all-MiniLM-L6-v2 er en Sentence Transformers-encoder for setninger og korte avsnitt. Den avbilder hver tekst til en tett vektor med 384 dimensjoner for gjenfinning, klyngedannelse og setningslikhet. Modellen ble finjustert fra MiniLM-L6-H384-uncased-grunnmodellen med kontrastiv læring på en samling med én milliard setningspar.
Velg setningen eller avsnittet som skal vises i et søkeresultat. I en samling med ofte stilte spørsmål beholder du spørsmålet og den korte forklaringen som skiller emnet fra andre. En passasje om å tilbakestille et glemt passord bør beholde tilbakestillingsprosedyren fremfor å reduseres til et isolert ord som «Konto».
For en lang artikkel indekserer du sammenhengende korte seksjoner og beholder kildeplasseringene. Gjenfinn kandidatseksjoner ved å sammenligne forespørselens vektor med de lagrede representasjonene, og vis deretter originalpassasjene slik at leseren kan undersøke de faktiske instruksjonene.
Produsentens oppskrift på direkte koding beregner gjennomsnittet av tokenrepresentasjonene med attention-masken og utelukker paddingposisjoner fra gjennomsnittet. Deretter brukes L2-normalisering. Disse trinnene produserer setningsembeddingen som brukes til sammenligning; individuelle tokenrepresentasjoner fra den underliggende transformeren har en annen rolle.
Hvert resultat har 384 komponenter. Bruk samme checkpoint, pooling og normalisering når samlingen bygges og senere forespørsler kodes. Cosinuslikhet kan sammenligne de resulterende vektorene. En likhetsverdi er nyttig til å rangere kandidater under dette oppsettet, mens originalteksten avgjør om en kandidat besvarer spørsmålet.
Den publiserte standarden avkorter inndata som er lengre enn 256 orddeler. Denne tokenizerenheten tilsvarer ikke direkte et vanlig ord eller tegn. Hold viktige betingelser innenfor den indekserte enheten, og del en lang prosedyre ved meningsfulle grenser før den kodes.
Treningssekvensene var begrenset til 128 tokener. Denne treningsinnstillingen er atskilt fra standarden på 256 orddeler som brukes ved koding. For uvanlig lange eller spesialiserte passasjer bruker du representative eksempler på forespørsler og passasjer til å vurdere gjenfinningsadferden, fremfor å anta at inndatagrensen garanterer lik behandling av hver detalj.
Den nøyaktige L6-v2-utgaven er en engelsk embeddingprofil. L12-v2- og paraphrase-MiniLM-utgavene har separate modellidentiteter og konfigurasjoner. Det felles MiniLM-navnet eller resultatet på 384 dimensjoner fastslår ikke at vektorene kan brukes om hverandre.
Ved gjennomgang av duplikatspørsmål gjenfinner du lignende spørsmål og sammenligner den faktiske ordlyden før poster slås sammen. «Kan jeg tilbakestille passordet mitt?» og «Kan en administrator tilbakestille passordet til en annen bruker?» gjelder relaterte emner, men ulike tillatelser. Bevar dette skillet i den kodede teksten og i gjennomgangstrinnet.
For klyngedannelse bruker du embeddingene som numeriske inndata til en grupperingsprosess og undersøker deretter representative poster før en gruppe navngis. Modellen gir vektorer fremfor skriftlige klyngeetiketter eller et generert FAQ-svar. Det nyttige resultatet er en kompakt representasjon av en kort kildepassasje som fortsatt er knyttet til originalposten.
", "aboutText": "all-MiniLM-L6-v2 er en Sentence Transformers-encoder for setninger og korte avsnitt. Den avbilder hver tekst til en tett vektor med 384 dimensjoner for gjenfinning, klyngedannelse og setningslikhet. Modellen ble finjustert fra MiniLM-L6-H384-uncased-grunnmodellen med kontrastiv læring på en samling med én milliard setningspar.\n\n### Forbered korte, meningsfulle poster\n\nVelg setningen eller avsnittet som skal vises i et søkeresultat. I en samling med ofte stilte spørsmål beholder du spørsmålet og den korte forklaringen som skiller emnet fra andre. En passasje om å tilbakestille et glemt passord bør beholde tilbakestillingsprosedyren fremfor å reduseres til et isolert ord som «Konto».\n\nFor en lang artikkel indekserer du sammenhengende korte seksjoner og beholder kildeplasseringene. Gjenfinn kandidatseksjoner ved å sammenligne forespørselens vektor med de lagrede representasjonene, og vis deretter originalpassasjene slik at leseren kan undersøke de faktiske instruksjonene.\n\n### Utled setningsrepresentasjonen\n\nProdusentens oppskrift på direkte koding beregner gjennomsnittet av tokenrepresentasjonene med attention-masken og utelukker paddingposisjoner fra gjennomsnittet. Deretter brukes L2-normalisering. Disse trinnene produserer setningsembeddingen som brukes til sammenligning; individuelle tokenrepresentasjoner fra den underliggende transformeren har en annen rolle.\n\nHvert resultat har 384 komponenter. Bruk samme checkpoint, pooling og normalisering når samlingen bygges og senere forespørsler kodes. Cosinuslikhet kan sammenligne de resulterende vektorene. En likhetsverdi er nyttig til å rangere kandidater under dette oppsettet, mens originalteksten avgjør om en kandidat besvarer spørsmålet.\n\n### Lengde og utgavegrenser\n\nDen publiserte standarden avkorter inndata som er lengre enn 256 orddeler. Denne tokenizerenheten tilsvarer ikke direkte et vanlig ord eller tegn. Hold viktige betingelser innenfor den indekserte enheten, og del en lang prosedyre ved meningsfulle grenser før den kodes.\n\nTreningssekvensene var begrenset til 128 tokener. Denne treningsinnstillingen er atskilt fra standarden på 256 orddeler som brukes ved koding. For uvanlig lange eller spesialiserte passasjer bruker du representative eksempler på forespørsler og passasjer til å vurdere gjenfinningsadferden, fremfor å anta at inndatagrensen garanterer lik behandling av hver detalj.\n\nDen nøyaktige L6-v2-utgaven er en engelsk embeddingprofil. L12-v2- og paraphrase-MiniLM-utgavene har separate modellidentiteter og konfigurasjoner. Det felles MiniLM-navnet eller resultatet på 384 dimensjoner fastslår ikke at vektorene kan brukes om hverandre.\n\n### Søk, likhet og gruppering\n\nVed gjennomgang av duplikatspørsmål gjenfinner du lignende spørsmål og sammenligner den faktiske ordlyden før poster slås sammen. «Kan jeg tilbakestille passordet mitt?» og «Kan en administrator tilbakestille passordet til en annen bruker?» gjelder relaterte emner, men ulike tillatelser. Bevar dette skillet i den kodede teksten og i gjennomgangstrinnet.\n\nFor klyngedannelse bruker du embeddingene som numeriske inndata til en grupperingsprosess og undersøker deretter representative poster før en gruppe navngis. Modellen gir vektorer fremfor skriftlige klyngeetiketter eller et generert FAQ-svar. Det nyttige resultatet er en kompakt representasjon av en kort kildepassasje som fortsatt er knyttet til originalposten.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "7574b5df2caa40c668a712913559f852b1b8b2d4b01fefd4932f93410702660e", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nb", "methods": [ { "html": "sentence-transformers/all-minilm-l6-v2Sentence Transformers all-MiniLM-L6-v2 representerer setninger og korte avsnitt som 384-dimensjonale vektorer for semantisk søk, klyngedannelse og likhet. Den publiserte oppskriften kombinerer gjennomsnittspooling med L2-normalisering og en standard på 256 orddeler.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
all-MiniLM-L6-v2 er en Sentence Transformers-encoder for setninger og korte avsnitt. Den avbilder hver tekst til en tett vektor med 384 dimensjoner for gjenfinning, klyngedannelse og setningslikhet. Modellen ble finjustert fra MiniLM-L6-H384-uncased-grunnmodellen med kontrastiv læring på en samling med én milliard setningspar.
Velg setningen eller avsnittet som skal vises i et søkeresultat. I en samling med ofte stilte spørsmål beholder du spørsmålet og den korte forklaringen som skiller emnet fra andre. En passasje om å tilbakestille et glemt passord bør beholde tilbakestillingsprosedyren fremfor å reduseres til et isolert ord som «Konto».
For en lang artikkel indekserer du sammenhengende korte seksjoner og beholder kildeplasseringene. Gjenfinn kandidatseksjoner ved å sammenligne forespørselens vektor med de lagrede representasjonene, og vis deretter originalpassasjene slik at leseren kan undersøke de faktiske instruksjonene.
Produsentens oppskrift på direkte koding beregner gjennomsnittet av tokenrepresentasjonene med attention-masken og utelukker paddingposisjoner fra gjennomsnittet. Deretter brukes L2-normalisering. Disse trinnene produserer setningsembeddingen som brukes til sammenligning; individuelle tokenrepresentasjoner fra den underliggende transformeren har en annen rolle.
Hvert resultat har 384 komponenter. Bruk samme checkpoint, pooling og normalisering når samlingen bygges og senere forespørsler kodes. Cosinuslikhet kan sammenligne de resulterende vektorene. En likhetsverdi er nyttig til å rangere kandidater under dette oppsettet, mens originalteksten avgjør om en kandidat besvarer spørsmålet.
Den publiserte standarden avkorter inndata som er lengre enn 256 orddeler. Denne tokenizerenheten tilsvarer ikke direkte et vanlig ord eller tegn. Hold viktige betingelser innenfor den indekserte enheten, og del en lang prosedyre ved meningsfulle grenser før den kodes.
Treningssekvensene var begrenset til 128 tokener. Denne treningsinnstillingen er atskilt fra standarden på 256 orddeler som brukes ved koding. For uvanlig lange eller spesialiserte passasjer bruker du representative eksempler på forespørsler og passasjer til å vurdere gjenfinningsadferden, fremfor å anta at inndatagrensen garanterer lik behandling av hver detalj.
Den nøyaktige L6-v2-utgaven er en engelsk embeddingprofil. L12-v2- og paraphrase-MiniLM-utgavene har separate modellidentiteter og konfigurasjoner. Det felles MiniLM-navnet eller resultatet på 384 dimensjoner fastslår ikke at vektorene kan brukes om hverandre.
Ved gjennomgang av duplikatspørsmål gjenfinner du lignende spørsmål og sammenligner den faktiske ordlyden før poster slås sammen. «Kan jeg tilbakestille passordet mitt?» og «Kan en administrator tilbakestille passordet til en annen bruker?» gjelder relaterte emner, men ulike tillatelser. Bevar dette skillet i den kodede teksten og i gjennomgangstrinnet.
For klyngedannelse bruker du embeddingene som numeriske inndata til en grupperingsprosess og undersøker deretter representative poster før en gruppe navngis. Modellen gir vektorer fremfor skriftlige klyngeetiketter eller et generert FAQ-svar. Det nyttige resultatet er en kompakt representasjon av en kort kildepassasje som fortsatt er knyttet til originalposten.
POST /v1/embeddingstext, token_idsembedding| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser sentence-transformers/all-minilm-l6-v2 | Standard— |
Feltinput | Typestring|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— |
Feltencoding_format | Typestring | KravValgfritt | Verdier & grenser float | Standardfloat |
Feltdimensions | Typeinteger | KravStøttes ikke | Verdier & grenser Minimum: 1 | Standard— |
Feltuser | Typejson_value | KravValgfritt | Verdier & grenser Vilkår: Kilden tillater dette JSON-metadatafeltet; den nøyaktige semantikken hos den underliggende leverandøren er modellavhengig. | Standard— |
Feltsession_id | Typejson_value | KravValgfritt | Verdier & grenser Vilkår: Kilden tillater dette JSON-metadatafeltet; den nøyaktige semantikken hos den underliggende leverandøren er modellavhengig. | Standard— |
Felttrace | Typejson_value | KravValgfritt | Verdier & grenser Vilkår: Kilden tillater dette JSON-metadatafeltet; den nøyaktige semantikken hos den underliggende leverandøren er modellavhengig. | Standard— |
Feltprovider | Typeobject | KravValgfritt | Verdier & grenser Vilkår: provider.options avvises | Standard— |
text_to_embedding
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, input |
Parameterinput_shapes | Avtalestring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parameterencoding_format | Avtalefloat |
Parameterdimensions_override | Avtalefalse |
Parametermax_input_budget_units | Avtale512 |
Parametermultimodal_objects | Avtalefalse |
Parametermaterial_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.
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.00001 / 1K tokener Utdata · Utgående tokener $0 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${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\nfrom 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)\njson
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.
Det innføres ikke noe endepunkt for embedding-jobber.
| Felt | Type |
|---|---|
Feltobject | Typestring |
Feltmodel | Typestring |
Feltdata[].index | Typeinteger |
Feltdata[].embedding | Typefinite float[] |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra sentence-transformers/all-minilm-l6-v2
Bruk metodestiene som vises ovenfor.