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

# Sentence Transformers: all-MiniLM-L12-v2

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

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

Sentence Transformers all-MiniLM-L12-v2 koder setninger og korte avsnitt til 384-dimensjonale vektorer for søk, likhet og klyngedannelse. Referanseoppskriften bruker gjennomsnittspooling og normalisering, med standardavkorting ved 256 orddeler.

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

Om modellen

Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.

all-MiniLM-L12-v2 er en Sentence Transformers-encoder for setninger og korte avsnitt. Den produserer én tett vektor med 384 dimensjoner per tekst for semantisk søk, informasjonsgjenfinning, klyngedannelse og setningslikhet. Modellen bruker MiniLM-L12-H384-uncased-grunnmodellen og ble finjustert med kontrastiv læring på en samling med én milliard setningspar.

#### Kod enheten du vil gjenfinne

Bruk en setning eller et kort avsnitt som uttrykker én nyttig idé. I en samling produktbeskrivelser beholder du egenskapen og betingelsen som skiller varen fra andre: «Adapteren kobler et kablet hodesett til en USB-C-port» er mer informativt enn «Lydtilbehør». Lagre postidentifikatoren og originalbeskrivelsen ved siden av vektoren.

En søkeforespørsel kan deretter sammenlignes med de kodede beskrivelsene. Undersøk de returnerte kandidatene for nøyaktige krav som kontakttype eller enhetskompatibilitet før du presenterer et endelig valg. Vektoren representerer tekstens betydning; søkeapplikasjonen rundt modellen gjenfinner de tilsvarende postene.

#### Gjennomsnittspooling og normaliserte vektorer

Det publiserte kodingseksemplet beregner gjennomsnittet av tokenrepresentasjonene med attention-masken, slik at paddingposisjoner ikke bidrar til gjennomsnittet. Deretter brukes L2-normalisering. Disse trinnene er en del av referanseoppskriften for å utlede setningsvektoren, ikke en instruksjon om å ta en vilkårlig token fra den underliggende transformeren.

Hold modell-, pooling- og normaliseringskonfigurasjonen konsekvent mellom indekserte tekster og nye forespørsler. De resulterende representasjonene på 384 komponenter kan sammenlignes med cosinuslikhet. Hold en oversikt over konfigurasjonen med samlingen; en annen 384-dimensjonal encoder blir ikke kompatibel bare fordi vektorene har samme lengde.

#### Standard inndatalengde og treningsomfang

Produsenten angir standardavkorting utover 256 orddeler. Dette er en tokenizergrense, ikke et antall vanlige ord eller tegn. For en lengre post velger du sammenhengende korte seksjoner og beholder overskriften eller identifiserende detalj som trengs for å tolke hver seksjon.

Modellens treningsprosedyre brukte sekvenser på opptil 128 tokener. Denne treningsinnstillingen er atskilt fra den publiserte standarden på 256 orddeler ved koding. En passasje som passer innenfor standarden, kan fortsatt avvike betydelig fra det korte setningsmaterialet som ble brukt under treningen, så vurder lange eller spesialiserte beskrivelser med representative eksempler.

#### Arbeidsflyter for likhet og klyngedannelse

For et sett supportmeldinger kan embeddinger gi numeriske inndata til et grupperingstrinn. Gjennomgå flere meldinger fra hver foreslåtte gruppe og meldingene nær grensen før du tildeler en lesbar etikett. Ved gjennomgang av duplikatinnhold gjenfinner du lignende poster og sammenligner den faktiske ordlyden; to passasjer kan omtale samme emne, men gi ulike instruksjoner.

Denne nøyaktige L12-v2-utgaven er en engelsk setningsembeddingprofil. Den er atskilt fra all-MiniLM-L6-v2 og paraphrase-MiniLM-checkpointene. Felles modellfamilienavn innebærer ikke at sekvenskonfigurasjonen eller poolingoppskriften kan overtas. Bruk de kompakte tette vektorene sammen med kildeposter og oppgavespesifikk evaluering fremfor å behandle en likhetsverdi som et bekreftet svar eller en endelig redaksjonell beslutning.

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

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

Sentence Transformers /`sentence-transformers/all-minilm-l12-v2`

### Start

Sentence Transformers all-MiniLM-L12-v2 koder setninger og korte avsnitt til 384-dimensjonale vektorer for søk, likhet og klyngedannelse. Referanseoppskriften bruker gjennomsnittspooling og normalisering, med standardavkorting ved 256 orddeler.

Godkjente inndata

Tekst · token\_ids

Resultater

embedding

### Tilgjengelig i Ailoot · inndata & metoder

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

Inndatatyper

`text`, `token_ids`

Utdatatyper

`embedding`

Utdataformat

json

| Felt | Type | Krav | Verdier & grenser | Standard |
| --- | --- | --- | --- | --- |
| Felt`model` | Type`string` | KravPåkrevd | Verdier & grenser sentence-transformers/all-minilm-l12-v2 | Standard— |
| Felt`input` | Type`string\|string[]\|integer[]\|integer[][]` | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 Vilkår: Ikke-tom batch med ensartede elementer. Token-ID-er er ikke-negative heltall. Inndatabudsjett: Maksimum: 512 · Tekstenhet: UTF8-byte · Tokenenhet: elementer i token-arrayet | Standard— |
| Felt`encoding_format` | Type`string` | KravValgfritt | Verdier & grenser float | Standardfloat |
| Felt`dimensions` | Type`integer` | KravStøttes ikke | Verdier & grenser Minimum: 1 | Standard— |
| Felt`user` | Type`json_value` | KravValgfritt | Verdier & grenser Vilkår: Kilden tillater dette JSON-metadatafeltet; den nøyaktige semantikken hos den underliggende leverandøren er modellavhengig. | Standard— |
| Felt`session_id` | Type`json_value` | KravValgfritt | Verdier & grenser Vilkår: Kilden tillater dette JSON-metadatafeltet; den nøyaktige semantikken hos den underliggende leverandøren er modellavhengig. | Standard— |
| Felt`trace` | Type`json_value` | KravValgfritt | Verdier & grenser Vilkår: Kilden tillater dette JSON-metadatafeltet; den nøyaktige semantikken hos den underliggende leverandøren er modellavhengig. | Standard— |
| Felt`provider` | Type`object` | KravValgfritt | Verdier & grenser Vilkår: provider.options avvises | Standard— |

Kombinasjoner av inngående materialer

**text\_to\_embedding**

Metodeparametere og livssyklus

| Parameter | Avtale |
| --- | --- |
| Parameter`content_type` | Avtaleapplication/json |
| Parameter`required` | Avtalemodel, input |
| Parameter`input_shapes` | Avtalestring, string\[\], nonnegative\_integer\_token\_array, nonnegative\_integer\_token\_array\[\] |
| Parameter`encoding_format` | Avtalefloat |
| Parameter`dimensions_override` | Avtalefalse |
| Parameter`max_input_budget_units` | Avtale512 |
| Parameter`multimodal_objects` | Avtalefalse |
| Parameter`material_types` | Avtaletext, token\_ids |

Livssyklus: `synchronous_json`

Bevar hver vektors indeks og dimensjon.

Et multimodalt modellnavn innebærer ikke at bildeobjekter er tillatt på denne nøyaktige stien.

### Priser

Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.

Hurtigmodus

Ikke angitt Når hurtigmodus er valgt

Flex-modus

Ikke angitt Når flex-modus er valgt

Maksimal resonneringsinnsats

Ikke angitt Når justeringen «default» brukes for maksimal resonneringsinnsats

#### Ailoot-satser

#### Priser etter konfigurasjon

| Konfigurasjon | Prisplan | Kostnad |
| --- | --- | --- |
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener **$0.00001** / 1K tokener Utdata · Utgående tokener **$0** / 1K tokener Inndata · Lesing fra hurtigbuffer **—** / 1K tokener Inndata · Skriving til hurtigbuffer **—** / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time **—** / 1K tokener |

Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. [Slik fungerer reservasjon og oppgjør →](https://ailoot.ai/docs/nb/billing/reserve/)

### Eksempelforespørsler

#### Ailoot Ultra · Vektorrepresentasjoner

curlPython SDK

```bash
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "sentence-transformers/all-minilm-l12-v2", "input": ["First document", "Second document"]}')

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

```python
from openai import OpenAI
import os

client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)
result=client.embeddings.create(model='sentence-transformers/all-minilm-l12-v2',input=["First document","Second document"])
print(result)
for item in result.data:print(item.index,item.embedding)
```

### Motta og lagre resultater

#### Ailoot Ultra · Vektorrepresentasjoner

json

##### Behold alle ferdige resultater

Behold alle fullstendige returnerte svar, filer og innholdsdeler.

Bevar hver vektor sammen med indeksen. Antall vektorer må være lik antall inndata; dimensjonene må være konsistente.

##### Hvis det opprinnelige svaret må kontrolleres

Det innføres ikke noe endepunkt for embedding-jobber.

Svarfelter

| Felt | Type |
| --- | --- |
| Felt`object` | Typestring |
| Felt`model` | Typestring |
| Felt`data[].index` | Typeinteger |
| Felt`data[].embedding` | Typefinite float\[\] |
| Felt`usage` | Typeobject |

Feil og neste trinn

| Svar | Vilkår | Neste trinn |
| --- | --- | --- |
| Svar400 · `invalid_request_error` | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |

### Aliaser

#### Modellaliaser

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

#### Aliaser for metodestier

Bruk metodestiene som vises ovenfor.

#### Tilknyttede anroper-ID-er

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

FAQ · Sentence Transformers: all-MiniLM-L12-v2

Hvilke inndata og resultater er tilgjengelige?

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

Hvilke felt bruker forespørselen?

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

Hvilke grenser gjelder?

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

Koble Ailoot til Claude Code, OpenCode, Hermes eller egen applikasjon.

## Selskapet og dets prosjektportefølje

Selskapet og dets prosjektportefølje: millioner av kunder; månedlig salg for milliarder.

## Kjøp tokener med rabatt.

Abonnementsrabatt for jevnlig bruk. Kampanjekoder gir opptil 50% på tokenkjøp.

Abonnement

Velg et rabattabonnement for faste forespørsler.

Kampanjekode opptil 50%

Oppgi kode ved kjøp. Prisen beregnes på nytt etter gjeldende kampanje.

Kostnader i historikken

Modell, tokener og beløp lagres for hver forespørsel.

[Velg abonnement](https://ailoot.ai/docs/nb/billing/subscriptions/) · [Se modellpriser](https://ailoot.ai/models/nb/)

## Koble API-et til produktet du selger.

SaaS, apper og boter etter Ailoots offentlige tilbud og lisensavtale. Be om forhandlerlisens for videresalg.

Kommersiell applikasjon

Bygg tekst-, bilde-, video- og lydgenerering inn i betalte funksjoner i tjenesten.

Forhandlerlisens

Send prosjektbeskrivelse og tilgangsopplegg. Be om skriftlige vilkår for bruk og videresalg.

Dokumenter på nettstedet

Offentlig tilbud, lisensavtale og retningslinjer for databehandling er tilgjengelige før tilkobling.

[Be om forhandlerlisens](mailto:support@ailoot.ai) · [Offentlig tilbud og lisensavtale](https://ailoot.ai/legal/offer?lang=nb)

## Ailoot · Selskapet og dets prosjektportefølje





Ailoot bygger på etablert driftserfaring, en stor kundebase, stabil tjeneste og løpende KPI-kontroll.





Selskapet og dets prosjektportefølje: millioner av kunder; månedlig salg for milliarder.





Ailoot bruker denne driftserfaringen til API-tilgang til AI-funksjoner i kundenes produkter, agenter, applikasjoner og automatiseringer.