Sentence Transformers: all-MiniLM-L12-v2

Sentence Transformers: all-MiniLM-L12-v2 adalah model embedding dari Sentence Transformers, yang didistribusikan melalui api14 dengan model id sentence-transformers/all-minilm-l12-v2. Model ini termasuk dalam kategori embeddings, jadi tugasnya bukan menghasilkan balasan chat melainkan mengubah teks menjadi vektor yang dapat Anda simpan, bandingkan, dan telusuri. Tanggal rilis provider yang tercatat untuknya adalah 2025-11-18.

Model ini menerima teks sebagai satu-satunya input dan mengembalikan embeddings sebagai satu-satunya output. Model ini memetakan kalimat dan paragraf pendek ke ruang vektor dense 384 dimensi, yang membuat vektornya cukup ringkas untuk disimpan dalam jumlah besar namun tetap membawa makna semantik. Context window-nya adalah 512 token, dan output maksimumnya adalah 460. Karena inputnya teks dan outputnya vektor, tidak ada respons bahasa alami yang perlu diurai; Anda mendapatkan representasi numerik yang dapat langsung digunakan di pipeline Anda sendiri.

Karakteristik tersebut mengarah pada serangkaian use case yang cukup spesifik. Semantic search adalah yang paling jelas: embed dokumen Anda sekali, embed query saat request, lalu urutkan berdasarkan kemiripan vektor. Pendekatan yang sama berlaku untuk clustering, di mana Anda mengelompokkan kalimat atau paragraf pendek yang mirip tanpa aturan yang ditulis manual. Pipeline retrieval augmented generation juga menggunakan model seperti ini untuk mengambil passage relevan sebelum meneruskannya ke model generatif. Deduplikasi, pengelompokan topik, dan pemeriksaan kemiripan antar teks pendek adalah tugas lain yang muncul dari sentence embedding 384 dimensi.

Memanggilnya melalui api14 bekerja sama seperti endpoint lain yang kompatibel dengan OpenAI. Anda mengirim request ke rute embeddings dengan field model diisi sentence-transformers/all-minilm-l12-v2 dan teks Anda di field input, menggunakan library klien dan autentikasi yang sama seperti yang sudah Anda gunakan untuk model lain di gateway tersebut. Model ini tidak mendukung parameter request tambahan, jadi tidak ada yang perlu disetel selain model id dan input itu sendiri. Jaga input tetap dalam context window 512 token, karena teks yang lebih panjang tidak akan muat.

Batasan utama yang perlu diingat adalah ini adalah model embedding, bukan generator teks. Jika Anda membutuhkan ringkasan, jawaban, atau output tertulis apa pun, model chat atau completion adalah pilihan yang tepat. Model ini juga terbatas pada input teks dan passage pendek, jadi dokumen yang sangat panjang perlu dipecah menjadi potongan sebelum di-embed. Dalam batasan tersebut, ini adalah opsi praktis untuk pekerjaan search, clustering, dan retrieval di mana vektor kecil dan perbandingan cepat menjadi penting.