all-MiniLM-L6-v2 is een encoder van Sentence Transformers voor zinnen en korte alinea's. Het zet elke tekst om in een 384-dimensionale dense vector voor informatieopvraging, clustering en zinsgelijkenis. Het model is vanuit de MiniLM-L6-H384-uncased-basisarchitectuur gefinetuned met contrastief leren op een verzameling van een miljard zinsparen.
Kies de zin of alinea die in een zoekresultaat moet verschijnen. Bewaar voor een FAQ-verzameling de vraag en de korte uitleg die het onderwerp onderscheidt. Een passage over het opnieuw instellen van een vergeten wachtwoord moet de resetprocedure behouden in plaats van te worden gereduceerd tot een los woord zoals “Account”.
Indexeer bij een lang artikel samenhangende korte secties en bewaar hun bronlocaties. Haal kandidaatsecties op door de vector van de zoekvraag met de opgeslagen representaties te vergelijken en toon daarna de oorspronkelijke passages, zodat de lezer de daadwerkelijke instructies kan onderzoeken.
Het rechtstreekse codeerrecept van de maker middelt tokenrepresentaties met het attention-masker en sluit paddingposities van het gemiddelde uit. Vervolgens past het L2-normalisatie toe. Die stappen produceren de zinsembedding die voor vergelijking wordt gebruikt; individuele tokenrepresentaties uit de onderliggende transformer hebben een andere rol.
Elke uitvoer heeft 384 componenten. Gebruik hetzelfde checkpoint, dezelfde pooling en normalisatie bij het opbouwen van de verzameling en het coderen van latere zoekvragen. Cosinusgelijkenis kan de resulterende vectoren vergelijken. Een gelijkeniswaarde is bruikbaar om kandidaten onder die opzet te rangschikken, terwijl de oorspronkelijke tekst bepaalt of een kandidaat de vraag beantwoordt.
De gepubliceerde standaard kapt invoer langer dan 256 wordpieces af. Die tokenizereenheid komt niet rechtstreeks overeen met een gewoon woord of teken. Houd belangrijke voorwaarden binnen de geïndexeerde eenheid en splits een lange procedure vóór het coderen bij betekenisvolle grenzen.
Trainingssequenties waren beperkt tot 128 tokens. Die trainingsinstelling staat los van de standaard van 256 wordpieces die voor het coderen wordt gebruikt. Gebruik bij ongewoon lange of gespecialiseerde passages representatieve zoekvraag-passagevoorbeelden om het zoekgedrag te beoordelen in plaats van aan te nemen dat passen binnen de invoergrens een gelijke behandeling van elk detail garandeert.
De exacte L6-v2-editie is een Engels embeddingprofiel. De L12-v2- en paraphrase-MiniLM-edities hebben afzonderlijke modelidentiteiten en configuraties. Hun gedeelde MiniLM-naam of 384-dimensionale uitvoer stelt geen uitwisselbare vectoren vast.
Haal voor beoordeling van dubbele vragen vergelijkbare vragen op en vergelijk de daadwerkelijke bewoordingen voordat u records samenvoegt. “Kan ik mijn wachtwoord opnieuw instellen?” en “Kan een beheerder het wachtwoord van een andere gebruiker opnieuw instellen?” betreffen verwante onderwerpen maar verschillende bevoegdheden. Behoud dat onderscheid in de gecodeerde tekst en in de beoordelingsfase.
Gebruik voor clustering de embeddings als numerieke invoer voor een groeperingsproces en onderzoek vervolgens representatieve records voordat u een groep een naam geeft. Dit model levert vectoren in plaats van geschreven clusterlabels of een gegenereerd FAQ-antwoord. Het bruikbare resultaat is een compacte representatie van een korte bronpassage die aan het oorspronkelijke record gekoppeld blijft.
", "aboutText": "all-MiniLM-L6-v2 is een encoder van Sentence Transformers voor zinnen en korte alinea's. Het zet elke tekst om in een 384-dimensionale dense vector voor informatieopvraging, clustering en zinsgelijkenis. Het model is vanuit de MiniLM-L6-H384-uncased-basisarchitectuur gefinetuned met contrastief leren op een verzameling van een miljard zinsparen.\n\n### Bereid beknopte, betekenisvolle records voor\n\nKies de zin of alinea die in een zoekresultaat moet verschijnen. Bewaar voor een FAQ-verzameling de vraag en de korte uitleg die het onderwerp onderscheidt. Een passage over het opnieuw instellen van een vergeten wachtwoord moet de resetprocedure behouden in plaats van te worden gereduceerd tot een los woord zoals “Account”.\n\nIndexeer bij een lang artikel samenhangende korte secties en bewaar hun bronlocaties. Haal kandidaatsecties op door de vector van de zoekvraag met de opgeslagen representaties te vergelijken en toon daarna de oorspronkelijke passages, zodat de lezer de daadwerkelijke instructies kan onderzoeken.\n\n### Verkrijg de zinsrepresentatie\n\nHet rechtstreekse codeerrecept van de maker middelt tokenrepresentaties met het attention-masker en sluit paddingposities van het gemiddelde uit. Vervolgens past het L2-normalisatie toe. Die stappen produceren de zinsembedding die voor vergelijking wordt gebruikt; individuele tokenrepresentaties uit de onderliggende transformer hebben een andere rol.\n\nElke uitvoer heeft 384 componenten. Gebruik hetzelfde checkpoint, dezelfde pooling en normalisatie bij het opbouwen van de verzameling en het coderen van latere zoekvragen. Cosinusgelijkenis kan de resulterende vectoren vergelijken. Een gelijkeniswaarde is bruikbaar om kandidaten onder die opzet te rangschikken, terwijl de oorspronkelijke tekst bepaalt of een kandidaat de vraag beantwoordt.\n\n### Lengte- en editiegrenzen\n\nDe gepubliceerde standaard kapt invoer langer dan 256 wordpieces af. Die tokenizereenheid komt niet rechtstreeks overeen met een gewoon woord of teken. Houd belangrijke voorwaarden binnen de geïndexeerde eenheid en splits een lange procedure vóór het coderen bij betekenisvolle grenzen.\n\nTrainingssequenties waren beperkt tot 128 tokens. Die trainingsinstelling staat los van de standaard van 256 wordpieces die voor het coderen wordt gebruikt. Gebruik bij ongewoon lange of gespecialiseerde passages representatieve zoekvraag-passagevoorbeelden om het zoekgedrag te beoordelen in plaats van aan te nemen dat passen binnen de invoergrens een gelijke behandeling van elk detail garandeert.\n\nDe exacte L6-v2-editie is een Engels embeddingprofiel. De L12-v2- en paraphrase-MiniLM-edities hebben afzonderlijke modelidentiteiten en configuraties. Hun gedeelde MiniLM-naam of 384-dimensionale uitvoer stelt geen uitwisselbare vectoren vast.\n\n### Zoeken, gelijkenis en groepering\n\nHaal voor beoordeling van dubbele vragen vergelijkbare vragen op en vergelijk de daadwerkelijke bewoordingen voordat u records samenvoegt. “Kan ik mijn wachtwoord opnieuw instellen?” en “Kan een beheerder het wachtwoord van een andere gebruiker opnieuw instellen?” betreffen verwante onderwerpen maar verschillende bevoegdheden. Behoud dat onderscheid in de gecodeerde tekst en in de beoordelingsfase.\n\nGebruik voor clustering de embeddings als numerieke invoer voor een groeperingsproces en onderzoek vervolgens representatieve records voordat u een groep een naam geeft. Dit model levert vectoren in plaats van geschreven clusterlabels of een gegenereerd FAQ-antwoord. Het bruikbare resultaat is een compacte representatie van een korte bronpassage die aan het oorspronkelijke record gekoppeld blijft.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "bb24dd24f934362cb1a6bc79a5c191b0af655d783db73634e4d0d9d1fa3ee255", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nl", "methods": [ { "html": "sentence-transformers/all-minilm-l6-v2Sentence Transformers all-MiniLM-L6-v2 representeert zinnen en korte alinea's als 384-dimensionale vectoren voor semantisch zoeken, clustering en gelijkenis. Het gepubliceerde recept combineert mean pooling met L2-normalisatie en een standaardlengte van 256 wordpieces.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
all-MiniLM-L6-v2 is een encoder van Sentence Transformers voor zinnen en korte alinea's. Het zet elke tekst om in een 384-dimensionale dense vector voor informatieopvraging, clustering en zinsgelijkenis. Het model is vanuit de MiniLM-L6-H384-uncased-basisarchitectuur gefinetuned met contrastief leren op een verzameling van een miljard zinsparen.
Kies de zin of alinea die in een zoekresultaat moet verschijnen. Bewaar voor een FAQ-verzameling de vraag en de korte uitleg die het onderwerp onderscheidt. Een passage over het opnieuw instellen van een vergeten wachtwoord moet de resetprocedure behouden in plaats van te worden gereduceerd tot een los woord zoals “Account”.
Indexeer bij een lang artikel samenhangende korte secties en bewaar hun bronlocaties. Haal kandidaatsecties op door de vector van de zoekvraag met de opgeslagen representaties te vergelijken en toon daarna de oorspronkelijke passages, zodat de lezer de daadwerkelijke instructies kan onderzoeken.
Het rechtstreekse codeerrecept van de maker middelt tokenrepresentaties met het attention-masker en sluit paddingposities van het gemiddelde uit. Vervolgens past het L2-normalisatie toe. Die stappen produceren de zinsembedding die voor vergelijking wordt gebruikt; individuele tokenrepresentaties uit de onderliggende transformer hebben een andere rol.
Elke uitvoer heeft 384 componenten. Gebruik hetzelfde checkpoint, dezelfde pooling en normalisatie bij het opbouwen van de verzameling en het coderen van latere zoekvragen. Cosinusgelijkenis kan de resulterende vectoren vergelijken. Een gelijkeniswaarde is bruikbaar om kandidaten onder die opzet te rangschikken, terwijl de oorspronkelijke tekst bepaalt of een kandidaat de vraag beantwoordt.
De gepubliceerde standaard kapt invoer langer dan 256 wordpieces af. Die tokenizereenheid komt niet rechtstreeks overeen met een gewoon woord of teken. Houd belangrijke voorwaarden binnen de geïndexeerde eenheid en splits een lange procedure vóór het coderen bij betekenisvolle grenzen.
Trainingssequenties waren beperkt tot 128 tokens. Die trainingsinstelling staat los van de standaard van 256 wordpieces die voor het coderen wordt gebruikt. Gebruik bij ongewoon lange of gespecialiseerde passages representatieve zoekvraag-passagevoorbeelden om het zoekgedrag te beoordelen in plaats van aan te nemen dat passen binnen de invoergrens een gelijke behandeling van elk detail garandeert.
De exacte L6-v2-editie is een Engels embeddingprofiel. De L12-v2- en paraphrase-MiniLM-edities hebben afzonderlijke modelidentiteiten en configuraties. Hun gedeelde MiniLM-naam of 384-dimensionale uitvoer stelt geen uitwisselbare vectoren vast.
Haal voor beoordeling van dubbele vragen vergelijkbare vragen op en vergelijk de daadwerkelijke bewoordingen voordat u records samenvoegt. “Kan ik mijn wachtwoord opnieuw instellen?” en “Kan een beheerder het wachtwoord van een andere gebruiker opnieuw instellen?” betreffen verwante onderwerpen maar verschillende bevoegdheden. Behoud dat onderscheid in de gecodeerde tekst en in de beoordelingsfase.
Gebruik voor clustering de embeddings als numerieke invoer voor een groeperingsproces en onderzoek vervolgens representatieve records voordat u een groep een naam geeft. Dit model levert vectoren in plaats van geschreven clusterlabels of een gegenereerd FAQ-antwoord. Het bruikbare resultaat is een compacte representatie van een korte bronpassage die aan het oorspronkelijke record gekoppeld blijft.
POST /v1/embeddingstext, token_idsembedding| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten sentence-transformers/all-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 exacte betekenis bij de upstreamprovider verschilt per model. | Standaard— |
Veldsession_id | Typejson_value | VereisteOptioneel | Waarden en limieten Voorwaarden: De bron staat dit JSON-metadataveld toe; de exacte betekenis bij de upstreamprovider verschilt per model. | Standaard— |
Veldtrace | Typejson_value | VereisteOptioneel | Waarden en limieten Voorwaarden: De bron staat dit JSON-metadataveld toe; de exacte betekenis bij de upstreamprovider verschilt per model. | 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.
Een multimodale modelnaam houdt niet in dat afbeeldingsobjecten op dit specifieke pad zijn 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/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
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 geïntroduceerd.
| 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/all-minilm-l6-v2
Gebruik de hierboven getoonde methodepaden.