Sentence Transformers: paraphrase-MiniLM-L6-v2

Sentence Transformers: paraphrase-MiniLM-L6-v2 è un modello di embedding di Sentence Transformers, elencato su api14 nella categoria embeddings. È un modello compatto basato su MiniLM il cui scopo è trasformare il testo in vettori anziché generare testo. La data di rilascio del provider registrata per esso è 2025-11-18.

Il modello accetta testo come input e restituisce embedding come output. Converte frasi e paragrafi brevi in uno spazio vettoriale denso a 384 dimensioni, producendo embedding semantici ottimizzati per il rilevamento di parafrasi, il punteggio di similarità semantica, il clustering e il recupero leggero. La sua lunghezza di contesto è di 512 token, e l'output massimo è 460. Non ci sono altre modalità di input o output: non accetta immagini, audio o file, e non produce completamenti chat o testo libero.

Queste capacità indicano un insieme di utilizzi piuttosto specifico. Poiché i vettori sono addestrati a collocare le parafrasi vicine tra loro, il modello si adatta al punteggio di similarità semantica, dove si confrontano due testi e serve un numero che rifletta il significato anziché la sovrapposizione di parole. Si presta al rilevamento di parafrasi, al clustering di frasi o paragrafi brevi in gruppi per argomento, e al recupero leggero, dove si codificano una query e un insieme di passaggi candidati e si classificano i passaggi per distanza. La deduplicazione di voci quasi identiche, il raggruppamento di ticket di supporto o feedback, e la costruzione di un piccolo indice di ricerca semantica su documenti brevi sono tutti casi d'uso naturali. Il contesto di 512 token significa che ogni input dovrebbe essere una frase o un paragrafo breve anziché un documento lungo; il materiale più lungo deve essere suddiviso in blocchi prima dell'embedding.

Lo si chiama tramite l'API compatibile con OpenAI di api14 usando l'id del modello "sentence-transformers/paraphrase-minilm-l6-v2". Poiché l'endpoint segue la forma degli embedding OpenAI, si invia il testo come input e si legge il vettore dalla risposta. Il modello non elenca parametri supportati, quindi non ci sono opzioni extra di campionamento o generazione da impostare; si mantenga la richiesta all'id del modello e al testo di input. La tabella dei prezzi live su questa pagina copre eventuali dettagli di fatturazione.

Il vincolo principale da considerare è il contesto di 512 token. Se gli input sono documenti lunghi, o se serve testo generato anziché vettori, questo modello non è la scelta giusta e un modello di generazione di testo si adatterebbe meglio. Per il lavoro di embedding a livello di frase e di paragrafi brevi, è un'opzione piccola e diretta.