Sentence Transformers: paraphrase-MiniLM-L6-v2
Sentence Transformers paraphrase-MiniLM-L6-v2 avbildar meningar och korta stycken till 384-dimensionella vektorer för semantisk sökning och klustring. Den publicerade konfigurationen använder medelvärdespoolning och en sekvensinställning på 128 token.
Om modellen
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
paraphrase-MiniLM-L6-v2 är en Sentence Transformers-modell för inbäddning av meningar och korta stycken. Den avbildar varje text till ett tätt vektorrum med 384 dimensioner, med semantisk sökning och klustring bland tillverkarens angivna uppgifter. Den publicerade arkitekturen kombinerar en transformer med medelvärdespoolning; den konfigurerade sekvenslängden är 128 token.
Representera passagen du vill jämföra
Förbered den faktiska meningen eller det korta stycket och behåll ämnet och viktiga villkor intakta. En praktisk samling kan innehålla olika formulerade frågor eller korta beskrivningar av relaterade ämnen. Beräkna inbäddningen för varje post och behåll dess ursprungliga ordalydelse och identifierare så att en senare jämförelse kan returnera själva texten.
Till exempel kan flera hjälpfrågor beskriva samma svårighet med olika termer. Ett likhetssteg kan föra samman dessa kandidater, varefter deras ordalydelse kan granskas för att fastställa det faktiska problemet. Inbäddningen är den numeriska representation som används i jämförelsen; den skriver inte en parafras eller tilldelar en slutlig klusteretikett på egen hand.
Medelvärdespoolning och vektoranvändning
Tillverkarens exempel på direkt kodning tar hänsyn till attention-masken när tokenrepresentationer medelvärdesberäknas och utesluter utfyllnadspositioner. Arkitekturen väljer uttryckligen medelvärdespoolning och väljer inte CLS- eller max-poolning. Behåll detta poolningsrecept tillsammans med modellen när du förbereder jämförbara vektorer.
Varje returnerad representation har 384 komponenter. Ett index eller klustringssteg arbetar med dessa vektorer med en vald likhetskonfiguration, medan den underliggande källposten förblir tillgänglig för granskning. Håll samma modell, förberedelse av indata och jämförelseinställningar för objekten som jämförs. En annan modell som returnerar 384 värden har inte samma inbäddningsrum enbart på grund av den formen.
Korta indata i den publicerade konfigurationen
Referenskonfigurationen för Sentence Transformer använder en maximal sekvenslängd på 128 token. Förbered en lång källa som korta sammanhängande enheter i stället för ett enda för stort stycke. En mening med en regel kan behöva nästa menings undantag; behåll den lilla enheten tillsammans när den får plats. Ett ord- eller teckenantal fastställer inte tokenlängden direkt.
För en uppsättning korta beskrivningar bevarar du namn och särskiljande egenskaper som är viktiga för jämförelsen. En post som bara innehåller en vag kategori kan vara svår att skilja från andra poster av samma typ. Lagra källkopplingen utanför vektorn så att en returnerad kandidat kan kontrolleras mot originalmaterialet.
Sök- och klustringsresultat
Vid semantisk sökning representerar du frågan och korpusmaterialet med samma modell och returnerar kandidatposter med deras källtext. Vid klustring bildar ett annat steg grupper från vektorerna. Granska poster nära en klustergräns innan grupperingen används som ett produktbeslut eller en automatisk etikett.
Det användbara resultatet är en kompakt representation av kort text kopplad till dess ursprungliga post. Denna exakta paraphrase-MiniLM-L6-v2-checkpoint har sin egen poolnings- och sekvenskonfiguration. all-MiniLM och flerspråkiga paraphrase-varianter är separata modellprofiler; deras träning, språkomfattning eller indatainställningar följer inte av det gemensamma MiniLM-namnet.
Ailoot Ultra · Embeddings POST /v1/embeddings sentence-transformers/paraphrase-minilm-l6-v2
sentence-transformers/paraphrase-minilm-l6-v2
sentence-transformers/paraphrase-minilm-l6-v2Start
Sentence Transformers paraphrase-MiniLM-L6-v2 avbildar meningar och korta stycken till 384-dimensionella vektorer för semantisk sökning och klustring. Den publicerade konfigurationen använder medelvärdespoolning och en sekvensinställning på 128 token.
- 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/paraphrase-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/paraphrase-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/paraphrase-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/paraphrase-minilm-l6-v2
Alias för metodsökvägar
Använd metodsökvägarna som visas ovan.
Relaterade anropar-ID:n
FAQ · Sentence Transformers: paraphrase-MiniLM-L6-v2
- Vilka indata och resultat finns?
POST /v1/embeddings·sentence-transformers/paraphrase-minilm-l6-v2:text,token_ids→embedding- Vilka fält använder begäran?
POST /v1/embeddings·sentence-transformers/paraphrase-minilm-l6-v2:model,input,encoding_format,provider- Vilka gränser gäller?
POST /v1/embeddings·sentence-transformers/paraphrase-minilm-l6-v2:input.budget.maximum:512(UTF8-byte);input.min_items:1