Sentence Transformers: all-MiniLM-L6-v2
Sentence Transformers all-MiniLM-L6-v2 將句子與短段落表示為 384 維向量，用於語意搜尋、分群與相似度比較。公開方式結合平均池化與 L2 正規化，預設長度為 256 個 word piece。
關於模型
此說明介紹模型的能力。Ailoot 可用的輸入、輸出與選項，依所選方法列於下方。
all-MiniLM-L6-v2 是用於句子與短段落的 Sentence Transformers 編碼器。它將每段文字映射成 384 維稠密向量，用於檢索、分群與句子相似度。模型以 MiniLM-L6-H384-uncased 為主幹，透過十億組句子配對的對比學習進行微調。
準備精簡而有意義的記錄
請選擇應出現在搜尋結果中的句子或段落。FAQ 資料集合應保留問題，以及能區別主題的簡短說明。忘記密碼重設的段落應保留重設程序，不應縮減成「帳戶」這類孤立單字。
較長文章請以語意連貫的短節建立索引，並保留來源位置。比較查詢向量與已儲存表示，檢索候選章節後，請顯示原始段落，讓讀者檢視實際指示。
取得句子表示
製造商的直接編碼方式利用注意力遮罩平均 token 表示，排除填補位置的貢獻，再套用 L2 正規化。這些步驟產生比較用的句子嵌入；底層 Transformer 的個別 token 表示則有不同用途。
每個輸出有 384 個分量。建立資料集合與編碼後續查詢時，請使用相同檢查點、池化及正規化方式。產生的向量可用餘弦相似度比較。相似度值可在該設定下排列候選項，而原文才決定候選項是否回答問題。
長度與版本邊界
公開預設設定會截斷超過 256 個 word piece 的輸入。這個 tokenizer 單位不直接對應一般單字或字元。請將重要條件保留在索引單位內，並在編碼前沿有意義的邊界拆分冗長流程。
訓練序列限制為 128 token。這個訓練設定與編碼時使用的 256 個 word piece 預設值不同。遇到特別長或專業的段落，請用代表性查詢與段落例子評估檢索行為，不要假設符合輸入邊界就能保證每個細節獲得同等處理。
這個確切的 L6-v2 版本是英文嵌入規格。L12-v2 與 paraphrase-MiniLM 版本具有不同的模型識別與設定。共用 MiniLM 名稱或同為 384 維輸出，不代表向量可互換。
搜尋、相似度與分組
審查重複問題時，請先檢索相似問題，並在合併記錄前比較實際措辭。「我可以重設自己的密碼嗎？」與「管理員可以重設其他使用者的密碼嗎？」主題相關，但權限不同。請在編碼文字與審查階段保留這項區別。
分群時，請將嵌入作為分組程序的數值輸入，再檢視代表記錄後才替群組命名。模型提供向量，不提供文字群組標籤或生成的 FAQ 答案。實用結果是短篇來源段落的精簡表示，且持續連結至原始記錄。
Ailoot Ultra · 嵌入向量 POST /v1/embeddings sentence-transformers/all-minilm-l6-v2
sentence-transformers/all-minilm-l6-v2
sentence-transformers/all-minilm-l6-v2入門
Sentence Transformers all-MiniLM-L6-v2 將句子與短段落表示為 384 維向量，用於語意搜尋、分群與相似度比較。公開方式結合平均池化與 L2 正規化，預設長度為 256 個 word piece。
- 接受的輸入
- 文字 · token_ids
- 結果
- embedding
Ailoot 可用 · 輸入與方法
Ailoot Ultra · 嵌入向量 POST /v1/embeddings
- 輸入
text,token_ids- 輸出
embedding- 輸出格式
- json
| 欄位 | 類型 | 要求 | 值與限制 | 預設值 |
|---|---|---|---|---|
欄位model | 類型string | 要求必填 | 值與限制 sentence-transformers/all-minilm-l6-v2 | 預設值— |
欄位input | 類型string|string[]|integer[]|integer[][] | 要求必填 | 值與限制 項目數下限: 1 條件: 批次不得為空，且各項目類型須一致。Token ID 須為非負整數。 輸入額度： 最大值: 512 · 文字單位: UTF8 位元組 · Token 單位: token 陣列元素 | 預設值— |
欄位encoding_format | 類型string | 要求選填 | 值與限制 float | 預設值float |
欄位dimensions | 類型integer | 要求不支援 | 值與限制 最小值: 1 | 預設值— |
欄位user | 類型json_value | 要求選填 | 值與限制 條件: 來源允許此 JSON 中繼資料欄位；確切的上游語意依模型而異。 | 預設值— |
欄位session_id | 類型json_value | 要求選填 | 值與限制 條件: 來源允許此 JSON 中繼資料欄位；確切的上游語意依模型而異。 | 預設值— |
欄位trace | 類型json_value | 要求選填 | 值與限制 條件: 來源允許此 JSON 中繼資料欄位；確切的上游語意依模型而異。 | 預設值— |
欄位provider | 類型object | 要求選填 | 值與限制 條件: provider.options 遭拒絕 | 預設值— |
輸入素材組合
text_to_embedding
方法參數與生命週期
| 參數 | 規格 |
|---|---|
參數content_type | 規格application/json |
參數required | 規格model, input |
參數input_shapes | 規格string, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
參數encoding_format | 規格float |
參數dimensions_override | 規格false |
參數max_input_budget_units | 規格512 |
參數multimodal_objects | 規格false |
參數material_types | 規格text, token_ids |
生命週期： synchronous_json
保留每個向量的索引與維度。
即使模型名稱標示為多模態，此指定路徑也不接受圖片物件。
方案
費率資訊不會增加請求選項。支援的參數列於所選方法中。
- 快速模式
- 未指定 選取快速模式時
- flex 模式
- 未指定 選取 flex 模式時
- 最高推理強度
- 未指定 最高推理強度採用 default 調整值時
Ailoot 費率
各設定的價格
| 設定 | 費率表 | 費用 |
|---|---|---|
| 設定詞元基本費率 | 費率表基本費率 | 費用 輸入 · 輸入 Token $0.00001 / 1K Token 輸出 · 輸出 Token $0 / 1K Token 輸入 · 讀取快取 — / 1K Token 輸入 · 寫入快取 — / 1K Token 輸入 · 寫入快取，1 小時 — / 1K Token |
Ailoot 會在請求前預留估算金額。取得結果後，依實測用量結算最終費用。串流結算採用最終用量紀錄。預留金額與結算的運作方式 →
請求範例
Ailoot Ultra · 嵌入向量
set -eu
: "${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)
接收並儲存結果
Ailoot Ultra · 嵌入向量
json
保留所有已完成的結果
請保留所有完整傳回的回應、檔案與內容區塊。
保留每個向量及其索引。向量數量必須與輸入數量相同，且維度必須一致。
需要檢查原始回應時
此流程未引入嵌入向量任務端點。
回應欄位
| 欄位 | 類型 |
|---|---|
欄位object | 類型string |
欄位model | 類型string |
欄位data[].index | 類型integer |
欄位data[].embedding | 類型finite float[] |
欄位usage | 類型object |
錯誤與後續步驟
| 回應 | 條件 | 下一步 |
|---|---|---|
回應400 · invalid_request_error | 條件必要欄位、素材表示方式或參數值無效 | 下一步提出新的建立請求前，先修正指定欄位。 |
別名
模型別名
Ailoot Ultra sentence-transformers/all-minilm-l6-v2
方法路徑別名
請使用上方列出的 API 方法路徑。
相關呼叫用 ID
FAQ · Sentence Transformers: all-MiniLM-L6-v2
- 可以使用哪些輸入與結果？
POST /v1/embeddings·sentence-transformers/all-minilm-l6-v2:text,token_ids→embedding- 請求使用哪些欄位？
POST /v1/embeddings·sentence-transformers/all-minilm-l6-v2:model,input,encoding_format,provider- 適用哪些限制？
POST /v1/embeddings·sentence-transformers/all-minilm-l6-v2:input.budget.maximum:512(UTF8 位元組);input.min_items:1