Sentence Transformers: paraphrase-MiniLM-L6-v2

Sentence Transformers : paraphrase-MiniLM-L6-v2 est un modèle d'embedding de Sentence Transformers, répertorié sur api14 dans la catégorie embeddings. C'est un modèle compact basé sur MiniLM dont le but est de transformer du texte en vecteurs plutôt que de générer du texte. La date de publication du fournisseur enregistrée pour ce modèle est le 2025-11-18.

Le modèle accepte du texte en entrée et renvoie des embeddings en sortie. Il convertit des phrases et de courts paragraphes en un espace vectoriel dense de 384 dimensions, produisant des embeddings sémantiques optimisés pour la détection de paraphrases, le calcul de similarité sémantique, le clustering et la recherche légère. Sa longueur de contexte est de 512 tokens, et la sortie maximale est de 460. Il n'y a pas d'autres modalités d'entrée ou de sortie : il ne prend pas d'images, d'audio ou de fichiers, et il ne produit pas de complétions de chat ni de texte libre.

Ces capacités correspondent à un ensemble d'usages assez spécifique. Comme les vecteurs sont entraînés à rapprocher les paraphrases, le modèle convient au calcul de similarité sémantique, où l'on compare deux textes et où l'on a besoin d'un nombre reflétant le sens plutôt que le chevauchement de mots. Il convient à la détection de paraphrases, au clustering de phrases ou de courts paragraphes en groupes par thème, et à la recherche légère, où l'on encode une requête et un ensemble de passages candidats puis classe les passages par distance. La déduplication d'entrées quasi identiques, le regroupement de tickets de support ou de retours, et la construction d'un petit index de recherche sémantique sur des documents courts sont tous des cas d'usage naturels. Le contexte de 512 tokens signifie que chaque entrée doit être une phrase ou un court paragraphe plutôt qu'un long document ; les contenus plus longs doivent être découpés en segments avant l'embedding.

Vous l'appelez via l'API compatible OpenAI d'api14 en utilisant l'identifiant de modèle "sentence-transformers/paraphrase-minilm-l6-v2". Comme le point d'accès suit la forme des embeddings OpenAI, vous envoyez votre texte comme input et récupérez le vecteur dans la réponse. Le modèle ne liste aucun paramètre pris en charge, il n'y a donc aucune option supplémentaire d'échantillonnage ou de génération à définir ; limitez la requête à l'identifiant de modèle et au texte d'entrée. Le tableau des tarifs en direct sur cette page couvre tous les détails de facturation.

La principale contrainte à anticiper est le contexte de 512 tokens. Si vos entrées sont de longs documents, ou si vous avez besoin de texte généré plutôt que de vecteurs, ce modèle n'est pas le bon choix et un modèle de génération de texte conviendrait mieux. Pour un travail d'embedding au niveau de la phrase et de courts paragraphes, c'est une option petite et directe.