Sentence Transformers: paraphrase-MiniLM-L6-v2

Sentence Transformers: paraphrase-MiniLM-L6-v2 adalah model embedding dari Sentence Transformers, terdaftar di api14 dalam kategori embeddings. Ini adalah model ringkas berbasis MiniLM yang tujuannya adalah mengubah teks menjadi vektor, bukan menghasilkan teks. Tanggal rilis penyedia yang tercatat untuknya adalah 2025-11-18.

Model ini menerima teks sebagai input dan mengembalikan embeddings sebagai output. Model ini mengonversi kalimat dan paragraf pendek menjadi ruang vektor padat 384 dimensi, menghasilkan embedding semantik yang dioptimalkan untuk deteksi parafrase, penilaian kemiripan semantik, pengelompokan, dan pengambilan ringan. Panjang konteksnya adalah 512 token, dan output maksimumnya adalah 460. Tidak ada modalitas input atau output lain: model ini tidak menerima gambar, audio, atau file, dan tidak menghasilkan chat completion atau teks bebas.

Kemampuan tersebut mengarah pada serangkaian penggunaan yang cukup spesifik. Karena vektor dilatih untuk menempatkan parafrase berdekatan, model ini cocok untuk penilaian kemiripan semantik, di mana Anda membandingkan dua potong teks dan membutuhkan angka yang mencerminkan makna, bukan tumpang tindih kata. Model ini cocok untuk deteksi parafrase, pengelompokan kalimat atau paragraf pendek ke dalam grup berdasarkan topik, dan pengambilan ringan, di mana Anda menyematkan kueri dan sekumpulan kandidat petikan lalu memberi peringkat petikan berdasarkan jarak. Deduplikasi entri yang hampir identik, pengelompokan tiket dukungan atau umpan balik, dan pembangunan indeks pencarian semantik kecil atas dokumen pendek semuanya cocok secara alami. Konteks 512 token berarti setiap input harus berupa kalimat atau paragraf pendek, bukan dokumen panjang; materi yang lebih panjang perlu dipecah menjadi potongan sebelum disematkan.

Anda memanggilnya melalui API yang kompatibel dengan OpenAI dari api14 menggunakan id model "sentence-transformers/paraphrase-minilm-l6-v2". Karena endpoint mengikuti bentuk embeddings OpenAI, Anda mengirim teks sebagai input dan membaca vektor kembali dari respons. Model ini tidak mencantumkan parameter yang didukung, jadi tidak ada opsi sampling atau generasi tambahan untuk diatur; cukup batasi permintaan pada id model dan teks input. Tabel harga langsung di halaman ini mencakup semua detail penagihan.

Batasan utama yang perlu diperhitungkan adalah konteks 512 token. Jika input Anda adalah dokumen panjang, atau jika Anda membutuhkan teks yang dihasilkan, bukan vektor, model ini bukan pilihan yang tepat dan model generasi teks akan lebih cocok. Untuk pekerjaan embedding tingkat kalimat dan paragraf pendek, ini adalah opsi yang kecil dan langsung.