Sentence Transformers: paraphrase-MiniLM-L6-v2

Sentence Transformers: paraphrase-MiniLM-L6-v2 är en inbäddningsmodell från Sentence Transformers, listad på api14 under kategorin embeddings. Det är en kompakt MiniLM-baserad modell vars syfte är att omvandla text till vektorer snarare än att generera text. Utgivningsdatumet från leverantören som registrerats för den är 2025-11-18.

Modellen tar text som indata och returnerar inbäddningar som utdata. Den omvandlar meningar och korta stycken till ett 384-dimensionellt tätt vektorrum och producerar semantiska inbäddningar optimerade för parafrasdetektering, semantisk likhetspoängsättning, klustring och lättviktsåtervinning. Dess kontextlängd är 512 tokens, och den maximala utdatan är 460. Det finns inga andra indata- eller utdatamodaliteter: den tar inte bilder, ljud eller filer, och den producerar inte chattkompletteringar eller fritext.

Dessa förmågor pekar mot en ganska specifik uppsättning användningsområden. Eftersom vektorerna är tränade att placera parafraser nära varandra passar modellen för semantisk likhetspoängsättning, där du jämför två textstycken och behöver ett tal som återspeglar betydelse snarare än ordöverlappning. Den lämpar sig för parafrasdetektering, klustring av meningar eller korta stycken i grupper efter ämne, och lättviktsåtervinning, där du bäddar in en fråga och en uppsättning kandidatpassager och rangordnar passagerna efter avstånd. Deduplicering av nästan identiska poster, gruppering av supportärenden eller feedback, och att bygga ett litet semantiskt sökindex över korta dokument är alla naturliga tillämpningar. Kontexten på 512 tokens innebär att varje indata bör vara en mening eller ett kort stycke snarare än ett långt dokument; längre material behöver delas upp i bitar före inbäddning.

Du anropar den via api14:s OpenAI-kompatibla API med modell-id "sentence-transformers/paraphrase-minilm-l6-v2". Eftersom slutpunkten följer OpenAI:s inbäddningsform skickar du din text som input och läser vektorn tillbaka från svaret. Modellen listar inga stödda parametrar, så det finns inga extra alternativ för sampling eller generering att ställa in; håll begäran till modell-id och indatatexten. Den aktuella pristabellen på denna sida täcker eventuella faktureringsdetaljer.

Den främsta begränsningen att planera kring är kontexten på 512 tokens. Om dina indata är långa dokument, eller om du behöver genererad text snarare än vektorer, är denna modell inte rätt val och en textgenereringsmodell skulle passa bättre. För inbäddningsarbete på meningsnivå och korta stycken är den ett litet och direkt alternativ.