Sentence Transformers: all-MiniLM-L12-v2

Sentence Transformers: all-MiniLM-L12-v2 to model embeddingów z Sentence Transformers, dystrybuowany przez api14 pod identyfikatorem modelu sentence-transformers/all-minilm-l12-v2. Należy do kategorii embeddings, więc jego zadaniem nie jest generowanie odpowiedzi czatu, lecz przekształcanie tekstu w wektory, które można przechowywać, porównywać i przeszukiwać. Podana data wydania przez dostawcę to 2025-11-18.

Model przyjmuje tekst jako jedyne dane wejściowe i zwraca embeddingi jako jedyne dane wyjściowe. Mapuje zdania i krótkie akapity do 384-wymiarowej gęstej przestrzeni wektorowej, co sprawia, że wektory są wystarczająco kompaktowe, aby przechowywać je w dużych ilościach, a jednocześnie niosą znaczenie semantyczne. Okno kontekstu wynosi 512 tokenów, a maksymalne dane wyjściowe to 460. Ponieważ dane wejściowe to tekst, a dane wyjściowe to wektor, nie ma odpowiedzi w języku naturalnym do analizowania; otrzymujesz reprezentacje numeryczne, których możesz użyć bezpośrednio we własnym potoku.

Te cechy wskazują na dość konkretny zestaw zastosowań. Wyszukiwanie semantyczne jest oczywistym przypadkiem: raz osadź swoje dokumenty, osadź zapytanie w momencie żądania i uszereguj według podobieństwa wektorów. To samo podejście działa w przypadku grupowania, gdzie grupujesz podobne zdania lub krótkie akapity bez ręcznie pisanych reguł. Potoki generowania wspomaganego wyszukiwaniem również używają tego typu modelu do pobierania odpowiednich fragmentów przed przekazaniem ich do modelu generatywnego. Deduplikacja, grupowanie tematyczne i sprawdzanie podobieństwa między krótkimi tekstami to inne zadania wynikające z 384-wymiarowego osadzania zdań.

Wywoływanie go przez api14 działa tak samo jak w przypadku każdego innego punktu końcowego zgodnego z OpenAI. Wysyłasz żądanie do trasy embeddings z polem model ustawionym na sentence-transformers/all-minilm-l12-v2 i swoim tekstem w polu input, używając tych samych bibliotek klienckich i uwierzytelniania, których już używasz dla innych modeli w bramie. Model nie obsługuje żadnych dodatkowych parametrów żądania, więc nie ma nic do dostrojenia poza identyfikatorem modelu i samym wejściem. Utrzymuj dane wejściowe w oknie kontekstu 512 tokenów, ponieważ dłuższy tekst się nie zmieści.

Głównym ograniczeniem, o którym należy pamiętać, jest to, że jest to model embeddingów, a nie generator tekstu. Jeśli potrzebujesz podsumowań, odpowiedzi lub jakiegokolwiek rodzaju tekstu wyjściowego, właściwym wyborem będzie model czatu lub uzupełniania. Jest również ograniczony do danych wejściowych tekstowych i krótkich fragmentów, więc bardzo długie dokumenty trzeba podzielić na fragmenty przed osadzeniem. W tych granicach jest praktyczną opcją do pracy związanej z wyszukiwaniem, grupowaniem i pobieraniem, gdzie liczą się małe wektory i szybkie porównania.