Sentence Transformers: all-MiniLM-L6-v2
Sentence Transformers all-MiniLM-L6-v2 representerar meningar och korta stycken som 384-dimensionella vektorer för semantisk sökning, klustring och likhet. Det publicerade receptet kombinerar medelvärdespoolning med L2-normalisering och en standard på 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-L6-v2 är en Sentence Transformers-kodare för meningar och korta stycken. Den avbildar varje text till en tät vektor med 384 dimensioner för sökning, klustring och meningslikhet. Modellen finjusterades från MiniLM-L6-H384-uncased-basmodellen med kontrastiv inlärning på en samling med en miljard meningspar.
Förbered korta, meningsfulla poster
Välj meningen eller stycket som ska visas i ett sökresultat. För en samling med vanliga frågor behåller du frågan och den korta förklaring som särskiljer dess ämne. En passage om att återställa ett glömt lösenord bör behålla återställningsproceduren i stället för att reduceras till ett isolerat ord som ”Konto”.
För en lång artikel indexerar du sammanhängande korta avsnitt och behåller deras källplatser. Hämta kandidatavsnitt genom att jämföra frågans vektor med de lagrade representationerna och visa sedan originalpassagerna så att läsaren kan granska de faktiska instruktionerna.
Ta fram meningsrepresentationen
Tillverkarens recept för direkt kodning beräknar medelvärdet av tokenrepresentationerna med attention-masken och utesluter utfyllnadspositioner från medelvärdet. Därefter används L2-normalisering. Dessa steg ger meningsinbäddningen som används för jämförelse; enskilda tokenrepresentationer från den underliggande transformern har en annan roll.
Varje resultat har 384 komponenter. Använd samma checkpoint, poolning och normalisering när samlingen byggs och senare frågor kodas. Cosinuslikhet kan jämföra de resulterande vektorerna. Ett likhetsvärde är användbart för att rangordna kandidater under den konfigurationen, medan originaltexten avgör om en kandidat besvarar frågan.
Längd och utgåvegränser
Den publicerade standarden kapar indata längre än 256 orddelar. Denna tokeniserarenhet motsvarar inte direkt ett vanligt ord eller tecken. Håll viktiga villkor inom den indexerade enheten och dela en lång procedur vid meningsfulla gränser innan den kodas.
Träningssekvenserna begränsades till 128 token. Den träningsinställningen är separat från standarden på 256 orddelar som används vid kodning. För ovanligt långa eller specialiserade passager använder du representativa fråga–passage-exempel för att bedöma sökbeteendet i stället för att anta att indatagränsen garanterar samma behandling av varje detalj.
Den exakta L6-v2-utgåvan är en engelsk inbäddningsprofil. L12-v2- och paraphrase-MiniLM-utgåvorna har separata modellidentiteter och konfigurationer. Deras gemensamma MiniLM-namn eller 384-dimensionella resultat innebär inte att vektorerna är utbytbara.
Sökning, likhet och gruppering
Vid granskning av dubblettfrågor hämtar du liknande frågor och jämför den faktiska ordalydelsen innan poster slås ihop. ”Kan jag återställa mitt lösenord?” och ”Kan en administratör återställa en annan användares lösenord?” gäller relaterade ämnen men olika behörigheter. Bevara skillnaden i den kodade texten och i granskningssteget.
För klustring använder du inbäddningarna som numeriska indata till en grupperingsprocess och granskar sedan representativa poster innan en grupp namnges. Modellen ger vektorer i stället för skrivna klusteretiketter eller ett genererat FAQ-svar. Det användbara resultatet är en kompakt representation av en kort källpassage som förblir kopplad till originalposten.
Ailoot Ultra · Embeddings 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 representerar meningar och korta stycken som 384-dimensionella vektorer för semantisk sökning, klustring och likhet. Det publicerade receptet kombinerar medelvärdespoolning med L2-normalisering och en standard på 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-l6-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-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)
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-l6-v2
Alias för metodsökvägar
Använd metodsökvägarna som visas ovan.
Relaterade anropar-ID:n
FAQ · Sentence Transformers: all-MiniLM-L6-v2
- Vilka indata och resultat finns?
POST /v1/embeddings·sentence-transformers/all-minilm-l6-v2:text,token_ids→embedding- Vilka fält använder begäran?
POST /v1/embeddings·sentence-transformers/all-minilm-l6-v2:model,input,encoding_format,provider- Vilka gränser gäller?
POST /v1/embeddings·sentence-transformers/all-minilm-l6-v2:input.budget.maximum:512(UTF8-byte);input.min_items:1