Source: https://ailoot.ai/models/ms/sentence-transformers-paraphrase-minilm-l6-v2/
Canonical: https://ailoot.ai/models/ms/sentence-transformers-paraphrase-minilm-l6-v2/
Language: ms

# Sentence Transformers: paraphrase-MiniLM-L6-v2

[Markdown](https://ailoot.ai/models/ms/sentence-transformers-paraphrase-minilm-l6-v2/index.md) · [JSON](https://ailoot.ai/models/ms/sentence-transformers-paraphrase-minilm-l6-v2/facts.json)

## [Sentence Transformers: paraphrase-MiniLM-L6-v2](https://ailoot.ai/models/ms/sentence-transformers-paraphrase-minilm-l6-v2/)

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.

- [**Ailoot Ultra · Pembenaman** `POST /v1/embeddings` `sentence-transformers/paraphrase-minilm-l6-v2`](https://ailoot.ai/models/ms/sentence-transformers-paraphrase-minilm-l6-v2/#method-0)

Tentang model

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

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.

**Ailoot Ultra · Pembenaman** `POST /v1/embeddings` `sentence-transformers/paraphrase-minilm-l6-v2`

[`sentence-transformers/paraphrase-minilm-l6-v2`](https://ailoot.ai/models/ms/#m=sentence-transformers%2Fparaphrase-minilm-l6-v2&route=Ultra&caller=sentence-transformers%2Fparaphrase-minilm-l6-v2&fmt=embeddings)

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

### Tersedia di Ailoot · input & kaedah

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

Input

`text`, `token_ids`

Output

`embedding`

Format output

json

| Medan | Jenis | Keperluan | Nilai & had | Lalai |
| --- | --- | --- | --- | --- |
| Medan`model` | Jenis`string` | KeperluanDiperlukan | Nilai & had sentence-transformers/paraphrase-minilm-l6-v2 | Lalai— |
| Medan`input` | Jenis`string\|string[]\|integer[]\|integer[][]` | KeperluanDiperlukan | Nilai & had Item minimum: 1 Syarat: Kelompok homogen yang tidak kosong. ID token ialah integer bukan negatif. Bajet input: Maksimum: 512 · Unit teks: bait UTF8 · Unit token: elemen tatasusunan token | Lalai— |
| Medan`encoding_format` | Jenis`string` | KeperluanPilihan | Nilai & had float | Lalaifloat |
| Medan`dimensions` | Jenis`integer` | KeperluanTidak disokong | Nilai & had Minimum: 1 | Lalai— |
| Medan`user` | Jenis`json_value` | KeperluanPilihan | Nilai & had Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model. | Lalai— |
| Medan`session_id` | Jenis`json_value` | KeperluanPilihan | Nilai & had Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model. | Lalai— |
| Medan`trace` | Jenis`json_value` | KeperluanPilihan | Nilai & had Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model. | Lalai— |
| Medan`provider` | Jenis`object` | KeperluanPilihan | Nilai & had Syarat: provider.options ditolak | Lalai— |

Gabungan bahan input

**text\_to\_embedding**

Parameter kaedah dan kitar hayat

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

Kitar hayat: `synchronous_json`

Simpan setiap indeks dan dimensi vektor.

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

### Pelan harga

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

Mod pantas

Tidak dinyatakan Apabila mod pantas dipilih

Mod flex

Tidak dinyatakan Apabila mod flex dipilih

Usaha penaakulan maksimum

Tidak dinyatakan Apabila usaha penaakulan maksimum menggunakan pelarasan default

#### Kadar Ailoot

#### Harga mengikut konfigurasi

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

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

### Contoh permintaan

#### Ailoot Ultra · Pembenaman

curlPython SDK

```bash
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "sentence-transformers/paraphrase-minilm-l6-v2", "input": ["First document", "Second document"]}')

Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
r=json.loads(Path("result.json").read_text())
for x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))
PY_RESULT
```

```python
from openai import OpenAI
import os

client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)
result=client.embeddings.create(model='sentence-transformers/paraphrase-minilm-l6-v2',input=["First document","Second document"])
print(result)
for item in result.data:print(item.index,item.embedding)
```

### Terima dan simpan hasil

#### Ailoot Ultra · Pembenaman

json

##### Simpan semua hasil yang selesai

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

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

##### Jika respons asal perlu disemak

Tiada titik akhir tugas pembenaman diperkenalkan.

Medan respons

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

Ralat dan langkah seterusnya

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

### Alias

#### Alias model

**Ailoot Ultra** [`sentence-transformers/paraphrase-minilm-l6-v2`](https://ailoot.ai/models/ms/#m=sentence-transformers%2Fparaphrase-minilm-l6-v2&route=Ultra&caller=sentence-transformers%2Fparaphrase-minilm-l6-v2&fmt=embeddings)

#### Alias laluan kaedah

Gunakan laluan kaedah yang dipaparkan di atas.

#### ID pemanggil berkaitan

[`sentence-transformers/paraphrase-minilm-l6-v2`](https://ailoot.ai/models/ms/#m=sentence-transformers%2Fparaphrase-minilm-l6-v2&route=Ultra&caller=sentence-transformers%2Fparaphrase-minilm-l6-v2&fmt=embeddings)

FAQ · Sentence Transformers: paraphrase-MiniLM-L6-v2

Apakah input dan hasil yang tersedia?

`POST /v1/embeddings` · `sentence-transformers/paraphrase-minilm-l6-v2`: `text`, `token_ids` → `embedding`

Apakah medan yang digunakan oleh permintaan?

`POST /v1/embeddings` · `sentence-transformers/paraphrase-minilm-l6-v2`: `model`, `input`, `encoding_format`, `provider`

Apakah had yang terpakai?

`POST /v1/embeddings` · `sentence-transformers/paraphrase-minilm-l6-v2`: `input.budget.maximum`: `512` (bait UTF8); `input.min_items`: `1`

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

## Syarikat dan portfolio projeknya

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

## Beli token dengan diskaun.

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

Langganan

Pilih pelan berdiskaun untuk permintaan berkala anda.

Kod promosi sehingga 50%

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

Perbelanjaan dalam sejarah

Model, token dan jumlah disimpan bagi setiap permintaan.

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

## Sambungkan API kepada produk yang anda jual.

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

Aplikasi komersial

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

Lesen penjual semula

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

Dokumen pada laman

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

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

## Ailoot · Syarikat dan portfolio projeknya





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





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





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