Source: https://ailoot.ai/models/pt-pt/sentence-transformers-all-minilm-l6-v2/ Canonical: https://ailoot.ai/models/pt-pt/sentence-transformers-all-minilm-l6-v2/ Language: pt-pt # Sentence Transformers: all-MiniLM-L6-v2 [Markdown](https://ailoot.ai/models/pt-pt/sentence-transformers-all-minilm-l6-v2/index.md) · [JSON](https://ailoot.ai/models/pt-pt/sentence-transformers-all-minilm-l6-v2/facts.json) ## [Sentence Transformers: all-MiniLM-L6-v2](https://ailoot.ai/models/pt-pt/sentence-transformers-all-minilm-l6-v2/) Sentence Transformers all-MiniLM-L6-v2 representa frases e parágrafos curtos como vetores de 384 dimensões para pesquisa semântica, agrupamento e similaridade. A sua receita publicada combina mean pooling com normalização L2 e um valor predefinido de 256 segmentos de palavra. - [**Ailoot Ultra · Embeddings** `POST /v1/embeddings` `sentence-transformers/all-minilm-l6-v2`](https://ailoot.ai/models/pt-pt/sentence-transformers-all-minilm-l6-v2/#method-0) Sobre o modelo Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo. all-MiniLM-L6-v2 é um codificador de frases e parágrafos curtos de Sentence Transformers. Converte cada texto num vetor denso de 384 dimensões para recuperação, agrupamento e similaridade entre frases. O modelo foi ajustado a partir da arquitetura de base MiniLM-L6-H384-uncased, utilizando aprendizagem contrastiva numa coleção de mil milhões de pares de frases. #### Prepare registos concisos e significativos Escolha a frase ou o parágrafo que deve aparecer num resultado de pesquisa. Numa coleção de perguntas frequentes, conserve a pergunta e a explicação curta que distingue o seu tema. Uma passagem sobre a reposição de uma palavra-passe esquecida deve manter o procedimento de reposição, em vez de ser reduzida a uma palavra isolada como «Conta». Para um artigo longo, indexe secções curtas e coerentes e mantenha as respetivas localizações de origem. Recupere secções candidatas comparando o vetor da consulta com as representações armazenadas e, depois, apresente as passagens originais, para que o leitor possa examinar as instruções reais. #### Obtenha a representação da frase A receita de codificação direta do fabricante calcula a média das representações dos tokens com a máscara de atenção, excluindo as posições de preenchimento da média. Depois aplica normalização L2. Esses passos produzem o embedding de frase utilizado na comparação; as representações de tokens individuais do transformer subjacente têm um papel diferente. Cada saída tem 384 componentes. Utilize o mesmo checkpoint, pooling e normalização ao construir a coleção e ao codificar consultas posteriores. A similaridade do cosseno pode comparar os vetores resultantes. Um valor de similaridade é útil para ordenar candidatos nessa configuração, enquanto o texto original determina se um candidato responde à pergunta. #### Limites de comprimento e de edição O valor predefinido publicado trunca entradas com mais de 256 segmentos de palavra, ou word pieces. Esta unidade do tokenizador não corresponde diretamente a uma palavra ou carácter normal. Mantenha as condições importantes dentro da unidade indexada e divida um procedimento extenso em limites significativos antes de o codificar. As sequências de treino foram limitadas a 128 tokens. Essa definição de treino é distinta do valor predefinido de 256 segmentos de palavra utilizado na codificação. Para passagens invulgarmente longas ou especializadas, utilize exemplos representativos de consulta e passagem para avaliar o comportamento de recuperação, em vez de assumir que respeitar o limite de entrada garante igual tratamento de todos os detalhes. A edição exata L6-v2 é um perfil de embeddings em inglês. As edições L12-v2 e paraphrase-MiniLM têm identidades e configurações de modelo separadas. O nome MiniLM em comum ou a saída de 384 dimensões não demonstram que os vetores sejam intercambiáveis. #### Pesquisa, similaridade e agrupamento Para rever perguntas duplicadas, recupere perguntas semelhantes e compare a formulação real antes de fundir registos. «Posso repor a minha palavra-passe?» e «Pode um administrador repor a palavra-passe de outro utilizador?» dizem respeito a assuntos relacionados, mas a permissões diferentes. Preserve essa distinção no texto codificado e na etapa de revisão. Para agrupamento, utilize os embeddings como entradas numéricas de um processo de formação de grupos e, depois, examine registos representativos antes de dar um nome a um grupo. Este modelo fornece vetores, em vez de etiquetas de grupos escritas ou de uma resposta gerada a uma pergunta frequente. O seu resultado útil é uma representação compacta de uma passagem curta de origem que permanece ligada ao registo original. **Ailoot Ultra · Embeddings** `POST /v1/embeddings` `sentence-transformers/all-minilm-l6-v2` [`sentence-transformers/all-minilm-l6-v2`](https://ailoot.ai/models/pt-pt/#m=sentence-transformers%2Fall-minilm-l6-v2&route=Ultra&caller=sentence-transformers%2Fall-minilm-l6-v2&fmt=embeddings) Sentence Transformers /`sentence-transformers/all-minilm-l6-v2` ### Introdução Sentence Transformers all-MiniLM-L6-v2 representa frases e parágrafos curtos como vetores de 384 dimensões para pesquisa semântica, agrupamento e similaridade. A sua receita publicada combina mean pooling com normalização L2 e um valor predefinido de 256 segmentos de palavra. Entradas aceites Texto · token\_ids Resultados embedding ### Disponível no Ailoot · entradas e métodos **Ailoot Ultra · Embeddings** `POST /v1/embeddings` Entrada `text`, `token_ids` Saída `embedding` Formato de saída json | Campo | Tipo | Requisito | Valores e limites | Predefinição | | --- | --- | --- | --- | --- | | Campo`model` | Tipo`string` | RequisitoObrigatório | Valores e limites sentence-transformers/all-minilm-l6-v2 | Predefinição— | | Campo`input` | Tipo`string\|string[]\|integer[]\|integer[][]` | RequisitoObrigatório | Valores e limites Número mínimo de elementos: 1 Condições: Lote homogéneo não vazio. Os IDs de tokens são números inteiros não negativos. Orçamento de entrada: Máximo: 512 · Unidade de texto: bytes UTF8 · Unidade de tokens: elementos do array de tokens | Predefinição— | | Campo`encoding_format` | Tipo`string` | RequisitoOpcional | Valores e limites float | Predefiniçãofloat | | Campo`dimensions` | Tipo`integer` | RequisitoNão suportado | Valores e limites Mínimo: 1 | Predefinição— | | Campo`user` | Tipo`json_value` | RequisitoOpcional | Valores e limites Condições: A fonte permite este campo de metadados JSON; a semântica exata a montante depende do modelo. | Predefinição— | | Campo`session_id` | Tipo`json_value` | RequisitoOpcional | Valores e limites Condições: A fonte permite este campo de metadados JSON; a semântica exata a montante depende do modelo. | Predefinição— | | Campo`trace` | Tipo`json_value` | RequisitoOpcional | Valores e limites Condições: A fonte permite este campo de metadados JSON; a semântica exata a montante depende do modelo. | Predefinição— | | Campo`provider` | Tipo`object` | RequisitoOpcional | Valores e limites Condições: provider.options rejeitado | Predefinição— | Combinações de materiais de entrada **text\_to\_embedding** Parâmetros e ciclo de vida do método | Parâmetro | Contrato | | --- | --- | | Parâmetro`content_type` | Contratoapplication/json | | Parâmetro`required` | Contratomodel, input | | Parâmetro`input_shapes` | Contratostring, string\[\], nonnegative\_integer\_token\_array, nonnegative\_integer\_token\_array\[\] | | Parâmetro`encoding_format` | Contratofloat | | Parâmetro`dimensions_override` | Contratofalse | | Parâmetro`max_input_budget_units` | Contrato512 | | Parâmetro`multimodal_objects` | Contratofalse | | Parâmetro`material_types` | Contratotext, token\_ids | Ciclo de vida: `synchronous_json` Guarde o índice e a dimensão de cada vetor. O nome do modelo multimodal não permite objetos de imagem neste caminho exato. ### Tarifários As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado. Modo rápido Não especificado Quando o modo rápido está selecionado Modo flex Não especificado Quando o modo flex está selecionado Esforço máximo de raciocínio Não especificado Quando o esforço máximo de raciocínio usa o ajuste predefinido (default) #### Tarifas Ailoot #### Preços por configuração | Configuração | Tabela de tarifas | Custo | | --- | --- | --- | | ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Custo Entrada · Tokens de entrada **$0.00001** / 1K tokens Saída · Tokens de saída **$0** / 1K tokens Entrada · Leitura da cache **—** / 1K tokens Entrada · Escrita na cache **—** / 1K tokens Entrada · Escrita na cache, 1 hora **—** / 1K tokens | O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. [Como funcionam a reserva e a liquidação →](https://ailoot.ai/docs/pt-pt/billing/reserve/) ### Exemplos de pedidos #### Ailoot Ultra · Embeddings curlPython SDK ```bash set -eu : "${AILOOT_API_KEY:?Set your Ailoot API key}" python3 - <<'PY_REQUEST' import json,os from pathlib import Path p=json.loads('{"model": "sentence-transformers/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 ``` ```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/all-minilm-l6-v2',input=["First document","Second document"]) print(result) for item in result.data:print(item.index,item.embedding) ``` ### Receber e guardar os resultados #### Ailoot Ultra · Embeddings json ##### Guardar todos os resultados concluídos Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra. Guarde cada vetor com o respetivo índice. O número de vetores tem de ser igual ao número de entradas; as dimensões têm de ser consistentes. ##### Se for necessário verificar a resposta original Não é introduzido nenhum endpoint de tarefas de embeddings. Campos da resposta | Campo | Tipo | | --- | --- | | Campo`object` | Tipostring | | Campo`model` | Tipostring | | Campo`data[].index` | Tipointeger | | Campo`data[].embedding` | Tipofinite float\[\] | | Campo`usage` | Tipoobject | Erros e passos seguintes | Resposta | Condição | Passo seguinte | | --- | --- | --- | | Resposta400 · `invalid_request_error` | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. | ### Aliases #### Aliases do modelo **Ailoot Ultra** [`sentence-transformers/all-minilm-l6-v2`](https://ailoot.ai/models/pt-pt/#m=sentence-transformers%2Fall-minilm-l6-v2&route=Ultra&caller=sentence-transformers%2Fall-minilm-l6-v2&fmt=embeddings) #### Aliases dos caminhos dos métodos Use os caminhos dos métodos indicados acima. #### IDs de chamada relacionados [`sentence-transformers/all-minilm-l6-v2`](https://ailoot.ai/models/pt-pt/#m=sentence-transformers%2Fall-minilm-l6-v2&route=Ultra&caller=sentence-transformers%2Fall-minilm-l6-v2&fmt=embeddings) FAQ · Sentence Transformers: all-MiniLM-L6-v2 Que entradas e resultados estão disponíveis? `POST /v1/embeddings` · `sentence-transformers/all-minilm-l6-v2`: `text`, `token_ids` → `embedding` Que campos utiliza o pedido? `POST /v1/embeddings` · `sentence-transformers/all-minilm-l6-v2`: `model`, `input`, `encoding_format`, `provider` Que limites se aplicam? `POST /v1/embeddings` · `sentence-transformers/all-minilm-l6-v2`: `input.budget.maximum`: `512` (bytes UTF8); `input.min_items`: `1` Ligue o Ailoot ao Claude Code, OpenCode, Hermes ou à sua aplicação. ## A empresa e a sua carteira de projetos A empresa e a sua carteira de projetos: milhões de clientes; vendas mensais na ordem dos milhares de milhões. ## Compre tokens com desconto. Desconto por subscrição para trabalho regular. Códigos promocionais — até 50% na compra de tokens. Subscrição Escolha um plano com desconto para os pedidos regulares. Código promocional até 50% Introduza o código na compra. O preço é recalculado conforme a campanha em vigor. Custos no histórico O modelo, os tokens e o montante são guardados para cada pedido. [Escolher subscrição](https://ailoot.ai/docs/pt-pt/billing/subscriptions/) · [Ver preços dos modelos](https://ailoot.ai/models/pt-pt/) ## Ligue a API ao produto que vende. SaaS, aplicações e bots — ao abrigo da oferta e do contrato de licença Ailoot. Para revenda, peça uma licença de revendedor. Aplicação comercial Integre geração de texto, imagens, vídeo e som nas funcionalidades pagas do seu serviço. Licença de revendedor Envie uma descrição do projeto e do modelo de acesso. Peça condições escritas de utilização e revenda. Documentos no site A oferta, o contrato de licença e a política de tratamento de dados estão disponíveis antes da ligação. [Pedir licença de revendedor](mailto:support@ailoot.ai) · [Oferta e contrato de licença](https://ailoot.ai/legal/offer?lang=pt-pt) ## Ailoot · A empresa e a sua carteira de projetos A Ailoot assenta numa experiência operacional consolidada, numa ampla base de clientes, num serviço estável e no acompanhamento contínuo dos KPI. A empresa e a sua carteira de projetos: milhões de clientes; vendas mensais na ordem dos milhares de milhões. A Ailoot aplica essa experiência operacional ao acesso por API a funcionalidades de IA nos produtos dos clientes, agentes, aplicações e automatizações.