{ "aboutHtml": "

paraphrase-MiniLM-L6-v2 ialah model embedding Sentence Transformers untuk ayat dan perenggan pendek. Ia memetakan setiap teks ke ruang vektor padat 384 dimensi, dengan carian semantik dan pengelompokan antara tugas yang dinyatakan pembuat. Seni bina yang diterbitkan menggabungkan transformer dengan mean pooling; panjang jujukan yang dikonfigurasi ialah 128 token.

Wakili petikan yang mahu dibandingkan

Sediakan ayat atau perenggan pendek sebenar, sambil mengekalkan subjek dan syarat penting. Koleksi praktikal boleh mengandungi soalan dengan ungkapan berbeza atau penerangan ringkas tentang topik berkaitan. Hasilkan embedding bagi setiap rekod dan simpan ungkapan asal serta pengecamnya supaya perbandingan kemudian dapat mengembalikan teks itu sendiri.

Contohnya, beberapa soalan bantuan boleh menerangkan kesulitan yang sama menggunakan istilah berbeza. Peringkat keserupaan boleh mengumpulkan calon itu, selepas itu ungkapannya boleh diperiksa untuk mengenal pasti masalah sebenar. Embedding ialah perwakilan berangka yang digunakan dalam perbandingan tersebut; ia tidak menulis parafrasa atau memberikan label kelompok akhir dengan sendirinya.

Mean pooling dan penggunaan vektor

Contoh pengekodan langsung pembuat mengambil kira topeng perhatian apabila mempuratakan perwakilan token, dengan mengecualikan kedudukan padding. Seni binanya secara jelas memilih mean pooling dan tidak memilih pooling CLS atau max. Simpan kaedah pooling itu bersama model ketika menyediakan vektor yang boleh dibandingkan.

Setiap perwakilan yang dikembalikan mempunyai 384 komponen. Indeks atau peringkat pengelompokan menggunakan vektor itu dengan konfigurasi keserupaan terpilih, manakala rekod sumber asal kekal tersedia untuk semakan. Gunakan model, penyediaan input dan tetapan perbandingan yang sama merentas item yang dibandingkan. Model lain yang mengembalikan 384 nilai bukan ruang embedding yang sama berdasarkan bentuk itu sahaja.

Input pendek dalam konfigurasi yang diterbitkan

Konfigurasi rujukan Sentence Transformer menggunakan panjang jujukan maksimum 128 token. Sediakan sumber panjang sebagai unit pendek yang koheren, bukannya satu perenggan terlalu besar. Ayat yang mengandungi peraturan mungkin memerlukan pengecualian dalam ayat berikutnya; simpan unit kecil itu bersama-sama apabila muat. Bilangan perkataan atau aksara tidak secara langsung menentukan panjang token.

Untuk set penerangan pendek, kekalkan nama dan sifat pembeza yang penting kepada perbandingan. Rekod yang hanya mengandungi kategori kabur mungkin sukar dibezakan daripada rekod lain jenis itu. Simpan perkaitan sumber di luar vektor supaya calon yang dikembalikan dapat diperiksa berdasarkan bahan asal.

Hasil carian dan pengelompokan

Dalam carian semantik, wakili pertanyaan dan bahan korpus dengan model yang sama ini dan kembalikan rekod calon bersama teks sumbernya. Dalam pengelompokan, peringkat lain membentuk kumpulan daripada vektor. Periksa rekod berhampiran sempadan kelompok sebelum menggunakan pengelompokan itu sebagai keputusan produk atau label automatik.

Output berguna ialah perwakilan kompak teks pendek yang dipautkan kepada rekod asalnya. Checkpoint paraphrase-MiniLM-L6-v2 tepat ini mempunyai konfigurasi pooling dan jujukannya sendiri. Varian all-MiniLM dan paraphrase berbilang bahasa ialah profil model berasingan; latihan, skop bahasa atau tetapan inputnya tidak tersirat daripada nama MiniLM yang dikongsi.

", "aboutText": "paraphrase-MiniLM-L6-v2 ialah model embedding Sentence Transformers untuk ayat dan perenggan pendek. Ia memetakan setiap teks ke ruang vektor padat 384 dimensi, dengan carian semantik dan pengelompokan antara tugas yang dinyatakan pembuat. Seni bina yang diterbitkan menggabungkan transformer dengan mean pooling; panjang jujukan yang dikonfigurasi ialah 128 token.\n\n### Wakili petikan yang mahu dibandingkan\n\nSediakan ayat atau perenggan pendek sebenar, sambil mengekalkan subjek dan syarat penting. Koleksi praktikal boleh mengandungi soalan dengan ungkapan berbeza atau penerangan ringkas tentang topik berkaitan. Hasilkan embedding bagi setiap rekod dan simpan ungkapan asal serta pengecamnya supaya perbandingan kemudian dapat mengembalikan teks itu sendiri.\n\nContohnya, beberapa soalan bantuan boleh menerangkan kesulitan yang sama menggunakan istilah berbeza. Peringkat keserupaan boleh mengumpulkan calon itu, selepas itu ungkapannya boleh diperiksa untuk mengenal pasti masalah sebenar. Embedding ialah perwakilan berangka yang digunakan dalam perbandingan tersebut; ia tidak menulis parafrasa atau memberikan label kelompok akhir dengan sendirinya.\n\n### Mean pooling dan penggunaan vektor\n\nContoh pengekodan langsung pembuat mengambil kira topeng perhatian apabila mempuratakan perwakilan token, dengan mengecualikan kedudukan padding. Seni binanya secara jelas memilih mean pooling dan tidak memilih pooling CLS atau max. Simpan kaedah pooling itu bersama model ketika menyediakan vektor yang boleh dibandingkan.\n\nSetiap perwakilan yang dikembalikan mempunyai 384 komponen. Indeks atau peringkat pengelompokan menggunakan vektor itu dengan konfigurasi keserupaan terpilih, manakala rekod sumber asal kekal tersedia untuk semakan. Gunakan model, penyediaan input dan tetapan perbandingan yang sama merentas item yang dibandingkan. Model lain yang mengembalikan 384 nilai bukan ruang embedding yang sama berdasarkan bentuk itu sahaja.\n\n### Input pendek dalam konfigurasi yang diterbitkan\n\nKonfigurasi rujukan Sentence Transformer menggunakan panjang jujukan maksimum 128 token. Sediakan sumber panjang sebagai unit pendek yang koheren, bukannya satu perenggan terlalu besar. Ayat yang mengandungi peraturan mungkin memerlukan pengecualian dalam ayat berikutnya; simpan unit kecil itu bersama-sama apabila muat. Bilangan perkataan atau aksara tidak secara langsung menentukan panjang token.\n\nUntuk set penerangan pendek, kekalkan nama dan sifat pembeza yang penting kepada perbandingan. Rekod yang hanya mengandungi kategori kabur mungkin sukar dibezakan daripada rekod lain jenis itu. Simpan perkaitan sumber di luar vektor supaya calon yang dikembalikan dapat diperiksa berdasarkan bahan asal.\n\n### Hasil carian dan pengelompokan\n\nDalam carian semantik, wakili pertanyaan dan bahan korpus dengan model yang sama ini dan kembalikan rekod calon bersama teks sumbernya. Dalam pengelompokan, peringkat lain membentuk kumpulan daripada vektor. Periksa rekod berhampiran sempadan kelompok sebelum menggunakan pengelompokan itu sebagai keputusan produk atau label automatik.\n\nOutput berguna ialah perwakilan kompak teks pendek yang dipautkan kepada rekod asalnya. Checkpoint paraphrase-MiniLM-L6-v2 tepat ini mempunyai konfigurasi pooling dan jujukannya sendiri. Varian all-MiniLM dan paraphrase berbilang bahasa ialah profil model berasingan; latihan, skop bahasa atau tetapan inputnya tidak tersirat daripada nama MiniLM yang dikongsi.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "269197d72be109a603502886aa9e0387e4740fe255930d62e2c2defc81212790", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "ms", "methods": [ { "html": "
•

Sentence Transformers: paraphrase-MiniLM-L6-v2

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

Pengenalan

Sentence Transformers paraphrase-MiniLM-L6-v2 memetakan ayat dan perenggan pendek kepada vektor 384 dimensi untuk carian semantik dan pengelompokan. Konfigurasi yang diterbitkan menggunakan mean pooling dan tetapan jujukan 128 token.

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.

paraphrase-MiniLM-L6-v2 ialah model embedding Sentence Transformers untuk ayat dan perenggan pendek. Ia memetakan setiap teks ke ruang vektor padat 384 dimensi, dengan carian semantik dan pengelompokan antara tugas yang dinyatakan pembuat. Seni bina yang diterbitkan menggabungkan transformer dengan mean pooling; panjang jujukan yang dikonfigurasi ialah 128 token.

Wakili petikan yang mahu dibandingkan

Sediakan ayat atau perenggan pendek sebenar, sambil mengekalkan subjek dan syarat penting. Koleksi praktikal boleh mengandungi soalan dengan ungkapan berbeza atau penerangan ringkas tentang topik berkaitan. Hasilkan embedding bagi setiap rekod dan simpan ungkapan asal serta pengecamnya supaya perbandingan kemudian dapat mengembalikan teks itu sendiri.

Contohnya, beberapa soalan bantuan boleh menerangkan kesulitan yang sama menggunakan istilah berbeza. Peringkat keserupaan boleh mengumpulkan calon itu, selepas itu ungkapannya boleh diperiksa untuk mengenal pasti masalah sebenar. Embedding ialah perwakilan berangka yang digunakan dalam perbandingan tersebut; ia tidak menulis parafrasa atau memberikan label kelompok akhir dengan sendirinya.

Mean pooling dan penggunaan vektor

Contoh pengekodan langsung pembuat mengambil kira topeng perhatian apabila mempuratakan perwakilan token, dengan mengecualikan kedudukan padding. Seni binanya secara jelas memilih mean pooling dan tidak memilih pooling CLS atau max. Simpan kaedah pooling itu bersama model ketika menyediakan vektor yang boleh dibandingkan.

Setiap perwakilan yang dikembalikan mempunyai 384 komponen. Indeks atau peringkat pengelompokan menggunakan vektor itu dengan konfigurasi keserupaan terpilih, manakala rekod sumber asal kekal tersedia untuk semakan. Gunakan model, penyediaan input dan tetapan perbandingan yang sama merentas item yang dibandingkan. Model lain yang mengembalikan 384 nilai bukan ruang embedding yang sama berdasarkan bentuk itu sahaja.

Input pendek dalam konfigurasi yang diterbitkan

Konfigurasi rujukan Sentence Transformer menggunakan panjang jujukan maksimum 128 token. Sediakan sumber panjang sebagai unit pendek yang koheren, bukannya satu perenggan terlalu besar. Ayat yang mengandungi peraturan mungkin memerlukan pengecualian dalam ayat berikutnya; simpan unit kecil itu bersama-sama apabila muat. Bilangan perkataan atau aksara tidak secara langsung menentukan panjang token.

Untuk set penerangan pendek, kekalkan nama dan sifat pembeza yang penting kepada perbandingan. Rekod yang hanya mengandungi kategori kabur mungkin sukar dibezakan daripada rekod lain jenis itu. Simpan perkaitan sumber di luar vektor supaya calon yang dikembalikan dapat diperiksa berdasarkan bahan asal.

Hasil carian dan pengelompokan

Dalam carian semantik, wakili pertanyaan dan bahan korpus dengan model yang sama ini dan kembalikan rekod calon bersama teks sumbernya. Dalam pengelompokan, peringkat lain membentuk kumpulan daripada vektor. Periksa rekod berhampiran sempadan kelompok sebelum menggunakan pengelompokan itu sebagai keputusan produk atau label automatik.

Output berguna ialah perwakilan kompak teks pendek yang dipautkan kepada rekod asalnya. Checkpoint paraphrase-MiniLM-L6-v2 tepat ini mempunyai konfigurasi pooling dan jujukannya sendiri. Varian all-MiniLM dan paraphrase berbilang bahasa ialah profil model berasingan; latihan, skop bahasa atau tetapan inputnya tidak tersirat daripada nama MiniLM yang dikongsi.

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/paraphrase-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/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\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/paraphrase-minilm-l6-v2

Alias laluan kaedah

Gunakan laluan kaedah yang dipaparkan di atas.

ID pemanggil berkaitan

sentence-transformers/paraphrase-minilm-l6-v2

", "method_identity": { "effective_request_model_id": "sentence-transformers/paraphrase-minilm-l6-v2", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "sentence-transformers/paraphrase-minilm-l6-v2", "route_label": "Ultra" }, "method_key": "Ultra|embeddings|/v1/embeddings|sentence-transformers%2Fparaphrase-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/paraphrase-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/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\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/paraphrase-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/paraphrase-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/paraphrase-minilm-l6-v2", "nativeProvenance": { "input_facts_canonical_sha256": "2824cc35581060f186e45adb9397868b3b898e891e7d69ad7e529aefad13db78", "input_html_sha256": "3bcef57e7269b8495dcb7d0f6457af7be548c899dcab4f4a224c6065af6caef1", "private_audit_sha256": "a78a626f4f753205321ac27eb00f685ca9d7fe55566697961f913261ec6547d2", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/ms/sentence-transformers-paraphrase-minilm-l6-v2/", "description": "Sentence Transformers paraphrase-MiniLM-L6-v2 memetakan ayat dan perenggan pendek kepada vektor 384 dimensi untuk carian semantik dan pengelompokan. Konfigurasi yang diterbitkan menggunakan mean pooling dan tetapan jujukan 128 token.", "locale": "ms", "md_url": "https://ailoot.ai/models/ms/sentence-transformers-paraphrase-minilm-l6-v2/index.md", "title": "Sentence Transformers: paraphrase-MiniLM-L6-v2 — Ailoot", "url": "https://ailoot.ai/models/ms/sentence-transformers-paraphrase-minilm-l6-v2/" }, "rawModel": { "about": "paraphrase-MiniLM-L6-v2 ialah model embedding Sentence Transformers untuk ayat dan perenggan pendek. Ia memetakan setiap teks ke ruang vektor padat 384 dimensi, dengan carian semantik dan pengelompokan antara tugas yang dinyatakan pembuat. Seni bina yang diterbitkan menggabungkan transformer dengan mean pooling; panjang jujukan yang dikonfigurasi ialah 128 token.\n\n### Wakili petikan yang mahu dibandingkan\n\nSediakan ayat atau perenggan pendek sebenar, sambil mengekalkan subjek dan syarat penting. Koleksi praktikal boleh mengandungi soalan dengan ungkapan berbeza atau penerangan ringkas tentang topik berkaitan. Hasilkan embedding bagi setiap rekod dan simpan ungkapan asal serta pengecamnya supaya perbandingan kemudian dapat mengembalikan teks itu sendiri.\n\nContohnya, beberapa soalan bantuan boleh menerangkan kesulitan yang sama menggunakan istilah berbeza. Peringkat keserupaan boleh mengumpulkan calon itu, selepas itu ungkapannya boleh diperiksa untuk mengenal pasti masalah sebenar. Embedding ialah perwakilan berangka yang digunakan dalam perbandingan tersebut; ia tidak menulis parafrasa atau memberikan label kelompok akhir dengan sendirinya.\n\n### Mean pooling dan penggunaan vektor\n\nContoh pengekodan langsung pembuat mengambil kira topeng perhatian apabila mempuratakan perwakilan token, dengan mengecualikan kedudukan padding. Seni binanya secara jelas memilih mean pooling dan tidak memilih pooling CLS atau max. Simpan kaedah pooling itu bersama model ketika menyediakan vektor yang boleh dibandingkan.\n\nSetiap perwakilan yang dikembalikan mempunyai 384 komponen. Indeks atau peringkat pengelompokan menggunakan vektor itu dengan konfigurasi keserupaan terpilih, manakala rekod sumber asal kekal tersedia untuk semakan. Gunakan model, penyediaan input dan tetapan perbandingan yang sama merentas item yang dibandingkan. Model lain yang mengembalikan 384 nilai bukan ruang embedding yang sama berdasarkan bentuk itu sahaja.\n\n### Input pendek dalam konfigurasi yang diterbitkan\n\nKonfigurasi rujukan Sentence Transformer menggunakan panjang jujukan maksimum 128 token. Sediakan sumber panjang sebagai unit pendek yang koheren, bukannya satu perenggan terlalu besar. Ayat yang mengandungi peraturan mungkin memerlukan pengecualian dalam ayat berikutnya; simpan unit kecil itu bersama-sama apabila muat. Bilangan perkataan atau aksara tidak secara langsung menentukan panjang token.\n\nUntuk set penerangan pendek, kekalkan nama dan sifat pembeza yang penting kepada perbandingan. Rekod yang hanya mengandungi kategori kabur mungkin sukar dibezakan daripada rekod lain jenis itu. Simpan perkaitan sumber di luar vektor supaya calon yang dikembalikan dapat diperiksa berdasarkan bahan asal.\n\n### Hasil carian dan pengelompokan\n\nDalam carian semantik, wakili pertanyaan dan bahan korpus dengan model yang sama ini dan kembalikan rekod calon bersama teks sumbernya. Dalam pengelompokan, peringkat lain membentuk kumpulan daripada vektor. Periksa rekod berhampiran sempadan kelompok sebelum menggunakan pengelompokan itu sebagai keputusan produk atau label automatik.\n\nOutput berguna ialah perwakilan kompak teks pendek yang dipautkan kepada rekod asalnya. Checkpoint paraphrase-MiniLM-L6-v2 tepat ini mempunyai konfigurasi pooling dan jujukannya sendiri. Varian all-MiniLM dan paraphrase berbilang bahasa ialah profil model berasingan; latihan, skop bahasa atau tetapan inputnya tidak tersirat daripada nama MiniLM yang dikongsi.", "alias_of": null, "aliases": [], "author": "Sentence Transformers", "available": null, "canonical_model": "sentence-transformers/paraphrase-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/paraphrase-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/paraphrase-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/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\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/paraphrase-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/paraphrase-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/paraphrase-minilm-l6-v2", "request_model_id": "sentence-transformers/paraphrase-minilm-l6-v2", "route_label": "Ultra" } ], "name": "Sentence Transformers: paraphrase-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/paraphrase-minilm-l6-v2", "short": "Sentence Transformers paraphrase-MiniLM-L6-v2 memetakan ayat dan perenggan pendek kepada vektor 384 dimensi untuk carian semantik dan pengelompokan. Konfigurasi yang diterbitkan menggunakan mean pooling dan tetapan jujukan 128 token." }, "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 paraphrase-MiniLM-L6-v2 memetakan ayat dan perenggan pendek kepada vektor 384 dimensi untuk carian semantik dan pengelompokan. Konfigurasi yang diterbitkan menggunakan mean pooling dan tetapan jujukan 128 token.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "5ee4ceff3ffa6d00f3698b4ef3f8fcdb40680eed6d6e15b9eb63b6101193cea4", "renderer_sha256": "1dab5ba62521e9568c8b7c82005622cabbf330a075df7cce1f83274a04009460" }, "sourceRevision": "4042edf7f4ea09c97184104f7a4d6cb3f1895ce78c1cb619011f99b59ccf578a" }