Sentence Transformers: paraphrase-MiniLM-L6-v2

Sentence Transformers: paraphrase-MiniLM-L6-v2 is een embeddingmodel van Sentence Transformers, vermeld op api14 onder de categorie embeddings. Het is een compact model op basis van MiniLM met als doel tekst om te zetten in vectoren in plaats van tekst te genereren. De geregistreerde releasedatum van de provider is 2025-11-18.

Het model accepteert tekst als invoer en retourneert embeddings als uitvoer. Het zet zinnen en korte alinea's om in een 384-dimensionale dichte vectorruimte en produceert semantische embeddings die zijn geoptimaliseerd voor parafrase-detectie, semantische gelijkenisscores, clustering en lichtgewicht retrieval. De contextlengte is 512 tokens en de maximale uitvoer is 460. Er zijn geen andere invoer- of uitvoermodaliteiten: het neemt geen afbeeldingen, audio of bestanden aan en het produceert geen chatcompletions of vrije tekst.

Die mogelijkheden wijzen op een vrij specifieke set toepassingen. Omdat de vectoren zijn getraind om parafrasen dicht bij elkaar te plaatsen, past het model bij semantische gelijkenisscores, waarbij je twee stukken tekst vergelijkt en een getal nodig hebt dat betekenis weerspiegelt in plaats van woordoverlap. Het is geschikt voor parafrase-detectie, het clusteren van zinnen of korte alinea's in groepen op onderwerp, en lichtgewicht retrieval, waarbij je een query en een set kandidaat-passages embedt en de passages rangschikt op afstand. Deduplicatie van bijna-identieke items, het groeperen van supporttickets of feedback, en het bouwen van een kleine semantische zoekindex over korte documenten passen allemaal goed. De context van 512 tokens betekent dat elke invoer een zin of een korte alinea moet zijn in plaats van een lang document; langer materiaal moet in stukken worden opgedeeld voordat het wordt ge-embed.

Je roept het aan via de OpenAI-compatibele API van api14 met het model-id "sentence-transformers/paraphrase-minilm-l6-v2". Omdat het endpoint de OpenAI embeddings-vorm volgt, stuur je je tekst als input en lees je de vector terug uit de response. Het model vermeldt geen ondersteunde parameters, dus er zijn geen extra sampling- of generatie-opties in te stellen; houd het verzoek bij het model-id en de invoertekst. De live prijstabel op deze pagina dekt alle factureringsdetails.

De belangrijkste beperking om rekening mee te houden is de context van 512 tokens. Als je invoer lange documenten betreft, of als je gegenereerde tekst nodig hebt in plaats van vectoren, is dit model niet de juiste keuze en past een tekstgeneratiemodel beter. Voor embeddingwerk op zinsniveau en korte alinea's is het een kleine en directe optie.