Sentence Transformers: paraphrase-MiniLM-L6-v2

Sentence Transformers: paraphrase-MiniLM-L6-v2 to model embeddingowy od Sentence Transformers, wymieniony na api14 w kategorii embeddings. To kompaktowy model oparty na MiniLM, którego zadaniem jest zamiana tekstu na wektory, a nie generowanie tekstu. Zarejestrowana dla niego data wydania przez dostawcę to 2025-11-18.

Model przyjmuje tekst jako dane wejściowe i zwraca embeddingi jako dane wyjściowe. Przekształca zdania i krótkie akapity w 384-wymiarową gęstą przestrzeń wektorową, tworząc embeddingi semantyczne zoptymalizowane pod wykrywanie parafraz, ocenę podobieństwa semantycznego, grupowanie i lekkie wyszukiwanie. Jego długość kontekstu wynosi 512 tokenów, a maksymalne wyjście to 460. Nie ma innych modalności wejściowych ani wyjściowych: nie przyjmuje obrazów, dźwięku ani plików i nie generuje uzupełnień czatu ani dowolnego tekstu.

Te możliwości wskazują na dość konkretny zestaw zastosowań. Ponieważ wektory są trenowane tak, aby umieszczać parafrazy blisko siebie, model nadaje się do oceny podobieństwa semantycznego, gdzie porównuje się dwa fragmenty tekstu i potrzebna jest liczba odzwierciedlająca znaczenie, a nie pokrywanie się słów. Sprawdza się w wykrywaniu parafraz, grupowaniu zdań lub krótkich akapitów w grupy tematyczne oraz w lekkim wyszukiwaniu, gdzie osadza się zapytanie i zestaw kandydatów na fragmenty, a następnie szereguje fragmenty według odległości. Deduplikacja niemal identycznych wpisów, grupowanie zgłoszeń pomocy technicznej lub opinii oraz budowanie małego indeksu wyszukiwania semantycznego po krótkich dokumentach to naturalne zastosowania. Kontekst 512 tokenów oznacza, że każde wejście powinno być zdaniem lub krótkim akapitem, a nie długim dokumentem; dłuższy materiał trzeba podzielić na fragmenty przed osadzeniem.

Wywołuje się go przez zgodne z OpenAI API api14, używając identyfikatora modelu "sentence-transformers/paraphrase-minilm-l6-v2". Ponieważ endpoint ma kształt zgodny z embeddings OpenAI, wysyła się tekst jako input i odczytuje wektor z odpowiedzi. Model nie wymienia żadnych obsługiwanych parametrów, więc nie ma dodatkowych opcji próbkowania ani generowania do ustawienia; należy ograniczyć żądanie do identyfikatora modelu i tekstu wejściowego. Tabela aktualnych cen na tej stronie obejmuje wszelkie szczegóły rozliczeń.

Głównym ograniczeniem, które trzeba uwzględnić w planowaniu, jest kontekst 512 tokenów. Jeśli dane wejściowe to długie dokumenty albo potrzebny jest wygenerowany tekst, a nie wektory, ten model nie jest właściwym wyborem i lepiej pasowałby model generowania tekstu. Do pracy z embeddingami na poziomie zdań i krótkich akapitów jest to mała i bezpośrednia opcja.