Sentence Transformers: all-MiniLM-L6-v2
Sentence Transformers all-MiniLM-L6-v2 mewakili ayat dan perenggan pendek sebagai vektor 384 dimensi untuk carian semantik, pengelompokan dan keserupaan. Kaedah yang diterbitkan menggabungkan mean pooling dengan penormalan L2 dan tetapan lalai 256 unit word piece.
Tentang model
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
all-MiniLM-L6-v2 ialah pengekod ayat dan perenggan pendek Sentence Transformers. Ia memetakan setiap teks kepada vektor padat 384 dimensi untuk pemerolehan semula, pengelompokan dan keserupaan ayat. Model ditala halus daripada seni bina asas MiniLM-L6-H384-uncased menggunakan pembelajaran kontrastif pada koleksi satu bilion pasangan ayat.
Sediakan rekod ringkas dan bermakna
Pilih ayat atau perenggan yang patut muncul dalam hasil carian. Untuk koleksi FAQ, simpan soalan dan penjelasan pendek yang membezakan topiknya. Petikan tentang menetapkan semula kata laluan terlupa perlu mengekalkan prosedur penetapan semula, bukannya dikurangkan menjadi perkataan terpencil seperti “Account.”
Untuk artikel panjang, indeks bahagian pendek yang koheren dan simpan lokasi sumbernya. Dapatkan bahagian calon dengan membandingkan vektor pertanyaan dengan perwakilan tersimpan, kemudian paparkan petikan asal supaya pembaca dapat memeriksa arahan sebenar.
Dapatkan perwakilan ayat
Kaedah pengekodan langsung pembuat mempuratakan perwakilan token dengan topeng perhatian, sambil mengecualikan kedudukan padding daripada purata. Kemudian ia menggunakan penormalan L2. Langkah itu menghasilkan embedding ayat yang digunakan untuk perbandingan; perwakilan token individu daripada transformer asas memainkan peranan berbeza.
Setiap output mempunyai 384 komponen. Gunakan checkpoint, pooling dan penormalan yang sama ketika membina koleksi dan mengekod pertanyaan kemudian. Keserupaan kosinus boleh membandingkan vektor hasil. Nilai keserupaan berguna untuk menyusun calon di bawah tetapan itu, manakala teks asal menentukan sama ada calon menjawab soalan.
Sempadan panjang dan edisi
Tetapan lalai yang diterbitkan memotong input lebih panjang daripada 256 unit word piece. Unit tokenizer ini tidak sepadan secara langsung dengan perkataan biasa atau aksara. Pastikan syarat penting berada dalam unit yang diindeks dan bahagikan prosedur panjang mengikut sempadan bermakna sebelum mengekodnya.
Jujukan latihan dihadkan kepada 128 token. Tetapan latihan itu berasingan daripada tetapan lalai 256 unit word piece yang digunakan untuk pengekodan. Untuk petikan luar biasa panjang atau khusus, gunakan contoh pertanyaan dan petikan yang mewakili tugas untuk menilai tingkah laku pemerolehan semula, bukannya menganggap pematuhan sempadan input menjamin setiap perincian diperlakukan sama rata.
Edisi L6-v2 tepat ini ialah profil embedding bahasa Inggeris. Edisi L12-v2 dan paraphrase-MiniLM mempunyai identiti model dan konfigurasi berasingan. Nama MiniLM yang dikongsi atau output 384 dimensi tidak membuktikan vektor yang boleh saling ditukar ganti.
Carian, keserupaan dan pengelompokan
Untuk semakan soalan pendua, dapatkan soalan serupa dan bandingkan ungkapan sebenar sebelum menggabungkan rekod. “Can I reset my password?” dan “Can an administrator reset another user’s password?” melibatkan subjek berkaitan tetapi kebenaran berbeza. Kekalkan perbezaan itu dalam teks yang dikodkan dan peringkat semakan.
Untuk pengelompokan, gunakan embedding sebagai input berangka kepada proses pengumpulan, kemudian periksa rekod yang mewakili kumpulan sebelum menamakannya. Model ini membekalkan vektor, bukannya label kelompok bertulis atau jawapan FAQ terjana. Hasil bergunanya ialah perwakilan kompak petikan sumber pendek yang kekal dipautkan kepada rekod asal.
Ailoot Ultra · Pembenaman POST /v1/embeddings sentence-transformers/all-minilm-l6-v2
sentence-transformers/all-minilm-l6-v2
sentence-transformers/all-minilm-l6-v2Pengenalan
Sentence Transformers all-MiniLM-L6-v2 mewakili ayat dan perenggan pendek sebagai vektor 384 dimensi untuk carian semantik, pengelompokan dan keserupaan. Kaedah yang diterbitkan menggabungkan mean pooling dengan penormalan L2 dan tetapan lalai 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 |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had sentence-transformers/all-minilm-l6-v2 | Lalai— |
Medaninput | Jenisstring|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— |
Medanencoding_format | Jenisstring | KeperluanPilihan | Nilai & had float | Lalaifloat |
Medandimensions | Jenisinteger | KeperluanTidak disokong | Nilai & had Minimum: 1 | Lalai— |
Medanuser | Jenisjson_value | KeperluanPilihan | Nilai & had Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model. | Lalai— |
Medansession_id | Jenisjson_value | KeperluanPilihan | Nilai & had Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model. | Lalai— |
Medantrace | Jenisjson_value | KeperluanPilihan | Nilai & had Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model. | Lalai— |
Medanprovider | Jenisobject | KeperluanPilihan | Nilai & had Syarat: provider.options ditolak | Lalai— |
Gabungan bahan input
text_to_embedding
Parameter kaedah dan kitar hayat
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, input |
Parameterinput_shapes | Kontrakstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parameterencoding_format | Kontrakfloat |
Parameterdimensions_override | Kontrakfalse |
Parametermax_input_budget_units | Kontrak512 |
Parametermultimodal_objects | Kontrakfalse |
Parametermaterial_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 $0 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
Contoh permintaan
Ailoot Ultra · Pembenaman
set -eu
: "${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)
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 |
|---|---|
Medanobject | Jenisstring |
Medanmodel | Jenisstring |
Medandata[].index | Jenisinteger |
Medandata[].embedding | Jenisfinite float[] |
Medanusage | 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-l6-v2
Alias laluan kaedah
Gunakan laluan kaedah yang dipaparkan di atas.
ID pemanggil berkaitan
FAQ · Sentence Transformers: all-MiniLM-L6-v2
- Apakah input dan hasil yang tersedia?
POST /v1/embeddings·sentence-transformers/all-minilm-l6-v2:text,token_ids→embedding- Apakah medan yang digunakan oleh permintaan?
POST /v1/embeddings·sentence-transformers/all-minilm-l6-v2:model,input,encoding_format,provider- Apakah had yang terpakai?
POST /v1/embeddings·sentence-transformers/all-minilm-l6-v2:input.budget.maximum:512(bait UTF8);input.min_items:1