paraphrase-MiniLM-L6-v2 é um modelo de embeddings de Sentence Transformers para frases e parágrafos curtos. Converte cada texto num espaço vetorial denso de 384 dimensões, estando a pesquisa semântica e o agrupamento entre as tarefas indicadas pelo fabricante. A arquitetura publicada combina um transformer com mean pooling; o comprimento de sequência configurado é de 128 tokens.
Prepare a frase ou o parágrafo curto real, mantendo intactos o tema e as condições importantes. Uma coleção prática pode conter perguntas formuladas de maneiras diferentes ou descrições breves de assuntos relacionados. Gere o embedding de cada registo e conserve a sua formulação original e o identificador, para que uma comparação posterior possa devolver o próprio texto.
Por exemplo, várias perguntas de ajuda podem descrever a mesma dificuldade com termos diferentes. Uma etapa de similaridade pode aproximar esses candidatos, após o que a sua formulação pode ser examinada para identificar o problema real. O embedding é a representação numérica utilizada nessa comparação; não escreve, por si só, uma paráfrase nem atribui uma etiqueta final de agrupamento.
O exemplo de codificação direta do fabricante tem em conta a máscara de atenção ao calcular a média das representações dos tokens, excluindo as posições de preenchimento. A sua arquitetura seleciona explicitamente mean pooling e não seleciona CLS nem max pooling. Mantenha essa receita de pooling associada ao modelo ao preparar vetores comparáveis.
Cada representação devolvida tem 384 componentes. Uma etapa de indexação ou agrupamento trabalha com esses vetores utilizando uma configuração de similaridade escolhida, enquanto o registo de origem subjacente continua disponível para revisão. Utilize o mesmo modelo, preparação de entrada e definições de comparação em todos os elementos comparados. Outro modelo que devolva 384 valores não pertence, apenas por ter esse formato, ao mesmo espaço de embeddings.
A configuração de referência de Sentence Transformer utiliza um comprimento máximo de sequência de 128 tokens. Prepare uma fonte longa como unidades curtas e coerentes, em vez de um único parágrafo demasiado grande. Uma frase que contém uma regra pode precisar da exceção na frase seguinte; mantenha essa pequena unidade junta quando couber. Uma contagem de palavras ou caracteres não determina diretamente o comprimento em tokens.
Num conjunto de descrições curtas, preserve os nomes e as propriedades distintivas que importam para a comparação. Um registo que contenha apenas uma categoria vaga pode ser difícil de separar de outros registos desse tipo. Guarde a associação à fonte fora do vetor, para que um candidato devolvido possa ser comparado com o material original.
Na pesquisa semântica, represente a consulta e o material do corpus com este mesmo modelo e devolva os registos candidatos com o respetivo texto de origem. No agrupamento, outra etapa forma grupos a partir dos vetores. Examine os registos próximos de uma fronteira entre grupos antes de utilizar o agrupamento como decisão de produto ou etiqueta automática.
A saída útil é uma representação compacta de texto curto ligada ao seu registo original. Este checkpoint exato paraphrase-MiniLM-L6-v2 tem a sua própria configuração de pooling e sequência. As variantes all-MiniLM e paraphrase multilingues são perfis de modelo separados; o nome MiniLM em comum não implica o mesmo treino, âmbito linguístico ou definições de entrada.
", "aboutText": "paraphrase-MiniLM-L6-v2 é um modelo de embeddings de Sentence Transformers para frases e parágrafos curtos. Converte cada texto num espaço vetorial denso de 384 dimensões, estando a pesquisa semântica e o agrupamento entre as tarefas indicadas pelo fabricante. A arquitetura publicada combina um transformer com mean pooling; o comprimento de sequência configurado é de 128 tokens.\n\n### Represente a passagem que pretende comparar\n\nPrepare a frase ou o parágrafo curto real, mantendo intactos o tema e as condições importantes. Uma coleção prática pode conter perguntas formuladas de maneiras diferentes ou descrições breves de assuntos relacionados. Gere o embedding de cada registo e conserve a sua formulação original e o identificador, para que uma comparação posterior possa devolver o próprio texto.\n\nPor exemplo, várias perguntas de ajuda podem descrever a mesma dificuldade com termos diferentes. Uma etapa de similaridade pode aproximar esses candidatos, após o que a sua formulação pode ser examinada para identificar o problema real. O embedding é a representação numérica utilizada nessa comparação; não escreve, por si só, uma paráfrase nem atribui uma etiqueta final de agrupamento.\n\n### Mean pooling e utilização dos vetores\n\nO exemplo de codificação direta do fabricante tem em conta a máscara de atenção ao calcular a média das representações dos tokens, excluindo as posições de preenchimento. A sua arquitetura seleciona explicitamente mean pooling e não seleciona CLS nem max pooling. Mantenha essa receita de pooling associada ao modelo ao preparar vetores comparáveis.\n\nCada representação devolvida tem 384 componentes. Uma etapa de indexação ou agrupamento trabalha com esses vetores utilizando uma configuração de similaridade escolhida, enquanto o registo de origem subjacente continua disponível para revisão. Utilize o mesmo modelo, preparação de entrada e definições de comparação em todos os elementos comparados. Outro modelo que devolva 384 valores não pertence, apenas por ter esse formato, ao mesmo espaço de embeddings.\n\n### Entradas curtas na configuração publicada\n\nA configuração de referência de Sentence Transformer utiliza um comprimento máximo de sequência de 128 tokens. Prepare uma fonte longa como unidades curtas e coerentes, em vez de um único parágrafo demasiado grande. Uma frase que contém uma regra pode precisar da exceção na frase seguinte; mantenha essa pequena unidade junta quando couber. Uma contagem de palavras ou caracteres não determina diretamente o comprimento em tokens.\n\nNum conjunto de descrições curtas, preserve os nomes e as propriedades distintivas que importam para a comparação. Um registo que contenha apenas uma categoria vaga pode ser difícil de separar de outros registos desse tipo. Guarde a associação à fonte fora do vetor, para que um candidato devolvido possa ser comparado com o material original.\n\n### Resultados de pesquisa e agrupamento\n\nNa pesquisa semântica, represente a consulta e o material do corpus com este mesmo modelo e devolva os registos candidatos com o respetivo texto de origem. No agrupamento, outra etapa forma grupos a partir dos vetores. Examine os registos próximos de uma fronteira entre grupos antes de utilizar o agrupamento como decisão de produto ou etiqueta automática.\n\nA saída útil é uma representação compacta de texto curto ligada ao seu registo original. Este checkpoint exato paraphrase-MiniLM-L6-v2 tem a sua própria configuração de pooling e sequência. As variantes all-MiniLM e paraphrase multilingues são perfis de modelo separados; o nome MiniLM em comum não implica o mesmo treino, âmbito linguístico ou definições de entrada.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "c06afffa96be694369ddbf3ae5bf41f1f6282b072232c842e513efefecfaf6fd", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pt-pt", "methods": [ { "html": "sentence-transformers/paraphrase-minilm-l6-v2Sentence Transformers paraphrase-MiniLM-L6-v2 converte frases e parágrafos curtos em vetores de 384 dimensões para pesquisa semântica e agrupamento. A sua configuração publicada utiliza mean pooling e uma definição de sequência de 128 tokens.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
paraphrase-MiniLM-L6-v2 é um modelo de embeddings de Sentence Transformers para frases e parágrafos curtos. Converte cada texto num espaço vetorial denso de 384 dimensões, estando a pesquisa semântica e o agrupamento entre as tarefas indicadas pelo fabricante. A arquitetura publicada combina um transformer com mean pooling; o comprimento de sequência configurado é de 128 tokens.
Prepare a frase ou o parágrafo curto real, mantendo intactos o tema e as condições importantes. Uma coleção prática pode conter perguntas formuladas de maneiras diferentes ou descrições breves de assuntos relacionados. Gere o embedding de cada registo e conserve a sua formulação original e o identificador, para que uma comparação posterior possa devolver o próprio texto.
Por exemplo, várias perguntas de ajuda podem descrever a mesma dificuldade com termos diferentes. Uma etapa de similaridade pode aproximar esses candidatos, após o que a sua formulação pode ser examinada para identificar o problema real. O embedding é a representação numérica utilizada nessa comparação; não escreve, por si só, uma paráfrase nem atribui uma etiqueta final de agrupamento.
O exemplo de codificação direta do fabricante tem em conta a máscara de atenção ao calcular a média das representações dos tokens, excluindo as posições de preenchimento. A sua arquitetura seleciona explicitamente mean pooling e não seleciona CLS nem max pooling. Mantenha essa receita de pooling associada ao modelo ao preparar vetores comparáveis.
Cada representação devolvida tem 384 componentes. Uma etapa de indexação ou agrupamento trabalha com esses vetores utilizando uma configuração de similaridade escolhida, enquanto o registo de origem subjacente continua disponível para revisão. Utilize o mesmo modelo, preparação de entrada e definições de comparação em todos os elementos comparados. Outro modelo que devolva 384 valores não pertence, apenas por ter esse formato, ao mesmo espaço de embeddings.
A configuração de referência de Sentence Transformer utiliza um comprimento máximo de sequência de 128 tokens. Prepare uma fonte longa como unidades curtas e coerentes, em vez de um único parágrafo demasiado grande. Uma frase que contém uma regra pode precisar da exceção na frase seguinte; mantenha essa pequena unidade junta quando couber. Uma contagem de palavras ou caracteres não determina diretamente o comprimento em tokens.
Num conjunto de descrições curtas, preserve os nomes e as propriedades distintivas que importam para a comparação. Um registo que contenha apenas uma categoria vaga pode ser difícil de separar de outros registos desse tipo. Guarde a associação à fonte fora do vetor, para que um candidato devolvido possa ser comparado com o material original.
Na pesquisa semântica, represente a consulta e o material do corpus com este mesmo modelo e devolva os registos candidatos com o respetivo texto de origem. No agrupamento, outra etapa forma grupos a partir dos vetores. Examine os registos próximos de uma fronteira entre grupos antes de utilizar o agrupamento como decisão de produto ou etiqueta automática.
A saída útil é uma representação compacta de texto curto ligada ao seu registo original. Este checkpoint exato paraphrase-MiniLM-L6-v2 tem a sua própria configuração de pooling e sequência. As variantes all-MiniLM e paraphrase multilingues são perfis de modelo separados; o nome MiniLM em comum não implica o mesmo treino, âmbito linguístico ou definições de entrada.
POST /v1/embeddingstext, token_idsembedding| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites sentence-transformers/paraphrase-minilm-l6-v2 | Predefinição— |
Campoinput | Tipostring|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— |
Campoencoding_format | Tipostring | RequisitoOpcional | Valores e limites float | Predefiniçãofloat |
Campodimensions | Tipointeger | RequisitoNão suportado | Valores e limites Mínimo: 1 | Predefinição— |
Campouser | Tipojson_value | RequisitoOpcional | Valores e limites Condições: A fonte permite este campo de metadados JSON; a semântica exata a montante depende do modelo. | Predefinição— |
Camposession_id | Tipojson_value | RequisitoOpcional | Valores e limites Condições: A fonte permite este campo de metadados JSON; a semântica exata a montante depende do modelo. | Predefinição— |
Campotrace | Tipojson_value | RequisitoOpcional | Valores e limites Condições: A fonte permite este campo de metadados JSON; a semântica exata a montante depende do modelo. | Predefinição— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores e limites Condições: provider.options rejeitado | Predefinição— |
text_to_embedding
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, input |
Parâmetroinput_shapes | Contratostring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parâmetroencoding_format | Contratofloat |
Parâmetrodimensions_override | Contratofalse |
Parâmetromax_input_budget_units | Contrato512 |
Parâmetromultimodal_objects | Contratofalse |
Parâmetromaterial_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.
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
| 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 $0 / 1K tokens Entrada · Leitura da cache — / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${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
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.
Não é introduzido nenhum endpoint de tarefas de embeddings.
| Campo | Tipo |
|---|---|
Campoobject | Tipostring |
Campomodel | Tipostring |
Campodata[].index | Tipointeger |
Campodata[].embedding | Tipofinite float[] |
Campousage | Tipoobject |
| 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. |
Ailoot Ultra sentence-transformers/paraphrase-minilm-l6-v2
Use os caminhos dos métodos indicados acima.