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

# Sentence Transformers: paraphrase-MiniLM-L6-v2

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

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

Sentence Transformers paraphrase-MiniLM-L6-v2 avbilder setninger og korte avsnitt til 384-dimensjonale vektorer for semantisk søk og klyngedannelse. Den publiserte konfigurasjonen bruker gjennomsnittspooling og en sekvensinnstilling på 128 tokener.

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

Om modellen

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

paraphrase-MiniLM-L6-v2 er en Sentence Transformers-embeddingmodell for setninger og korte avsnitt. Den avbilder hver tekst til et tett vektorrom med 384 dimensjoner, med semantisk søk og klyngedannelse blant produsentens oppgitte oppgaver. Den publiserte arkitekturen kombinerer en transformer med gjennomsnittspooling; den konfigurerte sekvenslengden er 128 tokener.

#### Representer passasjen du vil sammenligne

Forbered den faktiske setningen eller det korte avsnittet, og behold emnet og viktige betingelser intakte. En praktisk samling kan inneholde ulikt formulerte spørsmål eller korte beskrivelser av relaterte emner. Beregn embeddingvektoren for hver post og behold den opprinnelige ordlyden og identifikatoren, slik at en senere sammenligning kan returnere selve teksten.

Flere hjelpespørsmål kan for eksempel beskrive samme vanskelighet med ulike termer. Et likhetstrinn kan samle disse kandidatene, og deretter kan ordlyden undersøkes for det faktiske problemet. Embeddingvektoren er den numeriske representasjonen som brukes i sammenligningen; den skriver ikke en parafrase eller tildeler en endelig klyngeetikett på egen hånd.

#### Gjennomsnittspooling og vektorbruk

Produsentens eksempel på direkte koding tar hensyn til attention-masken ved gjennomsnittsberegning av tokenrepresentasjonene og utelukker paddingposisjoner. Arkitekturen velger uttrykkelig gjennomsnittspooling og velger ikke CLS- eller max-pooling. Behold denne poolingoppskriften sammen med modellen når du forbereder sammenlignbare vektorer.

Hver returnerte representasjon har 384 komponenter. En indeks eller et klyngedanningstrinn arbeider med vektorene med en valgt likhetskonfigurasjon, mens den underliggende kildeposten forblir tilgjengelig for gjennomgang. Hold modell, inndataforberedelse og sammenligningsinnstillinger like på tvers av elementene som sammenlignes. En annen modell som returnerer 384 verdier, har ikke samme embeddingrom bare på grunn av denne formen.

#### Korte inndata i den publiserte konfigurasjonen

Referansekonfigurasjonen for Sentence Transformer bruker en maksimal sekvenslengde på 128 tokener. Forbered en lang kilde som korte, sammenhengende enheter fremfor ett for stort avsnitt. En setning med en regel kan trenge unntaket i neste setning; behold den lille enheten samlet når den får plass. Et antall ord eller tegn fastslår ikke tokenlengden direkte.

For et sett med korte beskrivelser bevarer du navn og egenskaper som skiller dem fra hverandre og har betydning for sammenligningen. En post som bare inneholder en vag kategori, kan være vanskelig å skille fra andre poster av samme type. Lagre kildekoblingen utenfor vektoren, slik at en returnert kandidat kan kontrolleres mot originalmaterialet.

#### Resultater fra søk og klyngedannelse

I semantisk søk representerer du forespørselen og korpusmaterialet med denne samme modellen og returnerer kandidatposter med kildeteksten. Ved klyngedannelse danner et annet trinn grupper fra vektorene. Undersøk postene nær en klyngegrense før grupperingen brukes som en produktbeslutning eller en automatisk etikett.

Det nyttige resultatet er en kompakt representasjon av kort tekst knyttet til den opprinnelige posten. Dette nøyaktige paraphrase-MiniLM-L6-v2-checkpointet har sin egen pooling- og sekvenskonfigurasjon. all-MiniLM og flerspråklige paraphrase-varianter er separate modellprofiler; treningen, språkomfanget eller inndatainnstillingene deres følger ikke automatisk av det felles MiniLM-navnet.

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

[`sentence-transformers/paraphrase-minilm-l6-v2`](https://ailoot.ai/models/nb/#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`

### Start

Sentence Transformers paraphrase-MiniLM-L6-v2 avbilder setninger og korte avsnitt til 384-dimensjonale vektorer for semantisk søk og klyngedannelse. Den publiserte konfigurasjonen bruker gjennomsnittspooling og en sekvensinnstilling på 128 tokener.

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/paraphrase-minilm-l6-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/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)
```

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

#### Aliaser for metodestier

Bruk metodestiene som vises ovenfor.

#### Tilknyttede anroper-ID-er

[`sentence-transformers/paraphrase-minilm-l6-v2`](https://ailoot.ai/models/nb/#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

Hvilke inndata og resultater er tilgjengelige?

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

Hvilke felt bruker forespørselen?

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

Hvilke grenser gjelder?

`POST /v1/embeddings` · `sentence-transformers/paraphrase-minilm-l6-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.