{ "aboutHtml": "

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.

", "aboutText": "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.\n\n### Sediakan rekod ringkas dan bermakna\n\nPilih 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.”\n\nUntuk 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.\n\n### Dapatkan perwakilan ayat\n\nKaedah 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.\n\nSetiap 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.\n\n### Sempadan panjang dan edisi\n\nTetapan 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.\n\nJujukan 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.\n\nEdisi 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.\n\n### Carian, keserupaan dan pengelompokan\n\nUntuk 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.\n\nUntuk 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "0d10d846f901cdcfd87ee1fcc3fa10d38cc9ed71c60876ced7043de128e02518", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "ms", "methods": [ { "html": "
•

Sentence Transformers: all-MiniLM-L6-v2

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

Pengenalan

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
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.

Tersedia di Ailoot · input & kaedah

Ailoot Ultra · Pembenaman POST /v1/embeddings
Input
text, token_ids
Output
embedding
Format output
json
MedanJenisKeperluanNilai & hadLalai
MedanmodelJenisstringKeperluanDiperlukanNilai & had
sentence-transformers/all-minilm-l6-v2
Lalai—
MedaninputJenisstring|string[]|integer[]|integer[][]KeperluanDiperlukanNilai & 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_formatJenisstringKeperluanPilihanNilai & had
float
Lalaifloat
MedandimensionsJenisintegerKeperluanTidak disokongNilai & had
Minimum: 1
Lalai—
MedanuserJenisjson_valueKeperluanPilihanNilai & had
Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.
Lalai—
Medansession_idJenisjson_valueKeperluanPilihanNilai & had
Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.
Lalai—
MedantraceJenisjson_valueKeperluanPilihanNilai & had
Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.
Lalai—
MedanproviderJenisobjectKeperluanPilihanNilai & had
Syarat: provider.options ditolak
Lalai—
Gabungan bahan input

text_to_embedding

Parameter kaedah dan kitar hayat
ParameterKontrak
Parametercontent_typeKontrakapplication/json
ParameterrequiredKontrakmodel, input
Parameterinput_shapesKontrakstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[]
Parameterencoding_formatKontrakfloat
Parameterdimensions_overrideKontrakfalse
Parametermax_input_budget_unitsKontrak512
Parametermultimodal_objectsKontrakfalse
Parametermaterial_typesKontraktext, 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

KonfigurasiJadual kadarCaj
KonfigurasiKadar asas tokenJadual kadarKadar asasCaj
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\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\n

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
MedanJenis
MedanobjectJenisstring
MedanmodelJenisstring
Medandata[].indexJenisinteger
Medandata[].embeddingJenisfinite float[]
MedanusageJenisobject
Ralat dan langkah seterusnya
ResponsSyaratLangkah seterusnya
Respons400 · invalid_request_errorSyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sahLangkah 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

sentence-transformers/all-minilm-l6-v2

", "method_identity": { "effective_request_model_id": "sentence-transformers/all-minilm-l6-v2", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "sentence-transformers/all-minilm-l6-v2", "route_label": "Ultra" }, "method_key": "Ultra|embeddings|/v1/embeddings|sentence-transformers%2Fall-minilm-l6-v2", "ordinal": 0, "rawMethod": { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Keep every vector with its index. Vector count must equal input count; dimensions must be consistent.", "errors": [ { "code": null, "condition": "Medan wajib, perwakilan bahan atau nilai parameter tidak sah", "http_status": 400, "recovery": "Betulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Tiada titik akhir tugas pembenaman diperkenalkan." }, "material_combinations": [ { "alternatives": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Simpan setiap vektor bersama indeksnya. Bilangan vektor mesti sama dengan bilangan input; dimensi mesti konsisten.", "default_dimensions": null, "family": "embedding", "fields": [ { "description": null, "name": "object", "type": "string" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "data[].index", "type": "integer" }, { "description": null, "name": "data[].embedding", "type": "finite float[]" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "sentence-transformers/all-minilm-l6-v2" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "budget": { "maximum": 512, "text_unit": "bait UTF8", "token_unit": "elemen tatasusunan token" }, "conditions": "Kelompok homogen yang tidak kosong. ID token ialah integer bukan negatif.", "default": null, "default_known": false, "enum": null, "enum_known": false, "min_items": 1, "name": "input", "required": true, "type": "string|string[]|integer[]|integer[][]" }, { "availability": "source_interface", "default": "float", "default_known": true, "enum": [ "float" ], "enum_known": true, "name": "encoding_format", "required": false, "type": "string" }, { "availability": "unsupported", "default": null, "default_known": false, "enum": null, "enum_known": false, "minimum": 1, "name": "dimensions", "required": false, "type": "integer" }, { "availability": "pass_through_metadata", "conditions": "Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "session_id", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "trace", "required": false, "type": "json_value" }, { "availability": "source_interface", "conditions": "provider.options ditolak", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "provider", "required": false, "type": "object" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "mixed input kinds", "empty input", "image/audio/file objects", "encoding_format=base64", "dimensions override" ] }, "hints": [ "Simpan setiap indeks dan dimensi vektor.", "Nama model multimodal tidak bermakna objek imej dibenarkan pada laluan khusus ini." ], "input": { "content_type": "application/json", "dimensions_override": false, "encoding_format": [ "float" ], "input_shapes": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "material_types": [ "text", "token_ids" ], "max_input_budget_units": 512, "multimodal_objects": false, "required": [ "model", "input" ] }, "lifecycle": { "mode": "synchronous_json", "unknown": "no embedding job endpoint inferred" }, "manufacturer_capability": null, "method": { "http": "POST", "path": "/v1/embeddings" }, "method_aliases": [], "operation_modes": [ "text_to_embedding" ], "output": { "default_dimensions": null, "family": "embedding", "format": "json", "http_success": 200, "vectors": "one dense float vector per input; indices/model/usage validated" } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Kadar asas token", "units": [ { "amount": "0.00001000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000001", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "examples": [ { "code": "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\n", "label": "curl · retained exact creation", "language": "bash" }, { "code": "from 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)\n", "label": "Python SDK · all vectors", "language": "python" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "embeddings", "hints": [ "Keep every vector index and dimension.", "Multimodal model name does not admit image objects on this exact path." ], "http": "POST", "in": 0.01, "input": [ "text", "token_ids" ], "label": "Эмбеддинги", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "token", "image_input_price": null, "image_output_price": null, "per_request_price": null }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": "0.00001000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000001", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "request_model_id": "sentence-transformers/all-minilm-l6-v2", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00001000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000001", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } } ], "model_id": "sentence-transformers/all-minilm-l6-v2", "nativeProvenance": { "input_facts_canonical_sha256": "6307dffad40f712a7928cf761674874e2443fa8eeb05a8bb4f6fb7575b958c92", "input_html_sha256": "d186cf1a84293ea020c4d17bbf053e12ab694d4b751aaf55bb2addd76e132f79", "private_audit_sha256": "509a4d58920591711f0e115558f0b9922cc6b5be80c8445f7db51d674dc5df70", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/ms/sentence-transformers-all-minilm-l6-v2/", "description": "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.", "locale": "ms", "md_url": "https://ailoot.ai/models/ms/sentence-transformers-all-minilm-l6-v2/index.md", "title": "Sentence Transformers: all-MiniLM-L6-v2 — Ailoot", "url": "https://ailoot.ai/models/ms/sentence-transformers-all-minilm-l6-v2/" }, "rawModel": { "about": "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.\n\n### Sediakan rekod ringkas dan bermakna\n\nPilih 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.”\n\nUntuk 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.\n\n### Dapatkan perwakilan ayat\n\nKaedah 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.\n\nSetiap 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.\n\n### Sempadan panjang dan edisi\n\nTetapan 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.\n\nJujukan 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.\n\nEdisi 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.\n\n### Carian, keserupaan dan pengelompokan\n\nUntuk 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.\n\nUntuk 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.", "alias_of": null, "aliases": [], "author": "Sentence Transformers", "available": null, "canonical_model": "sentence-transformers/all-minilm-l6-v2", "capabilities": { "context_length": 512, "manufacturer_input": [ "text" ], "manufacturer_output": [ "embeddings" ] }, "card_routes": [ { "label": "Ultra", "rates": [ { "amount": "0.00001000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000001", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" } ], "summary": "Maklumat lengkap tentang harga konfigurasi terdapat dalam butiran." } ], "ctx": null, "entity_type": "model", "formats": [ "embeddings" ], "id": "sentence-transformers/all-minilm-l6-v2", "input": [ "text", "token_ids" ], "kind": "embedding", "max_out": null, "methods": [ { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Keep every vector with its index. Vector count must equal input count; dimensions must be consistent.", "errors": [ { "code": null, "condition": "Medan wajib, perwakilan bahan atau nilai parameter tidak sah", "http_status": 400, "recovery": "Betulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Tiada titik akhir tugas pembenaman diperkenalkan." }, "material_combinations": [ { "alternatives": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Simpan setiap vektor bersama indeksnya. Bilangan vektor mesti sama dengan bilangan input; dimensi mesti konsisten.", "default_dimensions": null, "family": "embedding", "fields": [ { "description": null, "name": "object", "type": "string" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "data[].index", "type": "integer" }, { "description": null, "name": "data[].embedding", "type": "finite float[]" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "sentence-transformers/all-minilm-l6-v2" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "budget": { "maximum": 512, "text_unit": "bait UTF8", "token_unit": "elemen tatasusunan token" }, "conditions": "Kelompok homogen yang tidak kosong. ID token ialah integer bukan negatif.", "default": null, "default_known": false, "enum": null, "enum_known": false, "min_items": 1, "name": "input", "required": true, "type": "string|string[]|integer[]|integer[][]" }, { "availability": "source_interface", "default": "float", "default_known": true, "enum": [ "float" ], "enum_known": true, "name": "encoding_format", "required": false, "type": "string" }, { "availability": "unsupported", "default": null, "default_known": false, "enum": null, "enum_known": false, "minimum": 1, "name": "dimensions", "required": false, "type": "integer" }, { "availability": "pass_through_metadata", "conditions": "Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "session_id", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "trace", "required": false, "type": "json_value" }, { "availability": "source_interface", "conditions": "provider.options ditolak", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "provider", "required": false, "type": "object" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "mixed input kinds", "empty input", "image/audio/file objects", "encoding_format=base64", "dimensions override" ] }, "hints": [ "Simpan setiap indeks dan dimensi vektor.", "Nama model multimodal tidak bermakna objek imej dibenarkan pada laluan khusus ini." ], "input": { "content_type": "application/json", "dimensions_override": false, "encoding_format": [ "float" ], "input_shapes": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "material_types": [ "text", "token_ids" ], "max_input_budget_units": 512, "multimodal_objects": false, "required": [ "model", "input" ] }, "lifecycle": { "mode": "synchronous_json", "unknown": "no embedding job endpoint inferred" }, "manufacturer_capability": null, "method": { "http": "POST", "path": "/v1/embeddings" }, "method_aliases": [], "operation_modes": [ "text_to_embedding" ], "output": { "default_dimensions": null, "family": "embedding", "format": "json", "http_success": 200, "vectors": "one dense float vector per input; indices/model/usage validated" } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Kadar asas token", "units": [ { "amount": "0.00001000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000001", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "examples": [ { "code": "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\n", "label": "curl · retained exact creation", "language": "bash" }, { "code": "from 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)\n", "label": "Python SDK · all vectors", "language": "python" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "embeddings", "hints": [ "Keep every vector index and dimension.", "Multimodal model name does not admit image objects on this exact path." ], "http": "POST", "in": 0.01, "input": [ "text", "token_ids" ], "label": "Эмбеддинги", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "token", "image_input_price": null, "image_output_price": null, "per_request_price": null }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": "0.00001000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000001", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "request_model_id": "sentence-transformers/all-minilm-l6-v2", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00001000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000001", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "model_aliases": [ { "canonical_model_id": "sentence-transformers/all-minilm-l6-v2", "request_model_id": "sentence-transformers/all-minilm-l6-v2", "route_label": "Ultra" } ], "name": "Sentence Transformers: all-MiniLM-L6-v2", "price": { "in": 0.01, "in_label": null, "out": 0, "out_label": null, "scope_label": "Token rates", "sort_in": 0.01, "sort_out": 0, "varies": false }, "public_id": "sentence-transformers/all-minilm-l6-v2", "short": "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." }, "renderer_schema": { "method_order": "Original DTO methods order; every exact route/format/path/caller survives.", "prices": "Original public DTO fields and original native display HTML; no flattened or normalized offers." }, "representation": "exact-public-dto-and-native-renderer-html", "representationNotes": { "current_reference": { "about_json_pointer": "/aboutHtml", "methods": [ { "contract_json_pointer": "/methods/0/rawMethod/contract", "html_json_pointer": "/methods/0/html", "method_ordinal": 0 } ], "role": "current-semantic-reference" }, "raw_input": { "examples_role": "historical-input-not-current-ready-examples", "json_pointers": [ "/rawModel", "/methods/0/rawMethod" ], "role": "historical-owner-input" }, "schema": "ailoot-native-model-representations-v1" }, "schema": "ailoot-static-model-facts-v1", "schema_version": 1, "shortText": "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.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "c8da0e7f5923b8e97b3b8dda0323baa390dcf95c8189c4f54204537674714d76", "renderer_sha256": "1dab5ba62521e9568c8b7c82005622cabbf330a075df7cce1f83274a04009460" }, "sourceRevision": "ff51da00df5cf0842ee247ddea31b0778f2182e2a813cc5c1ad81adf41596e7e" }