Source: https://ailoot.ai/models/th/sentence-transformers-all-minilm-l6-v2/
Canonical: https://ailoot.ai/models/th/sentence-transformers-all-minilm-l6-v2/
Language: th

# Sentence Transformers: all-MiniLM-L6-v2

[Markdown](https://ailoot.ai/models/th/sentence-transformers-all-minilm-l6-v2/index.md) · [JSON](https://ailoot.ai/models/th/sentence-transformers-all-minilm-l6-v2/facts.json)

## [Sentence Transformers: all-MiniLM-L6-v2](https://ailoot.ai/models/th/sentence-transformers-all-minilm-l6-v2/)

Sentence Transformers all-MiniLM-L6-v2 แทนประโยคและย่อหน้าสั้นเป็นเวกเตอร์ 384 มิติสำหรับการค้นหาเชิงความหมาย จัดกลุ่ม และความคล้าย วิธีที่เผยแพร่รวมการรวมตัวแทนแบบเฉลี่ยกับ L2 normalization และค่าเริ่มต้น 256 หน่วย word piece

- [**Ailoot Ultra · เอ็มเบดดิง** `POST /v1/embeddings` `sentence-transformers/all-minilm-l6-v2`](https://ailoot.ai/models/th/sentence-transformers-all-minilm-l6-v2/#method-0)

เกี่ยวกับโมเดล

คำอธิบายนี้ครอบคลุมความสามารถของโมเดล อินพุต เอาต์พุต และตัวเลือกที่ใช้ได้ใน Ailoot แสดงด้านล่างตามเมธอดที่เลือก

all-MiniLM-L6-v2 เป็นตัวเข้ารหัสประโยคและย่อหน้าสั้นของ Sentence Transformers แปลงข้อความแต่ละรายการเป็นเวกเตอร์หนาแน่น 384 มิติสำหรับการค้นคืน จัดกลุ่ม และความคล้ายประโยค โมเดลปรับแต่งจากโครงข่ายหลัก MiniLM-L6-H384-uncased ด้วยการเรียนรู้แบบเปรียบต่างบนคอลเล็กชันคู่ประโยคหนึ่งพันล้านคู่

#### เตรียมระเบียนที่กระชับและมีความหมาย

เลือกประโยคหรือย่อหน้าที่ควรปรากฏในผลค้นหา สำหรับคอลเล็กชัน FAQ ให้เก็บคำถามและคำอธิบายสั้นที่แยกหัวข้อ ย่อหน้าเรื่องรีเซ็ตรหัสผ่านที่ลืมควรคงขั้นตอนรีเซ็ต แทนการลดเหลือคำโดดอย่าง “บัญชี”

สำหรับบทความยาว ให้สร้างดัชนีส่วนสั้นที่เชื่อมโยงกันและเก็บตำแหน่งแหล่งที่มา ค้นคืนส่วนตัวเลือกด้วยการเปรียบเทียบเวกเตอร์คำค้นกับตัวแทนที่จัดเก็บ แล้วแสดงย่อหน้าต้นฉบับเพื่อให้ผู้อ่านตรวจคำสั่งจริงได้

#### รับตัวแทนประโยค

วิธีเข้ารหัสโดยตรงของผู้ผลิตเฉลี่ยตัวแทนโทเคนด้วย attention mask โดยตัดตำแหน่ง padding ออกจากค่าเฉลี่ย แล้วใช้ L2 normalization ขั้นตอนเหล่านี้สร้างเอ็มเบดดิงประโยคที่ใช้เปรียบเทียบ ส่วนตัวแทนโทเคนแต่ละตัวจาก transformer เบื้องล่างมีบทบาทต่างกัน

แต่ละเอาต์พุตมี 384 องค์ประกอบ ใช้เช็กพอยต์ การรวมตัวแทน และ normalization เดียวกันเมื่อสร้างคอลเล็กชันและเข้ารหัสคำค้นภายหลัง ความคล้ายโคไซน์เปรียบเทียบเวกเตอร์ผลลัพธ์ได้ ค่าความคล้ายมีประโยชน์ต่อการจัดอันดับตัวเลือกภายใต้การตั้งค่านั้น ขณะที่ข้อความต้นฉบับตัดสินว่าตัวเลือกตอบคำถามหรือไม่

#### ความยาวและขอบเขตรุ่น

ค่าเริ่มต้นที่เผยแพร่ตัดอินพุตยาวกว่า 256 หน่วย word piece หน่วย tokenizer นี้ไม่ตรงกับคำหรืออักขระทั่วไปโดยตรง เก็บเงื่อนไขสำคัญในหน่วยที่สร้างดัชนี และแบ่งขั้นตอนยาวตามขอบที่มีความหมายก่อนเข้ารหัส

ลำดับฝึกจำกัดไว้ที่ 128 โทเคน การตั้งค่าฝึกนั้นแยกจากค่าเริ่มต้น 256 หน่วย word piece สำหรับเข้ารหัส สำหรับย่อหน้าที่ยาวหรือเฉพาะทางเป็นพิเศษ ให้ใช้ตัวอย่างคำค้นกับย่อหน้าที่เป็นตัวแทนเพื่อประเมินพฤติกรรมค้นคืน แทนการสมมติว่าการพอดีขอบอินพุตรับประกันว่าทุกรายละเอียดถูกปฏิบัติเท่ากัน

รุ่น L6-v2 ที่ตรงนี้เป็นโปรไฟล์เอ็มเบดดิงภาษาอังกฤษ รุ่น L12-v2 และ paraphrase-MiniLM มีตัวตนโมเดลและการกำหนดค่าแยกกัน ชื่อ MiniLM ร่วมหรือเอาต์พุต 384 มิติไม่ได้ยืนยันว่าเวกเตอร์สลับใช้แทนกันได้

#### การค้นหา ความคล้าย และจัดกลุ่ม

สำหรับตรวจคำถามซ้ำ ให้ค้นคำถามคล้ายกันและเปรียบเทียบถ้อยคำจริงก่อนรวมระเบียน “ฉันรีเซ็ตรหัสผ่านของตัวเองได้ไหม” กับ “ผู้ดูแลระบบรีเซ็ตรหัสผ่านของผู้ใช้อื่นได้ไหม” เป็นหัวข้อเกี่ยวข้องแต่สิทธิ์ต่างกัน รักษาความต่างในข้อความที่จะเข้ารหัสและในขั้นตอนตรวจ

สำหรับการจัดกลุ่ม ใช้เอ็มเบดดิงเป็นอินพุตเชิงตัวเลขของกระบวนการรวมกลุ่ม แล้วตรวจระเบียนที่เป็นตัวแทนก่อนตั้งชื่อกลุ่ม โมเดลนี้ให้เวกเตอร์ แทนป้ายกลุ่มเป็นข้อความหรือคำตอบ FAQ ที่สร้างขึ้น ผลที่มีประโยชน์คือตัวแทนกระชับของย่อหน้าต้นฉบับสั้นที่ยังเชื่อมกับระเบียนเดิม

**Ailoot Ultra · เอ็มเบดดิง** `POST /v1/embeddings` `sentence-transformers/all-minilm-l6-v2`

[`sentence-transformers/all-minilm-l6-v2`](https://ailoot.ai/models/th/#m=sentence-transformers%2Fall-minilm-l6-v2&route=Ultra&caller=sentence-transformers%2Fall-minilm-l6-v2&fmt=embeddings)

Sentence Transformers /`sentence-transformers/all-minilm-l6-v2`

### เริ่มต้น

Sentence Transformers all-MiniLM-L6-v2 แทนประโยคและย่อหน้าสั้นเป็นเวกเตอร์ 384 มิติสำหรับการค้นหาเชิงความหมาย จัดกลุ่ม และความคล้าย วิธีที่เผยแพร่รวมการรวมตัวแทนแบบเฉลี่ยกับ L2 normalization และค่าเริ่มต้น 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-l6-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-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
```

```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-l6-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-l6-v2`](https://ailoot.ai/models/th/#m=sentence-transformers%2Fall-minilm-l6-v2&route=Ultra&caller=sentence-transformers%2Fall-minilm-l6-v2&fmt=embeddings)

#### ชื่อพาธเมธอดอื่น

ใช้พาธเมธอดที่แสดงด้านบน

#### ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล

[`sentence-transformers/all-minilm-l6-v2`](https://ailoot.ai/models/th/#m=sentence-transformers%2Fall-minilm-l6-v2&route=Ultra&caller=sentence-transformers%2Fall-minilm-l6-v2&fmt=embeddings)

FAQ · Sentence Transformers: all-MiniLM-L6-v2

มีอินพุตและผลลัพธ์ใดบ้าง?

`POST /v1/embeddings` · `sentence-transformers/all-minilm-l6-v2`: `text`, `token_ids` → `embedding`

คำขอใช้ฟิลด์ใดบ้าง?

`POST /v1/embeddings` · `sentence-transformers/all-minilm-l6-v2`: `model`, `input`, `encoding_format`, `provider`

มีข้อจำกัดใดบ้าง?

`POST /v1/embeddings` · `sentence-transformers/all-minilm-l6-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