Sentence Transformers: all-MiniLM-L6-v2
Sentence Transformers all-MiniLM-L6-v2 reprezentuje zdania i krótkie akapity jako wektory o 384 wymiarach do wyszukiwania semantycznego, grupowania i oceny podobieństwa. Opublikowana receptura łączy uśrednianie z normalizacją L2 i domyślnym limitem 256 fragmentów słów.
O modelu
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
all-MiniLM-L6-v2 to koder Sentence Transformers dla zdań i krótkich akapitów. Mapuje każdy tekst na gęsty wektor o 384 wymiarach do wyszukiwania, grupowania i oceny podobieństwa zdań. Model dostrojono na podstawie architektury MiniLM-L6-H384-uncased z użyciem uczenia kontrastywnego na zbiorze miliarda par zdań.
Przygotuj zwięzłe, znaczące rekordy
Wybierz zdanie lub akapit, który powinien pojawić się w wyniku wyszukiwania. W zbiorze FAQ zachowaj pytanie i krótkie wyjaśnienie odróżniające jego temat. Fragment o resetowaniu zapomnianego hasła powinien zachować procedurę resetowania, zamiast zostać ograniczony do pojedynczego słowa, takiego jak „Konto”.
Dla długiego artykułu indeksuj spójne krótkie sekcje i zachowuj ich lokalizacje źródłowe. Wyszukuj proponowane sekcje przez porównanie wektora zapytania z zapisanymi reprezentacjami, a następnie pokazuj pierwotne fragmenty, aby czytelnik mógł sprawdzić rzeczywiste instrukcje.
Uzyskaj reprezentację zdania
Bezpośrednia receptura kodowania producenta uśrednia reprezentacje tokenów z maską uwagi, wykluczając pozycje dopełnienia ze średniej. Następnie stosuje normalizację L2. Kroki te tworzą osadzenie zdania używane do porównania; reprezentacje poszczególnych tokenów bazowego transformera pełnią inną rolę.
Każde wyjście ma 384 składowe. Używaj tego samego punktu kontrolnego, agregacji i normalizacji podczas budowania zbioru i kodowania późniejszych zapytań. Podobieństwo cosinusowe może porównywać wynikowe wektory. Wartość podobieństwa jest użyteczna do rankingu kandydatów w tej konfiguracji, a oryginalny tekst określa, czy kandydat odpowiada na pytanie.
Długość i granice wydania
Opublikowane ustawienie domyślne przycina wejścia dłuższe niż 256 fragmentów słów. Ta jednostka tokenizera nie odpowiada bezpośrednio zwykłemu słowu ani znakowi. Zachowuj ważne warunki w indeksowanej jednostce i dziel długą procedurę na znaczących granicach przed zakodowaniem.
Sekwencje treningowe były ograniczone do 128 tokenów. To ustawienie treningu jest odrębne od domyślnego limitu kodowania 256 fragmentów słów. Dla nietypowo długich lub specjalistycznych fragmentów oceniaj zachowanie wyszukiwania na reprezentatywnych parach zapytanie–fragment, zamiast zakładać, że zmieszczenie się w limicie wejścia gwarantuje równe uwzględnienie każdego szczegółu.
Dokładne wydanie L6-v2 jest angielskim profilem osadzeń. Wydania L12-v2 i paraphrase-MiniLM mają odrębne tożsamości modeli i konfiguracje. Ich wspólna nazwa MiniLM lub wyjście o 384 wymiarach nie dowodzą wymienności wektorów.
Wyszukiwanie, podobieństwo i grupowanie
Przy przeglądzie powtarzających się pytań wyszukuj podobne pytania i porównuj rzeczywiste sformułowania przed łączeniem rekordów. „Czy mogę zresetować swoje hasło?” i „Czy administrator może zresetować hasło innego użytkownika?” dotyczą powiązanych tematów, ale różnych uprawnień. Zachowaj to rozróżnienie w kodowanym tekście i na etapie przeglądu.
Do grupowania używaj osadzeń jako wejść liczbowych procesu tworzenia grup, a następnie sprawdzaj reprezentatywne rekordy przed nazwaniem grupy. Model dostarcza wektory zamiast pisemnych etykiet grup lub wygenerowanej odpowiedzi FAQ. Użyteczny wynik to kompaktowa reprezentacja krótkiego fragmentu źródłowego, która pozostaje związana z pierwotnym rekordem.
Ailoot Ultra · Reprezentacje wektorowe POST /v1/embeddings sentence-transformers/all-minilm-l6-v2
sentence-transformers/all-minilm-l6-v2
sentence-transformers/all-minilm-l6-v2Start
Sentence Transformers all-MiniLM-L6-v2 reprezentuje zdania i krótkie akapity jako wektory o 384 wymiarach do wyszukiwania semantycznego, grupowania i oceny podobieństwa. Opublikowana receptura łączy uśrednianie z normalizacją L2 i domyślnym limitem 256 fragmentów słów.
- Akceptowane dane wejściowe
- Tekst · token_ids
- Wyniki
- embedding
Dostępne w Ailoot · dane wejściowe i metody
Ailoot Ultra · Reprezentacje wektorowe POST /v1/embeddings
- Wejście
text,token_ids- Wyjście
embedding- Format wyjściowy
- json
| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity sentence-transformers/all-minilm-l6-v2 | Domyślnie— |
Poleinput | Typstring|string[]|integer[]|integer[][] | WymaganieWymagane | Wartości i limity Minimalna liczba elementów: 1 Warunki: Niepusta, jednorodna partia danych. Identyfikatory tokenów są nieujemnymi liczbami całkowitymi. Budżet wejścia: Maksimum: 512 · Jednostka tekstu: bajty UTF8 · Jednostka tokenów: elementy tablicy tokenów | Domyślnie— |
Poleencoding_format | Typstring | WymaganieOpcjonalne | Wartości i limity float | Domyślniefloat |
Poledimensions | Typinteger | WymaganieNieobsługiwane | Wartości i limity Minimum: 1 | Domyślnie— |
Poleuser | Typjson_value | WymaganieOpcjonalne | Wartości i limity Warunki: Źródło dopuszcza to pole metadanych JSON; dokładna semantyka po stronie dostawcy zależy od modelu. | Domyślnie— |
Polesession_id | Typjson_value | WymaganieOpcjonalne | Wartości i limity Warunki: Źródło dopuszcza to pole metadanych JSON; dokładna semantyka po stronie dostawcy zależy od modelu. | Domyślnie— |
Poletrace | Typjson_value | WymaganieOpcjonalne | Wartości i limity Warunki: Źródło dopuszcza to pole metadanych JSON; dokładna semantyka po stronie dostawcy zależy od modelu. | Domyślnie— |
Poleprovider | Typobject | WymaganieOpcjonalne | Wartości i limity Warunki: Odrzucono provider.options | Domyślnie— |
Kombinacje materiałów wejściowych
text_to_embedding
Parametry i cykl życia metody
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, input |
Parametrinput_shapes | Kontraktstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parametrencoding_format | Kontraktfloat |
Parametrdimensions_override | Kontraktfalse |
Parametrmax_input_budget_units | Kontrakt512 |
Parametrmultimodal_objects | Kontraktfalse |
Parametrmaterial_types | Kontrakttext, token_ids |
Cykl życia: synchronous_json
Zachowaj indeks i liczbę wymiarów każdego wektora.
Nawet jeśli nazwa modelu wskazuje na multimodalność, ta konkretna ścieżka nie obsługuje obiektów obrazów.
Cennik
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
- Tryb szybki
- Nie określono Gdy wybrany jest tryb szybki
- Tryb flex
- Nie określono Gdy wybrany jest tryb flex
- Maksymalna intensywność rozumowania
- Nie określono Gdy dla maksymalnej intensywności rozumowania stosowana jest domyślna korekta (default)
Stawki Ailoot
Ceny według konfiguracji
| Konfiguracja | Tabela stawek | Opłata |
|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Opłata Wejście · Tokeny wejściowe $0.00001 / 1K tokenów Wyjście · Tokeny wyjściowe $0 / 1K tokenów Wejście · Odczyt cache — / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
Przykładowe żądania
Ailoot Ultra · Reprezentacje wektorowe
set -eu
: "${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-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
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-l6-v2',input=["First document","Second document"])
print(result)
for item in result.data:print(item.index,item.embedding)
Odbieranie i zapisywanie wyników
Ailoot Ultra · Reprezentacje wektorowe
json
Zachowaj wszystkie ukończone wyniki
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj każdy wektor wraz z jego indeksem. Liczba wektorów musi być równa liczbie elementów wejściowych; wszystkie wektory muszą mieć tę samą liczbę wymiarów.
Jeśli trzeba sprawdzić pierwotną odpowiedź
Nie wprowadzono endpointu zadań generowania osadzeń.
Pola odpowiedzi
| Pole | Typ |
|---|---|
Poleobject | Typstring |
Polemodel | Typstring |
Poledata[].index | Typinteger |
Poledata[].embedding | Typfinite float[] |
Poleusage | Typobject |
Błędy i dalsze kroki
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Aliasy
Aliasy modelu
Ailoot Ultra sentence-transformers/all-minilm-l6-v2
Aliasy ścieżek metod
Użyj ścieżek metod podanych powyżej.
Powiązane ID modeli
FAQ · Sentence Transformers: all-MiniLM-L6-v2
- Jakie dane wejściowe i wyniki są dostępne?
POST /v1/embeddings·sentence-transformers/all-minilm-l6-v2:text,token_ids→embedding- Jakich pól używa żądanie?
POST /v1/embeddings·sentence-transformers/all-minilm-l6-v2:model,input,encoding_format,provider- Jakie limity obowiązują?
POST /v1/embeddings·sentence-transformers/all-minilm-l6-v2:input.budget.maximum:512(bajty UTF8);input.min_items:1