Source: https://ailoot.ai/models/th/sentence-transformers-all-minilm-l12-v2/
Canonical: https://ailoot.ai/models/th/sentence-transformers-all-minilm-l12-v2/
Language: th

# Sentence Transformers: all-MiniLM-L12-v2

[Markdown](https://ailoot.ai/models/th/sentence-transformers-all-minilm-l12-v2/index.md) · [JSON](https://ailoot.ai/models/th/sentence-transformers-all-minilm-l12-v2/facts.json)

## [Sentence Transformers: all-MiniLM-L12-v2](https://ailoot.ai/models/th/sentence-transformers-all-minilm-l12-v2/)

Sentence Transformers all-MiniLM-L12-v2 เข้ารหัสประโยคและย่อหน้าสั้นเป็นเวกเตอร์ 384 มิติสำหรับการค้นหา ความคล้าย และการจัดกลุ่ม วิธีอ้างอิงใช้การรวมแบบเฉลี่ยและ normalization โดยค่าเริ่มต้นตัดที่ 256 หน่วย word piece

- [**Ailoot Ultra · เอ็มเบดดิง** `POST /v1/embeddings` `sentence-transformers/all-minilm-l12-v2`](https://ailoot.ai/models/th/sentence-transformers-all-minilm-l12-v2/#method-0)

เกี่ยวกับโมเดล

คำอธิบายนี้ครอบคลุมความสามารถของโมเดล อินพุต เอาต์พุต และตัวเลือกที่ใช้ได้ใน Ailoot แสดงด้านล่างตามเมธอดที่เลือก

all-MiniLM-L12-v2 เป็นตัวเข้ารหัสประโยคและย่อหน้าสั้นของ Sentence Transformers สร้างเวกเตอร์หนาแน่น 384 มิติหนึ่งตัวต่อข้อความสำหรับการค้นหาเชิงความหมาย ค้นคืนข้อมูล จัดกลุ่ม และความคล้ายประโยค โมเดลใช้โครงข่ายหลัก MiniLM-L12-H384-uncased และปรับแต่งด้วยการเรียนรู้แบบเปรียบต่างบนคอลเล็กชันคู่ประโยคหนึ่งพันล้านคู่

#### เข้ารหัสหน่วยที่ต้องการค้นคืน

ใช้ประโยคหรือย่อหน้าสั้นที่แสดงใจความมีประโยชน์หนึ่งเรื่อง สำหรับคอลเล็กชันคำอธิบายสินค้า ให้คงคุณสมบัติและเงื่อนไขที่แยกรายการ “อะแดปเตอร์เชื่อมเฮดเซ็ตมีสายกับพอร์ต USB-C” ให้ข้อมูลมากกว่า “อุปกรณ์เสริมด้านเสียง” เก็บตัวระบุระเบียนและคำอธิบายต้นฉบับข้างเวกเตอร์

จากนั้นเปรียบเทียบคำค้นกับคำอธิบายที่เข้ารหัสได้ ตรวจตัวเลือกที่คืนมาสำหรับข้อกำหนดตรง เช่น ชนิดขั้วต่อหรือความเข้ากันได้ของอุปกรณ์ ก่อนเสนอทางเลือกสุดท้าย เวกเตอร์แทนความหมายของข้อความ แอปพลิเคชันค้นหารอบข้างเป็นผู้ค้นคืนระเบียนที่สอดคล้อง

#### การรวมแบบเฉลี่ยและเวกเตอร์ที่ผ่าน normalization

ตัวอย่างเข้ารหัสที่เผยแพร่เฉลี่ยตัวแทนโทเคนด้วย attention mask ทำให้ตำแหน่ง padding ไม่ร่วมค่าเฉลี่ย แล้วใช้ L2 normalization ขั้นตอนเหล่านี้เป็นส่วนหนึ่งของวิธีอ้างอิงเพื่อรับเวกเตอร์ประโยค ไม่ใช่คำสั่งให้เลือกโทเคนใดก็ได้จาก transformer เบื้องล่าง

ให้การกำหนดค่าโมเดล การรวมตัวแทน และ normalization สม่ำเสมอระหว่างข้อความในดัชนีกับคำค้นใหม่ ตัวแทน 384 องค์ประกอบที่ได้เปรียบเทียบด้วยความคล้ายโคไซน์ได้ เก็บบันทึกการกำหนดค่านั้นไว้กับคอลเล็กชัน ตัวเข้ารหัส 384 มิติอีกตัวไม่ได้เข้ากันได้เพียงเพราะความยาวเวกเตอร์เท่ากัน

#### ความยาวอินพุตเริ่มต้นและขอบเขตฝึก

ผู้ผลิตกำหนดว่าค่าเริ่มต้นตัดเมื่อเกิน 256 หน่วย word piece นี่คือขีดจำกัด tokenizer ไม่ใช่จำนวนคำหรืออักขระปกติ สำหรับระเบียนยาว ให้เลือกส่วนสั้นที่เชื่อมโยงกัน และรักษาหัวข้อหรือรายละเอียดระบุตัวตนที่จำเป็นต่อการตีความแต่ละส่วน

กระบวนการฝึกใช้ลำดับยาวไม่เกิน 128 โทเคน การตั้งค่าฝึกนั้นแยกจากค่าเริ่มต้น 256 หน่วย word piece ที่เผยแพร่สำหรับเข้ารหัส ย่อหน้าที่พอดีค่าเริ่มต้นยังอาจต่างจากข้อความประโยคสั้นที่ใช้ฝึกมาก จึงควรประเมินคำอธิบายยาวหรือเฉพาะทางด้วยตัวอย่างที่เป็นตัวแทน

#### เวิร์กโฟลว์ความคล้ายและการจัดกลุ่ม

สำหรับชุดข้อความสนับสนุน เอ็มเบดดิงเป็นอินพุตเชิงตัวเลขของขั้นตอนจัดกลุ่มได้ ตรวจหลายข้อความจากแต่ละกลุ่มที่เสนอและข้อความใกล้ขอบก่อนกำหนดป้ายที่คนอ่านรู้เรื่อง สำหรับตรวจเนื้อหาซ้ำ ให้ค้นคืนระเบียนคล้ายกันและเปรียบเทียบถ้อยคำจริง ย่อหน้าสองชิ้นอาจพูดเรื่องเดียวกันแต่ให้คำสั่งต่างกัน

รุ่น L12-v2 ที่ตรงนี้เป็นโปรไฟล์เอ็มเบดดิงประโยคภาษาอังกฤษ แยกจาก all-MiniLM-L6-v2 และเช็กพอยต์ paraphrase-MiniLM ชื่อตระกูลร่วมไม่ได้ถ่ายโอนการกำหนดค่าลำดับหรือวิธีรวมตัวแทน ใช้เวกเตอร์หนาแน่นกระชับร่วมกับระเบียนต้นฉบับและการประเมินเฉพาะงาน แทนการถือค่าความคล้ายเป็นคำตอบที่ตรวจแล้วหรือการตัดสินใจบรรณาธิการสุดท้าย

**Ailoot Ultra · เอ็มเบดดิง** `POST /v1/embeddings` `sentence-transformers/all-minilm-l12-v2`

[`sentence-transformers/all-minilm-l12-v2`](https://ailoot.ai/models/th/#m=sentence-transformers%2Fall-minilm-l12-v2&route=Ultra&caller=sentence-transformers%2Fall-minilm-l12-v2&fmt=embeddings)

Sentence Transformers /`sentence-transformers/all-minilm-l12-v2`

### เริ่มต้น

Sentence Transformers all-MiniLM-L12-v2 เข้ารหัสประโยคและย่อหน้าสั้นเป็นเวกเตอร์ 384 มิติสำหรับการค้นหา ความคล้าย และการจัดกลุ่ม วิธีอ้างอิงใช้การรวมแบบเฉลี่ยและ normalization โดยค่าเริ่มต้นตัดที่ 256 หน่วย word piece

อินพุตที่รองรับ

ข้อความ · token\_ids

ผลลัพธ์

embedding

### ใช้งานได้ใน Ailoot · อินพุตและเมธอด

**Ailoot Ultra · เอ็มเบดดิง** `POST /v1/embeddings`

ขาเข้า

`text`, `token_ids`

ขาออก

`embedding`

รูปแบบเอาต์พุต

json

| ฟิลด์ | ประเภท | ข้อกำหนด | ค่าและข้อจำกัด | ค่าเริ่มต้น |
| --- | --- | --- | --- | --- |
| ฟิลด์`model` | ประเภท`string` | ข้อกำหนดจำเป็น | ค่าและข้อจำกัด sentence-transformers/all-minilm-l12-v2 | ค่าเริ่มต้น— |
| ฟิลด์`input` | ประเภท`string\|string[]\|integer[]\|integer[][]` | ข้อกำหนดจำเป็น | ค่าและข้อจำกัด จำนวนรายการขั้นต่ำ: 1 เงื่อนไข: ชุดข้อมูลต้องไม่ว่างและประกอบด้วยข้อมูลชนิดเดียวกัน ID โทเคนต้องเป็นจำนวนเต็มที่ไม่ติดลบ โควตาอินพุต: สูงสุด: 512 · หน่วยข้อความ: ไบต์ UTF8 · หน่วยโทเค็น: องค์ประกอบในอาร์เรย์โทเค็น | ค่าเริ่มต้น— |
| ฟิลด์`encoding_format` | ประเภท`string` | ข้อกำหนดไม่บังคับ | ค่าและข้อจำกัด float | ค่าเริ่มต้นfloat |
| ฟิลด์`dimensions` | ประเภท`integer` | ข้อกำหนดไม่รองรับ | ค่าและข้อจำกัด ขั้นต่ำ: 1 | ค่าเริ่มต้น— |
| ฟิลด์`user` | ประเภท`json_value` | ข้อกำหนดไม่บังคับ | ค่าและข้อจำกัด เงื่อนไข: ต้นฉบับอนุญาตฟิลด์เมทาดาทา JSON นี้ โดยความหมายที่แน่นอนในระบบต้นทางขึ้นอยู่กับแต่ละโมเดล | ค่าเริ่มต้น— |
| ฟิลด์`session_id` | ประเภท`json_value` | ข้อกำหนดไม่บังคับ | ค่าและข้อจำกัด เงื่อนไข: ต้นฉบับอนุญาตฟิลด์เมทาดาทา JSON นี้ โดยความหมายที่แน่นอนในระบบต้นทางขึ้นอยู่กับแต่ละโมเดล | ค่าเริ่มต้น— |
| ฟิลด์`trace` | ประเภท`json_value` | ข้อกำหนดไม่บังคับ | ค่าและข้อจำกัด เงื่อนไข: ต้นฉบับอนุญาตฟิลด์เมทาดาทา JSON นี้ โดยความหมายที่แน่นอนในระบบต้นทางขึ้นอยู่กับแต่ละโมเดล | ค่าเริ่มต้น— |
| ฟิลด์`provider` | ประเภท`object` | ข้อกำหนดไม่บังคับ | ค่าและข้อจำกัด เงื่อนไข: provider.options ถูกปฏิเสธ | ค่าเริ่มต้น— |

ชุดผสมของสื่ออินพุต

**text\_to\_embedding**

พารามิเตอร์และวงจรการทำงานของเมธอด

| พารามิเตอร์ | ข้อกำหนด |
| --- | --- |
| พารามิเตอร์`content_type` | ข้อกำหนดapplication/json |
| พารามิเตอร์`required` | ข้อกำหนดmodel, input |
| พารามิเตอร์`input_shapes` | ข้อกำหนดstring, string\[\], nonnegative\_integer\_token\_array, nonnegative\_integer\_token\_array\[\] |
| พารามิเตอร์`encoding_format` | ข้อกำหนดfloat |
| พารามิเตอร์`dimensions_override` | ข้อกำหนดfalse |
| พารามิเตอร์`max_input_budget_units` | ข้อกำหนด512 |
| พารามิเตอร์`multimodal_objects` | ข้อกำหนดfalse |
| พารามิเตอร์`material_types` | ข้อกำหนดtext, token\_ids |

วงจรการทำงาน: `synchronous_json`

เก็บดัชนีและจำนวนมิติของเวกเตอร์ทุกรายการ

ชื่อโมเดลที่สื่อว่ารองรับข้อมูลหลายรูปแบบไม่ได้ทำให้สามารถส่งออบเจ็กต์รูปภาพผ่านเส้นทางเฉพาะนี้ได้

### ราคา

ข้อมูลอัตราราคาไม่ได้เพิ่มตัวเลือกคำขอ พารามิเตอร์ที่รองรับระบุไว้สำหรับเมธอดที่เลือก

โหมดรวดเร็ว

ไม่ได้ระบุ เมื่อเลือกโหมดรวดเร็ว

โหมดยืดหยุ่น

ไม่ได้ระบุ เมื่อเลือกโหมด flex

ระดับการใช้เหตุผลสูงสุด

ไม่ได้ระบุ เมื่อใช้การปรับตามค่าเริ่มต้น (default) สำหรับระดับการใช้เหตุผลสูงสุด

#### อัตราค่าบริการ Ailoot

#### ราคาตามการตั้งค่า

| การตั้งค่า | ตารางอัตราค่าบริการ | ค่าบริการ |
| --- | --- | --- |
| การตั้งค่าอัตราราคาพื้นฐานของโทเคน | ตารางอัตราค่าบริการอัตราพื้นฐาน | ค่าบริการ ขาเข้า · โทเค็นอินพุต **$0.00001** / 1K โทเค็น ขาออก · โทเค็นเอาต์พุต **$0** / 1K โทเค็น ขาเข้า · การอ่านแคช **—** / 1K โทเค็น ขาเข้า · การเขียนแคช **—** / 1K โทเค็น ขาเข้า · การเขียนแคช, 1 ชั่วโมง **—** / 1K โทเค็น |

Ailoot กันยอดเงินประมาณการไว้ก่อนส่งคำขอ หลังได้ผลลัพธ์ จะคิดค่าบริการสุดท้ายตามการใช้งานที่วัดได้ การคิดค่าบริการแบบสตรีมใช้บันทึกการใช้งานสุดท้าย [วิธีกันยอดเงินและคิดค่าบริการสุดท้าย →](https://ailoot.ai/docs/th/billing/reserve/)

### ตัวอย่างคำขอ

#### Ailoot Ultra · เอ็มเบดดิง

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-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
```

```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-l12-v2',input=["First document","Second document"])
print(result)
for item in result.data:print(item.index,item.embedding)
```

### รับและบันทึกผลลัพธ์

#### Ailoot Ultra · เอ็มเบดดิง

json

##### เก็บผลลัพธ์ที่เสร็จสมบูรณ์ทั้งหมด

เก็บทุกการตอบกลับ ไฟล์ และส่วนเนื้อหาที่ส่งกลับมาอย่างครบถ้วน

เก็บเวกเตอร์ทุกรายการพร้อมดัชนีของแต่ละรายการ จำนวนเวกเตอร์ต้องเท่ากับจำนวนข้อมูลนำเข้า และจำนวนมิติต้องสอดคล้องกัน

##### เมื่อต้องตรวจสอบการตอบกลับต้นฉบับ

ไม่มีการเพิ่มจุดเชื่อมต่อสำหรับงานสร้างเวกเตอร์ตัวแทนข้อมูล

ฟิลด์การตอบกลับ

| ฟิลด์ | ประเภท |
| --- | --- |
| ฟิลด์`object` | ประเภทstring |
| ฟิลด์`model` | ประเภทstring |
| ฟิลด์`data[].index` | ประเภทinteger |
| ฟิลด์`data[].embedding` | ประเภทfinite float\[\] |
| ฟิลด์`usage` | ประเภทobject |

ข้อผิดพลาดและขั้นตอนถัดไป

| การตอบกลับ | เงื่อนไข | ขั้นตอนถัดไป |
| --- | --- | --- |
| การตอบกลับ400 · `invalid_request_error` | เงื่อนไขฟิลด์จำเป็น รูปแบบการแทนข้อมูล หรือค่าพารามิเตอร์ไม่ถูกต้อง | ขั้นตอนถัดไปแก้ฟิลด์ที่ระบุก่อนส่งคำขอสร้างครั้งใหม่ |

### ชื่ออื่น

#### ชื่ออื่นของโมเดล

**Ailoot Ultra** [`sentence-transformers/all-minilm-l12-v2`](https://ailoot.ai/models/th/#m=sentence-transformers%2Fall-minilm-l12-v2&route=Ultra&caller=sentence-transformers%2Fall-minilm-l12-v2&fmt=embeddings)

#### ชื่อพาธเมธอดอื่น

ใช้พาธเมธอดที่แสดงด้านบน

#### ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล

[`sentence-transformers/all-minilm-l12-v2`](https://ailoot.ai/models/th/#m=sentence-transformers%2Fall-minilm-l12-v2&route=Ultra&caller=sentence-transformers%2Fall-minilm-l12-v2&fmt=embeddings)

FAQ · Sentence Transformers: all-MiniLM-L12-v2

มีอินพุตและผลลัพธ์ใดบ้าง?

`POST /v1/embeddings` · `sentence-transformers/all-minilm-l12-v2`: `text`, `token_ids` → `embedding`

คำขอใช้ฟิลด์ใดบ้าง?

`POST /v1/embeddings` · `sentence-transformers/all-minilm-l12-v2`: `model`, `input`, `encoding_format`, `provider`

มีข้อจำกัดใดบ้าง?

`POST /v1/embeddings` · `sentence-transformers/all-minilm-l12-v2`: `input.budget.maximum`: `512` (ไบต์ UTF8); `input.min_items`: `1`

เชื่อม Ailoot กับ Claude Code, OpenCode, Hermes หรือแอปของคุณ

## บริษัทและพอร์ตโฟลิโอโครงการของบริษัท

บริษัทและพอร์ตโฟลิโอโครงการของบริษัท: ลูกค้าหลายล้านราย; ยอดขายระดับหลายพันล้านต่อเดือน.

## ซื้อโทเคนพร้อมส่วนลด

ส่วนลดสมาชิกสำหรับงานประจำ โค้ดโปรโมชั่นลดซื้อโทเคนสูงสุด 50%

สมาชิก

เลือกแพ็กเกจมีส่วนลดสำหรับคำขอประจำ

โค้ดลดสูงสุด 50%

ใส่โค้ดขณะซื้อ ราคาคำนวณใหม่ตามโปรโมชั่นที่ใช้

รายจ่ายในประวัติ

เก็บโมเดล โทเคน และยอดสำหรับทุกคำขอ

[เลือกสมาชิก](https://ailoot.ai/docs/th/billing/subscriptions/) · [ดูราคาโมเดล](https://ailoot.ai/models/th/)

## เชื่อม API กับผลิตภัณฑ์ ที่คุณขาย

SaaS แอป และบอต ตามข้อเสนอและสัญญาอนุญาต Ailoot หากขายต่อให้ขอใบอนุญาตรีเซลเลอร์

แอปเชิงพาณิชย์

ใส่การสร้างข้อความ ภาพ วิดีโอ และเสียงในฟีเจอร์เสียเงินของบริการคุณ

ใบอนุญาตรีเซลเลอร์

ส่งคำอธิบายโครงการและรูปแบบการเข้าถึง ขอเงื่อนไขใช้และขายต่อเป็นลายลักษณ์อักษร

เอกสารบนเว็บไซต์

อ่านข้อเสนอ สัญญาอนุญาต และนโยบายประมวลผลข้อมูลก่อนเชื่อมได้

[ขอใบอนุญาตขายต่อ](mailto:support@ailoot.ai) · [ข้อเสนอและสัญญาอนุญาต](https://ailoot.ai/legal/offer?lang=th)

## Ailoot · บริษัทและพอร์ตโฟลิโอโครงการของบริษัท





Ailoot อาศัยประสบการณ์การดำเนินงานที่สั่งสม ฐานลูกค้าขนาดใหญ่ บริการที่เสถียร และการติดตาม KPI อย่างต่อเนื่อง





บริษัทและพอร์ตโฟลิโอโครงการของบริษัท: ลูกค้าหลายล้านราย; ยอดขายระดับหลายพันล้านต่อเดือน.





Ailoot นำประสบการณ์การดำเนินงานนี้มาใช้เพื่อให้เข้าถึงฟังก์ชัน AI ผ่าน API ในผลิตภัณฑ์ของลูกค้า เอเจนต์ แอปพลิเคชัน และระบบอัตโนมัติ