Sentence Transformers: paraphrase-MiniLM-L6-v2

Sentence Transformers: paraphrase-MiniLM-L6-v2 ist ein Embedding-Modell von Sentence Transformers, das auf api14 in der Kategorie Embeddings gelistet ist. Es ist ein kompaktes Modell auf MiniLM-Basis, dessen Zweck es ist, Text in Vektoren umzuwandeln, statt Text zu generieren. Das für es erfasste Veröffentlichungsdatum des Anbieters ist der 18.11.2025.

Das Modell akzeptiert Text als Eingabe und gibt Embeddings als Ausgabe zurück. Es wandelt Sätze und kurze Absätze in einen 384-dimensionalen dichten Vektorraum um und erzeugt semantische Embeddings, die für Paraphrasenerkennung, semantische Ähnlichkeitsbewertung, Clustering und leichtgewichtiges Retrieval optimiert sind. Seine Kontextlänge beträgt 512 Token, und die maximale Ausgabe ist 460. Es gibt keine weiteren Eingabe- oder Ausgabemodalitäten: Es nimmt keine Bilder, Audiodaten oder Dateien entgegen, und es erzeugt keine Chat-Completions oder Freitext.

Diese Fähigkeiten deuten auf eine ziemlich spezifische Gruppe von Anwendungen hin. Da die Vektoren darauf trainiert sind, Paraphrasen nahe beieinander zu platzieren, eignet sich das Modell für die semantische Ähnlichkeitsbewertung, bei der Sie zwei Textstücke vergleichen und eine Zahl benötigen, die Bedeutung statt Wortüberschneidung widerspiegelt. Es eignet sich für Paraphrasenerkennung, das Clustering von Sätzen oder kurzen Absätzen in Gruppen nach Thema und leichtgewichtiges Retrieval, bei dem Sie eine Anfrage und eine Menge von Kandidatenpassagen einbetten und die Passagen nach Distanz ordnen. Deduplizierung nahezu identischer Einträge, Gruppierung von Support-Tickets oder Feedback und der Aufbau eines kleinen semantischen Suchindex über kurze Dokumente passen alle gut dazu. Der Kontext von 512 Token bedeutet, dass jede Eingabe ein Satz oder ein kurzer Absatz sein sollte, statt eines langen Dokuments; längeres Material muss vor dem Einbetten in Abschnitte aufgeteilt werden.

Sie rufen es über die OpenAI-kompatible API von api14 mit der Modell-ID "sentence-transformers/paraphrase-minilm-l6-v2" auf. Da der Endpunkt der OpenAI-Embeddings-Form folgt, senden Sie Ihren Text als Eingabe und lesen den Vektor aus der Antwort zurück. Das Modell listet keine unterstützten Parameter auf, es gibt also keine zusätzlichen Sampling- oder Generierungsoptionen zum Festlegen; beschränken Sie die Anfrage auf die Modell-ID und den Eingabetext. Die Live-Preistabelle auf dieser Seite deckt alle Abrechnungsdetails ab.

Die wichtigste Einschränkung, die Sie einplanen sollten, ist der Kontext von 512 Token. Wenn Ihre Eingaben lange Dokumente sind oder wenn Sie generierten Text statt Vektoren benötigen, ist dieses Modell nicht die richtige Wahl, und ein Textgenerierungsmodell würde besser passen. Für Embedding-Arbeit auf Satzebene und bei kurzen Absätzen ist es eine kleine und direkte Option.