All MiniLM L6 V2
Red Neuronal
All MiniLM L6 V2 es un modelo de embeddings que convierte oraciones y párrafos cortos en vectores de 384 dimensiones para búsqueda semántica.
Características
- Entrada
- texto
- Salida
- vectores (embeddings)
- Tamaño del contexto
- 512 tokens
- Dimensiones del vector
- 384
Costo del prompt
(por 1M tokens)
Cómo funciona All MiniLM L6 V2?
All MiniLM L6 V2 mapea oraciones y párrafos cortos a un espacio vectorial denso de 384 dimensiones, proporcionando representaciones compactas para búsqueda semántica, agrupación y clasificación. Su dimensión compacta reduce el tamaño del índice y acelera la búsqueda de vecinos cercanos en Qdrant, pgvector, FAISS y otras bases de datos vectoriales. En BotHub, el modelo se conecta a través de una API compatible con OpenAI junto con más de 250 modelos; el acceso está abierto sin VPN ni tarjetas extranjeras, con pago en rublos por tokens. Úselo para pipelines de RAG sobre bases de conocimiento, deduplicación y agrupación de tickets, búsqueda semántica en documentación, recomendación de productos similares y clasificación de textos cortos.Preguntas frecuentes sobre All MiniLM L6 V2
Puede usar los resultados generados con fines comerciales. Todos los derechos sobre el contenido creado le pertenecen. La única restricción: asegúrese de que la solicitud no incluya material de terceros protegido por derechos de autor. El usuario es responsable de respetar los derechos sobre los datos de entrada.
Es un modelo de embeddings de sentence-transformers: convierte texto en un vector numérico para medir la proximidad semántica. Es adecuado para búsqueda semántica, búsqueda RAG en bases de documentos, agrupación y deduplicación de registros, clasificación de tickets y creación de recomendaciones basadas en el significado, no en la coincidencia exacta de palabras.
La salida no es texto, sino una matriz de números: una representación vectorial del fragmento de entrada. La ventana de contexto es de 512 tokens, así que divida los documentos largos en fragmentos previamente. Guarde los vectores resultantes en Qdrant, pgvector u otro almacenamiento vectorial y busque por similitud de coseno.
No se ha observado razonamiento paso a paso en nuestros datos para este modelo, y su tarea no lo requiere: el embedder codifica el texto en un vector en una sola pasada. Si su pipeline requiere razonamiento y formulación de respuestas, utilice un modelo de texto junto a él; en BotHub están disponibles en la misma interfaz y a través de la misma API.
No se ha observado llamada a funciones ni salida estructurada en nuestros datos para este modelo. Se accede a través de la API de BotHub compatible con OpenAI, por lo que la respuesta llega como un JSON estándar con una matriz de vectores, fácil de integrar en su sistema de indexación.
No se ha observado la recepción de otros tipos de datos aparte de texto; trabaje con fragmentos de texto. Si necesita vectorizar el contenido de imágenes o grabaciones, primero obtenga una descripción textual o transcripción con un modelo adecuado y luego pase el resultado aquí para su indexación.
No tenemos datos sobre los idiomas en los que se entrenó el modelo, por lo que es más fiable verificar la calidad con su propio corpus: recopile un pequeño conjunto de consultas con respuestas conocidas y compare los resultados. El acceso a BotHub funciona desde Rusia sin VPN ni tarjetas extranjeras, con pago en rublos.