Sentence Transformers: all-MiniLM-L12-v2

Sentence Transformers : all-MiniLM-L12-v2 est un modèle d'embedding issu de Sentence Transformers, distribué via api14 sous l'identifiant de modèle sentence-transformers/all-minilm-l12-v2. Il appartient à la catégorie embeddings, donc son rôle n'est pas de générer des réponses de chat mais de transformer du texte en vecteurs que vous pouvez stocker, comparer et interroger. La date de publication du fournisseur indiquée pour ce modèle est le 2025-11-18.

Le modèle prend du texte comme seule entrée et renvoie des embeddings comme seule sortie. Il projette des phrases et de courts paragraphes dans un espace vectoriel dense de 384 dimensions, ce qui rend les vecteurs suffisamment compacts pour en stocker un grand nombre tout en conservant une signification sémantique. La fenêtre de contexte est de 512 tokens, et la sortie maximale est de 460. Comme l'entrée est du texte et la sortie un vecteur, il n'y a pas de réponse en langage naturel à analyser ; vous obtenez des représentations numériques que vous pouvez utiliser directement dans votre propre pipeline.

Ces caractéristiques indiquent un ensemble assez spécifique de cas d'usage. La recherche sémantique est le plus évident : intégrez vos documents une fois, intégrez la requête au moment de la demande, et classez par similarité vectorielle. La même approche fonctionne pour le clustering, où vous regroupez des phrases ou de courts paragraphes similaires sans règles écrites à la main. Les pipelines de génération augmentée par récupération utilisent aussi ce type de modèle pour récupérer les passages pertinents avant de les transmettre à un modèle génératif. La déduplication, le regroupement thématique et les vérifications de similarité entre textes courts sont d'autres tâches qui découlent d'un embedding de phrase en 384 dimensions.

L'appeler via api14 fonctionne de la même manière que n'importe quel autre endpoint compatible OpenAI. Vous envoyez une requête à la route embeddings avec le champ model défini sur sentence-transformers/all-minilm-l12-v2 et votre texte dans le champ input, en utilisant les mêmes bibliothèques clientes et la même authentification que vous utilisez déjà pour d'autres modèles sur la passerelle. Le modèle ne prend en charge aucun paramètre de requête supplémentaire, donc il n'y a rien à ajuster au-delà de l'identifiant de modèle et de l'entrée elle-même. Gardez les entrées dans la fenêtre de contexte de 512 tokens, car un texte plus long ne rentrera pas.

La principale contrainte à garder en tête est qu'il s'agit d'un modèle d'embedding, pas d'un générateur de texte. Si vous avez besoin de résumés, de réponses ou de tout type de sortie écrite, un modèle de chat ou de complétion est le bon choix à la place. Il est également limité à l'entrée texte et aux passages courts, donc les documents très longs doivent être découpés en morceaux avant l'embedding. Dans ces limites, c'est une option pratique pour les travaux de recherche, de clustering et de récupération où de petits vecteurs et des comparaisons rapides comptent.