

원래 응답을 확인해야 할 경우

임베딩 작업 엔드포인트는 추가되지 않습니다.

응답 필드

필드	유형
필드`object`	유형string
필드`model`	유형string
필드`data[].index`	유형integer
필드`data[].embedding`	유형finite float[]
필드`usage`	유형object

오류와 다음 단계

응답	조건	다음 단계
응답400 · `invalid_request_error`	조건필수 필드, 자료 표현 방식 또는 파라미터 값이 올바르지 않음	다음 단계새 생성 요청 전에 표시된 필드를 수정하세요.

별칭

모델 별칭

Ailoot Ultra sentence-transformers/all-minilm-l6-v2

메서드 경로 별칭

위에 표시된 메서드 경로를 사용하세요.

Sentence Transformers: all-MiniLM-L6-v2