Sentence Transformers: all-MiniLM-L12-v2
Sentence Transformers all-MiniLM-L12-v2 kodar meningar och korta stycken till 384-dimensionella vektorer för sökning, likhet och klustring. Referensreceptet använder medelvärdespoolning och normalisering, med standardkapning vid 256 orddelar.
Om modellen
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
all-MiniLM-L12-v2 är en Sentence Transformers-kodare för meningar och korta stycken. Den producerar en tät vektor med 384 dimensioner per text för semantisk sökning, informationssökning, klustring och meningslikhet. Modellen använder MiniLM-L12-H384-uncased-basmodellen och finjusterades med kontrastiv inlärning på en samling med en miljard meningspar.
Koda enheten du vill hämta
Använd en mening eller ett kort stycke som uttrycker en användbar idé. I en samling produktbeskrivningar behåller du egenskapen och villkoret som särskiljer varan: ”Adaptern ansluter ett trådbundet headset till en USB-C-port” är mer informativt än ”Ljudtillbehör”. Lagra postidentifieraren och originalbeskrivningen bredvid vektorn.
En sökfråga kan sedan jämföras med de kodade beskrivningarna. Granska de returnerade kandidaterna mot exakta krav som kontakttyp eller enhetskompatibilitet innan ett slutligt val presenteras. Vektorn representerar textens betydelse; den omgivande sökapplikationen hämtar motsvarande poster.
Medelvärdespoolning och normaliserade vektorer
Det publicerade kodningsexemplet beräknar medelvärdet av tokenrepresentationerna med attention-masken så att utfyllnadspositioner inte bidrar till medelvärdet. Därefter används L2-normalisering. Dessa steg ingår i referensreceptet för att ta fram meningsvektorn, inte i en instruktion att ta en godtycklig token från den underliggande transformern.
Håll modell-, poolnings- och normaliseringskonfigurationen konsekvent mellan indexerade texter och nya frågor. De resulterande representationerna med 384 komponenter kan jämföras med cosinuslikhet. Spara konfigurationen tillsammans med samlingen; en annan 384-dimensionell kodare blir inte kompatibel bara för att dess vektorer har samma längd.
Standardlängd för indata och träningens omfattning
Tillverkaren anger standardkapning utöver 256 orddelar. Detta är en tokeniserargräns, inte ett antal vanliga ord eller tecken. För en längre post väljer du sammanhängande korta avsnitt och bevarar rubriken eller den identifierande detalj som behövs för att tolka varje avsnitt.
Modellens träningsprocedur använde sekvenser på upp till 128 token. Den träningsinställningen är separat från den publicerade standarden på 256 orddelar vid kodning. En passage som ryms inom standarden kan ändå skilja sig betydligt från det korta meningsmaterial som användes vid träningen, så bedöm långa eller specialiserade beskrivningar med representativa exempel.
Likhets- och klustringsarbetsflöden
För en uppsättning supportmeddelanden kan inbäddningar ge numeriska indata till ett grupperingssteg. Granska flera meddelanden från varje föreslagen grupp och dem nära dess gräns innan en läsbar etikett tilldelas. Vid granskning av dubblettinnehåll hämtar du liknande poster och jämför deras faktiska ordalydelse; två passager kan diskutera samma ämne men ge olika instruktioner.
Denna exakta L12-v2-utgåva är en engelsk meningsinbäddningsprofil. Den är åtskild från all-MiniLM-L6-v2 och paraphrase-MiniLM-checkpoints. Gemensamma modellfamiljenamn överför inte deras sekvenskonfiguration eller poolningsrecept. Använd dess kompakta täta vektorer tillsammans med källposter och uppgiftsspecifik utvärdering i stället för att behandla ett likhetsvärde som ett verifierat svar eller ett slutligt redaktionellt beslut.
Ailoot Ultra · Embeddings POST /v1/embeddings sentence-transformers/all-minilm-l12-v2
sentence-transformers/all-minilm-l12-v2
sentence-transformers/all-minilm-l12-v2Start
Sentence Transformers all-MiniLM-L12-v2 kodar meningar och korta stycken till 384-dimensionella vektorer för sökning, likhet och klustring. Referensreceptet använder medelvärdespoolning och normalisering, med standardkapning vid 256 orddelar.
- Godkända indata
- Text · token_ids
- Resultat
- embedding
Tillgängligt i Ailoot · indata & metoder
Ailoot Ultra · Embeddings POST /v1/embeddings
- Indatatyper
text,token_ids- Utdatatyper
embedding- Utdataformat
- json
| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser sentence-transformers/all-minilm-l12-v2 | Standard— |
Fältinput | Typstring|string[]|integer[]|integer[][] | KravObligatoriskt | Värden & gränser Minsta antal objekt: 1 Villkor: En homogen batch som inte är tom. Token-ID:n är heltal som är större än eller lika med noll. Indatabudget: Maximum: 512 · Textenhet: UTF8-byte · Tokenenhet: element i en tokenarray | Standard— |
Fältencoding_format | Typstring | KravValfritt | Värden & gränser float | Standardfloat |
Fältdimensions | Typinteger | KravStöds inte | Värden & gränser Minimum: 1 | Standard— |
Fältuser | Typjson_value | KravValfritt | Värden & gränser Villkor: Källan tillåter detta JSON-metadatafält; den exakta innebörden hos leverantören beror på modellen. | Standard— |
Fältsession_id | Typjson_value | KravValfritt | Värden & gränser Villkor: Källan tillåter detta JSON-metadatafält; den exakta innebörden hos leverantören beror på modellen. | Standard— |
Fälttrace | Typjson_value | KravValfritt | Värden & gränser Villkor: Källan tillåter detta JSON-metadatafält; den exakta innebörden hos leverantören beror på modellen. | Standard— |
Fältprovider | Typobject | KravValfritt | Värden & gränser Villkor: provider.options avvisades | Standard— |
Kombinationer av indatamaterial
text_to_embedding
Metodparametrar och livscykel
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, input |
Parameterinput_shapes | Avtalstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parameterencoding_format | Avtalfloat |
Parameterdimensions_override | Avtalfalse |
Parametermax_input_budget_units | Avtal512 |
Parametermultimodal_objects | Avtalfalse |
Parametermaterial_types | Avtaltext, token_ids |
Livscykel: synchronous_json
Behåll varje vektorindex och dimension.
Att modellen har ett multimodalt namn innebär inte att bildobjekt tillåts på just denna anropsväg.
Priser
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
- Snabbt läge
- Ej angivet När snabbt läge är valt
- Flex-läge
- Ej angivet När läget flex är valt
- Högsta resonemangsnivå
- Ej angivet När den högsta resonemangsnivån använder standardjusteringen (default)
Ailoot-priser
Priser efter konfiguration
| Konfiguration | Prislista | Avgift |
|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Avgift Indata · Indatatoken $0.00001 / 1K token Utdata · Utdatatoken $0 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
Exempelbegäranden
Ailoot Ultra · Embeddings
set -eu
: "${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-l12-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-l12-v2',input=["First document","Second document"])
print(result)
for item in result.data:print(item.index,item.embedding)
Ta emot och spara resultat
Ailoot Ultra · Embeddings
json
Behåll alla färdiga resultat
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll varje vektor tillsammans med dess index. Antalet vektorer måste vara lika med antalet indataobjekt; dimensionerna måste vara konsekventa.
Om det ursprungliga svaret behöver kontrolleras
Ingen endpoint för inbäddningsjobb införs.
Svarsfält
| Fält | Typ |
|---|---|
Fältobject | Typstring |
Fältmodel | Typstring |
Fältdata[].index | Typinteger |
Fältdata[].embedding | Typfinite float[] |
Fältusage | Typobject |
Fel och nästa steg
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Alias
Modellalias
Ailoot Ultra sentence-transformers/all-minilm-l12-v2
Alias för metodsökvägar
Använd metodsökvägarna som visas ovan.
Relaterade anropar-ID:n
FAQ · Sentence Transformers: all-MiniLM-L12-v2
- Vilka indata och resultat finns?
POST /v1/embeddings·sentence-transformers/all-minilm-l12-v2:text,token_ids→embedding- Vilka fält använder begäran?
POST /v1/embeddings·sentence-transformers/all-minilm-l12-v2:model,input,encoding_format,provider- Vilka gränser gäller?
POST /v1/embeddings·sentence-transformers/all-minilm-l12-v2:input.budget.maximum:512(UTF8-byte);input.min_items:1