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

# Sentence Transformers: all-MiniLM-L12-v2

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

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

Sentence Transformers all-MiniLM-L12-v2 mengekod ayat dan perenggan pendek kepada vektor 384 dimensi untuk carian, keserupaan dan pengelompokan. Kaedah rujukannya menggunakan mean pooling dan penormalan, dengan pemotongan lalai pada 256 unit word piece.

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

Tentang model

Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.

all-MiniLM-L12-v2 ialah pengekod Sentence Transformers untuk ayat dan perenggan pendek. Ia menghasilkan satu vektor padat 384 dimensi bagi setiap teks untuk carian semantik, pemerolehan semula maklumat, pengelompokan dan keserupaan ayat. Model menggunakan seni bina asas MiniLM-L12-H384-uncased dan ditala halus dengan pembelajaran kontrastif pada koleksi satu bilion pasangan ayat.

#### Kodkan unit yang mahu diperoleh semula

Gunakan ayat atau perenggan pendek yang menyatakan satu idea berguna. Untuk koleksi penerangan produk, kekalkan ciri dan syarat yang membezakan item: “The adapter connects a wired headset to a USB-C port” lebih bermaklumat daripada “Audio accessory.” Simpan pengecam rekod dan penerangan asal di sisi vektornya.

Pertanyaan carian kemudian boleh dibandingkan dengan penerangan yang dikodkan. Periksa calon yang dikembalikan untuk keperluan tepat seperti jenis penyambung atau keserasian peranti sebelum membentangkan pilihan akhir. Vektor mewakili makna teks; aplikasi carian di sekelilingnya mendapatkan rekod yang sepadan.

#### Mean pooling dan vektor ternormal

Contoh pengekodan yang diterbitkan mempuratakan perwakilan token menggunakan topeng perhatian supaya kedudukan padding tidak menyumbang kepada purata. Kemudian ia menggunakan penormalan L2. Langkah ini sebahagian daripada kaedah rujukan mendapatkan vektor ayat, bukannya arahan mengambil token sembarangan daripada transformer asas.

Pastikan konfigurasi model, pooling dan penormalan konsisten antara teks berindeks dan pertanyaan baharu. Perwakilan 384 komponen yang terhasil boleh dibandingkan menggunakan keserupaan kosinus. Simpan rekod konfigurasi itu bersama koleksi; pengekod 384 dimensi lain tidak menjadi serasi hanya kerana vektornya sama panjang.

#### Panjang input lalai dan skop latihan

Pembuat menetapkan pemotongan lalai melebihi 256 unit word piece. Ini had tokenizer, bukan bilangan perkataan biasa atau aksara. Untuk rekod lebih panjang, pilih bahagian pendek yang koheren dan simpan tajuk atau perincian pengenal yang diperlukan untuk mentafsir setiap satunya.

Prosedur latihan model menggunakan jujukan sehingga 128 token. Tetapan latihan itu berasingan daripada tetapan lalai 256 unit word piece yang diterbitkan untuk pengekodan. Petikan yang muat dalam tetapan lalai masih boleh berbeza dengan ketara daripada bahan ayat pendek semasa latihan, maka nilai penerangan panjang atau khusus menggunakan contoh yang mewakili tugas.

#### Aliran kerja keserupaan dan pengelompokan

Untuk set mesej sokongan, embedding boleh membekalkan input berangka kepada peringkat pengelompokan. Semak beberapa mesej daripada setiap kumpulan cadangan dan mesej berhampiran sempadannya sebelum memberikan label yang mudah dibaca manusia. Untuk semakan kandungan pendua, dapatkan rekod serupa dan bandingkan ungkapan sebenar; dua petikan mungkin membincangkan subjek sama sambil memberikan arahan berbeza.

Edisi L12-v2 tepat ini ialah profil embedding ayat bahasa Inggeris. Ia berbeza daripada all-MiniLM-L6-v2 dan checkpoint paraphrase-MiniLM. Nama keluarga yang dikongsi tidak memindahkan konfigurasi jujukan atau kaedah poolingnya. Gunakan vektor padat kompaknya bersama rekod sumber dan penilaian khusus tugas, bukannya menganggap nilai keserupaan sebagai jawapan yang disahkan atau keputusan editorial akhir.

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

[`sentence-transformers/all-minilm-l12-v2`](https://ailoot.ai/models/ms/#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`

### Pengenalan

Sentence Transformers all-MiniLM-L12-v2 mengekod ayat dan perenggan pendek kepada vektor 384 dimensi untuk carian, keserupaan dan pengelompokan. Kaedah rujukannya menggunakan mean pooling dan penormalan, dengan pemotongan lalai pada 256 unit word piece.

Input yang diterima

Teks · token\_ids

Hasil

embedding

### Tersedia di Ailoot · input & kaedah

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

Input

`text`, `token_ids`

Output

`embedding`

Format output

json

| Medan | Jenis | Keperluan | Nilai & had | Lalai |
| --- | --- | --- | --- | --- |
| Medan`model` | Jenis`string` | KeperluanDiperlukan | Nilai & had sentence-transformers/all-minilm-l12-v2 | Lalai— |
| Medan`input` | Jenis`string\|string[]\|integer[]\|integer[][]` | KeperluanDiperlukan | Nilai & had Item minimum: 1 Syarat: Kelompok homogen yang tidak kosong. ID token ialah integer bukan negatif. Bajet input: Maksimum: 512 · Unit teks: bait UTF8 · Unit token: elemen tatasusunan token | Lalai— |
| Medan`encoding_format` | Jenis`string` | KeperluanPilihan | Nilai & had float | Lalaifloat |
| Medan`dimensions` | Jenis`integer` | KeperluanTidak disokong | Nilai & had Minimum: 1 | Lalai— |
| Medan`user` | Jenis`json_value` | KeperluanPilihan | Nilai & had Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model. | Lalai— |
| Medan`session_id` | Jenis`json_value` | KeperluanPilihan | Nilai & had Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model. | Lalai— |
| Medan`trace` | Jenis`json_value` | KeperluanPilihan | Nilai & had Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model. | Lalai— |
| Medan`provider` | Jenis`object` | KeperluanPilihan | Nilai & had Syarat: provider.options ditolak | Lalai— |

Gabungan bahan input

**text\_to\_embedding**

Parameter kaedah dan kitar hayat

| Parameter | Kontrak |
| --- | --- |
| Parameter`content_type` | Kontrakapplication/json |
| Parameter`required` | Kontrakmodel, input |
| Parameter`input_shapes` | Kontrakstring, string\[\], nonnegative\_integer\_token\_array, nonnegative\_integer\_token\_array\[\] |
| Parameter`encoding_format` | Kontrakfloat |
| Parameter`dimensions_override` | Kontrakfalse |
| Parameter`max_input_budget_units` | Kontrak512 |
| Parameter`multimodal_objects` | Kontrakfalse |
| Parameter`material_types` | Kontraktext, token\_ids |

Kitar hayat: `synchronous_json`

Simpan setiap indeks dan dimensi vektor.

Nama model multimodal tidak bermakna objek imej dibenarkan pada laluan khusus ini.

### Pelan harga

Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.

Mod pantas

Tidak dinyatakan Apabila mod pantas dipilih

Mod flex

Tidak dinyatakan Apabila mod flex dipilih

Usaha penaakulan maksimum

Tidak dinyatakan Apabila usaha penaakulan maksimum menggunakan pelarasan default

#### Kadar Ailoot

#### Harga mengikut konfigurasi

| Konfigurasi | Jadual kadar | Caj |
| --- | --- | --- |
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Caj Input · Token input **$0.00001** / 1K token Output · Token output **$0** / 1K token Input · Bacaan cache **—** / 1K token Input · Penulisan cache **—** / 1K token Input · Penulisan cache, 1 jam **—** / 1K token |

Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. [Cara rizab dan penyelesaian caj berfungsi →](https://ailoot.ai/docs/ms/billing/reserve/)

### Contoh permintaan

#### Ailoot Ultra · Pembenaman

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)
```

### Terima dan simpan hasil

#### Ailoot Ultra · Pembenaman

json

##### Simpan semua hasil yang selesai

Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.

Simpan setiap vektor bersama indeksnya. Bilangan vektor mesti sama dengan bilangan input; dimensi mesti konsisten.

##### Jika respons asal perlu disemak

Tiada titik akhir tugas pembenaman diperkenalkan.

Medan respons

| Medan | Jenis |
| --- | --- |
| Medan`object` | Jenisstring |
| Medan`model` | Jenisstring |
| Medan`data[].index` | Jenisinteger |
| Medan`data[].embedding` | Jenisfinite float\[\] |
| Medan`usage` | Jenisobject |

Ralat dan langkah seterusnya

| Respons | Syarat | Langkah seterusnya |
| --- | --- | --- |
| Respons400 · `invalid_request_error` | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |

### Alias

#### Alias model

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

#### Alias laluan kaedah

Gunakan laluan kaedah yang dipaparkan di atas.

#### ID pemanggil berkaitan

[`sentence-transformers/all-minilm-l12-v2`](https://ailoot.ai/models/ms/#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

Apakah input dan hasil yang tersedia?

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

Apakah medan yang digunakan oleh permintaan?

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

Apakah had yang terpakai?

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

Sambungkan Ailoot kepada Claude Code, OpenCode, Hermes atau aplikasi anda.

## Syarikat dan portfolio projeknya

Syarikat dan portfolio projeknya: jutaan pelanggan; jualan bernilai berbilion setiap bulan.

## Beli token dengan diskaun.

Diskaun langganan untuk penggunaan berkala. Kod promosi — sehingga 50% bagi pembelian token.

Langganan

Pilih pelan berdiskaun untuk permintaan berkala anda.

Kod promosi sehingga 50%

Masukkan kod semasa pembelian. Harga dikira semula mengikut promosi semasa.

Perbelanjaan dalam sejarah

Model, token dan jumlah disimpan bagi setiap permintaan.

[Pilih langganan](https://ailoot.ai/docs/ms/billing/subscriptions/) · [Lihat harga model](https://ailoot.ai/models/ms/)

## Sambungkan API kepada produk yang anda jual.

SaaS, aplikasi dan bot — di bawah tawaran rasmi serta perjanjian lesen Ailoot. Untuk jualan semula, mohon lesen penjual semula.

Aplikasi komersial

Tambahkan penjanaan teks, imej, video dan audio pada ciri berbayar perkhidmatan anda.

Lesen penjual semula

Hantar keterangan projek dan susunan akses. Minta terma penggunaan serta jualan semula secara bertulis.

Dokumen pada laman

Tawaran, perjanjian lesen dan dasar pemprosesan data tersedia sebelum sambungan.

[Mohon lesen penjual semula](mailto:support@ailoot.ai) · [Tawaran dan perjanjian lesen](https://ailoot.ai/legal/offer?lang=ms)

## Ailoot · Syarikat dan portfolio projeknya





Ailoot berteraskan pengalaman operasi yang mantap, pangkalan pelanggan yang besar, perkhidmatan yang stabil dan pemantauan KPI berterusan.





Syarikat dan portfolio projeknya: jutaan pelanggan; jualan bernilai berbilion setiap bulan.





Ailoot menggunakan pengalaman operasi ini untuk akses API kepada ciri AI dalam produk pelanggan, ejen, aplikasi dan automasi.