Sentence Transformers: paraphrase-MiniLM-L6-v2

Sentence Transformers: paraphrase-MiniLM-L6-v2 es un modelo de embeddings de Sentence Transformers, listado en api14 dentro de la categoría embeddings. Es un modelo compacto basado en MiniLM cuyo propósito es convertir texto en vectores en lugar de generar texto. La fecha de lanzamiento del proveedor registrada para él es 2025-11-18.

El modelo acepta texto como entrada y devuelve embeddings como salida. Convierte oraciones y párrafos cortos en un espacio vectorial denso de 384 dimensiones, produciendo embeddings semánticos optimizados para la detección de paráfrasis, la puntuación de similitud semántica, el clustering y la recuperación ligera. Su longitud de contexto es de 512 tokens, y la salida máxima es 460. No hay otras modalidades de entrada o salida: no acepta imágenes, audio ni archivos, y no produce chat completions ni texto libre.

Esas capacidades apuntan a un conjunto de usos bastante específico. Como los vectores están entrenados para colocar las paráfrasis cerca unas de otras, el modelo encaja en la puntuación de similitud semántica, donde se comparan dos fragmentos de texto y se necesita un número que refleje el significado en lugar de la coincidencia de palabras. Es adecuado para la detección de paráfrasis, el clustering de oraciones o párrafos cortos en grupos por tema, y la recuperación ligera, donde se embebe una consulta y un conjunto de pasajes candidatos y se clasifican los pasajes por distancia. La deduplicación de entradas casi idénticas, la agrupación de tickets de soporte o comentarios, y la construcción de un pequeño índice de búsqueda semántica sobre documentos cortos son aplicaciones naturales. El contexto de 512 tokens significa que cada entrada debe ser una oración o un párrafo corto en lugar de un documento largo; el material más largo debe dividirse en fragmentos antes de embeberlo.

Se llama a través de la API compatible con OpenAI de api14 usando el id de modelo "sentence-transformers/paraphrase-minilm-l6-v2". Como el endpoint sigue la forma de embeddings de OpenAI, se envía el texto como input y se lee el vector de vuelta desde la respuesta. El modelo no lista parámetros soportados, así que no hay opciones adicionales de muestreo o generación que configurar; mantén la solicitud con el id de modelo y el texto de entrada. La tabla de precios en vivo de esta página cubre cualquier detalle de facturación.

La principal restricción a tener en cuenta es el contexto de 512 tokens. Si tus entradas son documentos largos, o si necesitas texto generado en lugar de vectores, este modelo no es la elección correcta y un modelo de generación de texto encajaría mejor. Para trabajo de embeddings a nivel de oración y párrafos cortos, es una opción pequeña y directa.