paraphrase-MiniLM-L6-v2 is een embeddingmodel van Sentence Transformers voor zinnen en korte alinea's. Het zet elke tekst om in een 384-dimensionale dense vectorruimte, met semantisch zoeken en clustering als door de maker genoemde taken. De gepubliceerde architectuur combineert een transformer met mean pooling; de ingestelde sequentielengte is 128 tokens.
Bereid de daadwerkelijke zin of korte alinea voor en behoud het onderwerp en de belangrijke voorwaarden. Een praktische verzameling kan verschillend geformuleerde vragen of korte beschrijvingen van verwante onderwerpen bevatten. Embed elk record en bewaar de oorspronkelijke bewoordingen en identifier, zodat een latere vergelijking de tekst zelf kan teruggeven.
Verschillende hulpvragen kunnen bijvoorbeeld hetzelfde probleem met andere termen beschrijven. Een gelijkenisfase kan die kandidaten samenbrengen, waarna de bewoordingen op het daadwerkelijke probleem kunnen worden onderzocht. De embedding is de numerieke representatie die in die vergelijking wordt gebruikt; hij schrijft zelf geen parafrase en kent niet zelfstandig een definitief clusterlabel toe.
Het rechtstreekse codeervoorbeeld van de maker houdt bij het middelen van tokenrepresentaties rekening met het attention-masker en sluit paddingposities uit. De architectuur selecteert expliciet mean pooling en selecteert geen CLS- of max pooling. Bewaar dat poolingrecept bij het model wanneer u vergelijkbare vectoren voorbereidt.
Elke geretourneerde representatie heeft 384 componenten. Een index- of clusteringfase werkt met die vectoren via een gekozen gelijkenisconfiguratie, terwijl het onderliggende bronrecord beschikbaar blijft voor beoordeling. Houd hetzelfde model, dezelfde invoervoorbereiding en vergelijkingsinstellingen aan voor de items die worden vergeleken. Een ander model dat 384 waarden retourneert heeft niet op basis van die vorm alleen dezelfde embeddingruimte.
De referentieconfiguratie van Sentence Transformer gebruikt een maximale sequentielengte van 128 tokens. Bereid een lange bron voor als korte samenhangende eenheden in plaats van één te grote alinea. Een zin met een regel kan de uitzondering in de volgende zin nodig hebben; behoud die kleine eenheid samen wanneer zij past. Een woord- of tekenaantal stelt de tokenlengte niet rechtstreeks vast.
Behoud bij een verzameling korte beschrijvingen namen en onderscheidende eigenschappen die belangrijk zijn voor de vergelijking. Een record met alleen een vage categorie kan moeilijk te scheiden zijn van andere records van dat type. Bewaar de bronkoppeling buiten de vector, zodat een geretourneerde kandidaat aan het oorspronkelijke materiaal kan worden getoetst.
Representeer bij semantisch zoeken de zoekvraag en het corpusmateriaal met hetzelfde model en retourneer kandidaatrecords met hun brontekst. Bij clustering vormt een andere fase groepen uit de vectoren. Onderzoek de records bij een clustergrens voordat u de groepering als productbeslissing of automatisch label gebruikt.
De bruikbare uitvoer is een compacte representatie van korte tekst gekoppeld aan het oorspronkelijke record. Dit exacte paraphrase-MiniLM-L6-v2-checkpoint heeft zijn eigen pooling- en sequentieconfiguratie. De all-MiniLM- en meertalige parafrasevarianten zijn afzonderlijke modelprofielen; hun training, taalbereik of invoerinstellingen worden niet geïmpliceerd door de gedeelde MiniLM-naam.
", "aboutText": "paraphrase-MiniLM-L6-v2 is een embeddingmodel van Sentence Transformers voor zinnen en korte alinea's. Het zet elke tekst om in een 384-dimensionale dense vectorruimte, met semantisch zoeken en clustering als door de maker genoemde taken. De gepubliceerde architectuur combineert een transformer met mean pooling; de ingestelde sequentielengte is 128 tokens.\n\n### Representeer de passage die u wilt vergelijken\n\nBereid de daadwerkelijke zin of korte alinea voor en behoud het onderwerp en de belangrijke voorwaarden. Een praktische verzameling kan verschillend geformuleerde vragen of korte beschrijvingen van verwante onderwerpen bevatten. Embed elk record en bewaar de oorspronkelijke bewoordingen en identifier, zodat een latere vergelijking de tekst zelf kan teruggeven.\n\nVerschillende hulpvragen kunnen bijvoorbeeld hetzelfde probleem met andere termen beschrijven. Een gelijkenisfase kan die kandidaten samenbrengen, waarna de bewoordingen op het daadwerkelijke probleem kunnen worden onderzocht. De embedding is de numerieke representatie die in die vergelijking wordt gebruikt; hij schrijft zelf geen parafrase en kent niet zelfstandig een definitief clusterlabel toe.\n\n### Mean pooling en vectorgebruik\n\nHet rechtstreekse codeervoorbeeld van de maker houdt bij het middelen van tokenrepresentaties rekening met het attention-masker en sluit paddingposities uit. De architectuur selecteert expliciet mean pooling en selecteert geen CLS- of max pooling. Bewaar dat poolingrecept bij het model wanneer u vergelijkbare vectoren voorbereidt.\n\nElke geretourneerde representatie heeft 384 componenten. Een index- of clusteringfase werkt met die vectoren via een gekozen gelijkenisconfiguratie, terwijl het onderliggende bronrecord beschikbaar blijft voor beoordeling. Houd hetzelfde model, dezelfde invoervoorbereiding en vergelijkingsinstellingen aan voor de items die worden vergeleken. Een ander model dat 384 waarden retourneert heeft niet op basis van die vorm alleen dezelfde embeddingruimte.\n\n### Korte invoer in de gepubliceerde configuratie\n\nDe referentieconfiguratie van Sentence Transformer gebruikt een maximale sequentielengte van 128 tokens. Bereid een lange bron voor als korte samenhangende eenheden in plaats van één te grote alinea. Een zin met een regel kan de uitzondering in de volgende zin nodig hebben; behoud die kleine eenheid samen wanneer zij past. Een woord- of tekenaantal stelt de tokenlengte niet rechtstreeks vast.\n\nBehoud bij een verzameling korte beschrijvingen namen en onderscheidende eigenschappen die belangrijk zijn voor de vergelijking. Een record met alleen een vage categorie kan moeilijk te scheiden zijn van andere records van dat type. Bewaar de bronkoppeling buiten de vector, zodat een geretourneerde kandidaat aan het oorspronkelijke materiaal kan worden getoetst.\n\n### Zoek- en clusteringresultaten\n\nRepresenteer bij semantisch zoeken de zoekvraag en het corpusmateriaal met hetzelfde model en retourneer kandidaatrecords met hun brontekst. Bij clustering vormt een andere fase groepen uit de vectoren. Onderzoek de records bij een clustergrens voordat u de groepering als productbeslissing of automatisch label gebruikt.\n\nDe bruikbare uitvoer is een compacte representatie van korte tekst gekoppeld aan het oorspronkelijke record. Dit exacte paraphrase-MiniLM-L6-v2-checkpoint heeft zijn eigen pooling- en sequentieconfiguratie. De all-MiniLM- en meertalige parafrasevarianten zijn afzonderlijke modelprofielen; hun training, taalbereik of invoerinstellingen worden niet geïmpliceerd door de gedeelde MiniLM-naam.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "aeb4f51b0df38700cdfbbce64fb186a8f0fd0f6364aa14c172c82041b2c3e8c2", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nl-be", "methods": [ { "html": "sentence-transformers/paraphrase-minilm-l6-v2Sentence Transformers paraphrase-MiniLM-L6-v2 zet zinnen en korte alinea's om in 384-dimensionale vectoren voor semantisch zoeken en clustering. De gepubliceerde configuratie gebruikt mean pooling en een sequentie-instelling van 128 tokens.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
paraphrase-MiniLM-L6-v2 is een embeddingmodel van Sentence Transformers voor zinnen en korte alinea's. Het zet elke tekst om in een 384-dimensionale dense vectorruimte, met semantisch zoeken en clustering als door de maker genoemde taken. De gepubliceerde architectuur combineert een transformer met mean pooling; de ingestelde sequentielengte is 128 tokens.
Bereid de daadwerkelijke zin of korte alinea voor en behoud het onderwerp en de belangrijke voorwaarden. Een praktische verzameling kan verschillend geformuleerde vragen of korte beschrijvingen van verwante onderwerpen bevatten. Embed elk record en bewaar de oorspronkelijke bewoordingen en identifier, zodat een latere vergelijking de tekst zelf kan teruggeven.
Verschillende hulpvragen kunnen bijvoorbeeld hetzelfde probleem met andere termen beschrijven. Een gelijkenisfase kan die kandidaten samenbrengen, waarna de bewoordingen op het daadwerkelijke probleem kunnen worden onderzocht. De embedding is de numerieke representatie die in die vergelijking wordt gebruikt; hij schrijft zelf geen parafrase en kent niet zelfstandig een definitief clusterlabel toe.
Het rechtstreekse codeervoorbeeld van de maker houdt bij het middelen van tokenrepresentaties rekening met het attention-masker en sluit paddingposities uit. De architectuur selecteert expliciet mean pooling en selecteert geen CLS- of max pooling. Bewaar dat poolingrecept bij het model wanneer u vergelijkbare vectoren voorbereidt.
Elke geretourneerde representatie heeft 384 componenten. Een index- of clusteringfase werkt met die vectoren via een gekozen gelijkenisconfiguratie, terwijl het onderliggende bronrecord beschikbaar blijft voor beoordeling. Houd hetzelfde model, dezelfde invoervoorbereiding en vergelijkingsinstellingen aan voor de items die worden vergeleken. Een ander model dat 384 waarden retourneert heeft niet op basis van die vorm alleen dezelfde embeddingruimte.
De referentieconfiguratie van Sentence Transformer gebruikt een maximale sequentielengte van 128 tokens. Bereid een lange bron voor als korte samenhangende eenheden in plaats van één te grote alinea. Een zin met een regel kan de uitzondering in de volgende zin nodig hebben; behoud die kleine eenheid samen wanneer zij past. Een woord- of tekenaantal stelt de tokenlengte niet rechtstreeks vast.
Behoud bij een verzameling korte beschrijvingen namen en onderscheidende eigenschappen die belangrijk zijn voor de vergelijking. Een record met alleen een vage categorie kan moeilijk te scheiden zijn van andere records van dat type. Bewaar de bronkoppeling buiten de vector, zodat een geretourneerde kandidaat aan het oorspronkelijke materiaal kan worden getoetst.
Representeer bij semantisch zoeken de zoekvraag en het corpusmateriaal met hetzelfde model en retourneer kandidaatrecords met hun brontekst. Bij clustering vormt een andere fase groepen uit de vectoren. Onderzoek de records bij een clustergrens voordat u de groepering als productbeslissing of automatisch label gebruikt.
De bruikbare uitvoer is een compacte representatie van korte tekst gekoppeld aan het oorspronkelijke record. Dit exacte paraphrase-MiniLM-L6-v2-checkpoint heeft zijn eigen pooling- en sequentieconfiguratie. De all-MiniLM- en meertalige parafrasevarianten zijn afzonderlijke modelprofielen; hun training, taalbereik of invoerinstellingen worden niet geïmpliceerd door de gedeelde MiniLM-naam.
POST /v1/embeddingstext, token_idsembedding| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten sentence-transformers/paraphrase-minilm-l6-v2 | Standaard— |
Veldinput | Typestring|string[]|integer[]|integer[][] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 Voorwaarden: Niet-lege homogene batch. Token-ID's zijn niet-negatieve gehele getallen. Invoerbudget: Maximum: 512 · Teksteenheid: UTF8-bytes · Tokeneenheid: elementen van de token-array | Standaard— |
Veldencoding_format | Typestring | VereisteOptioneel | Waarden en limieten float | Standaardfloat |
Velddimensions | Typeinteger | VereisteNiet ondersteund | Waarden en limieten Minimum: 1 | Standaard— |
Velduser | Typejson_value | VereisteOptioneel | Waarden en limieten Voorwaarden: De bron staat dit JSON-metadataveld toe; de precieze betekenis bij de achterliggende leverancier is modelspecifiek. | Standaard— |
Veldsession_id | Typejson_value | VereisteOptioneel | Waarden en limieten Voorwaarden: De bron staat dit JSON-metadataveld toe; de precieze betekenis bij de achterliggende leverancier is modelspecifiek. | Standaard— |
Veldtrace | Typejson_value | VereisteOptioneel | Waarden en limieten Voorwaarden: De bron staat dit JSON-metadataveld toe; de precieze betekenis bij de achterliggende leverancier is modelspecifiek. | Standaard— |
Veldprovider | Typeobject | VereisteOptioneel | Waarden en limieten Voorwaarden: provider.options geweigerd | Standaard— |
text_to_embedding
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, input |
Parameterinput_shapes | Contractstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parameterencoding_format | Contractfloat |
Parameterdimensions_override | Contractfalse |
Parametermax_input_budget_units | Contract512 |
Parametermultimodal_objects | Contractfalse |
Parametermaterial_types | Contracttext, token_ids |
Levenscyclus: synchronous_json
Bewaar elke vectorindex en -dimensie.
Ook bij een multimodale modelnaam zijn afbeeldingsobjecten op dit specifieke pad niet toegestaan.
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.00001 / 1K tokens Uitvoer · Uitvoertokens $0 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${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\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/paraphrase-minilm-l6-v2',input=["First document","Second document"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\njson
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar elke vector met zijn index. Het aantal vectoren moet gelijk zijn aan het aantal invoeritems; de dimensies moeten consistent zijn.
Er wordt geen endpoint voor embeddingtaken toegevoegd.
| Veld | Type |
|---|---|
Veldobject | Typestring |
Veldmodel | Typestring |
Velddata[].index | Typeinteger |
Velddata[].embedding | Typefinite float[] |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra sentence-transformers/paraphrase-minilm-l6-v2
Gebruik de hierboven getoonde methodepaden.