Paraphrase MiniLM L6 V2
Red Neuronal
Paraphrase MiniLM L6 v2 es un modelo de embeddings que convierte oraciones y párrafos cortos en vectores de 384 dimensiones.
Características
- Entrada
- texto
- Salida
- vectores (embeddings)
- Tamaño del contexto
- 512 tokens
- Dimensiones del vector
- 384
Costo del prompt
(por 1M tokens)
Cómo funciona Paraphrase MiniLM L6 V2?
Paraphrase MiniLM L6 v2 codifica oraciones y párrafos cortos en vectores densos de 384 dimensiones, optimizados para la búsqueda de paráfrasis, evaluación de similitud semántica, agrupación y búsqueda eficiente en bases de datos. Su tamaño compacto ahorra memoria en el almacenamiento vectorial y acelera los resultados. En BotHub, el modelo funciona a través de una API compatible con OpenAI, sin necesidad de VPN ni tarjetas extranjeras, con pago en rublos según el uso. Cambiar de modelo de embedding no requiere reescribir la integración. Conéctelo a Qdrant o pgvector para RAG, cree búsquedas semánticas en documentación y tickets, agrupe reseñas y encuentre duplicados o registros similares en su base de conocimientos.Preguntas frecuentes sobre Paraphrase 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 que permite medir la similitud semántica entre fragmentos. Es adecuado para búsqueda semántica, búsqueda RAG en bases de conocimientos, agrupación de tickets, deduplicación y búsqueda de paráfrasis. No realiza generación de texto.
Como salida, no obtiene texto, sino una matriz de números de dimensión fija: un vector compacto fácil de almacenar e indexar en Qdrant, pgvector, FAISS u otro almacenamiento vectorial. La ventana de entrada es de 512 tokens, por lo que debe dividir los documentos largos en fragmentos previamente.
El modo de razonamiento paso a paso no está marcado en nuestros datos para este modelo, y no es necesario para su tarea: la consulta se codifica en un vector en una sola pasada. Si necesita una cadena de razonamiento, conecte un modelo de texto con capacidad de razonamiento en la misma ventana de BotHub.
La llamada a funciones y la salida estructurada no están marcadas en nuestros datos para este modelo. Sin embargo, la respuesta de la API llega en una estructura JSON estándar con una matriz de embeddings, por lo que es fácil integrar el modelo en un pipeline: se utiliza el endpoint unificado compatible con OpenAI de BotHub.
La recepción de otras modalidades, aparte del texto, no está marcada en nuestros datos; vectorice fragmentos de texto. Si el proyecto requiere imágenes o audio, hay modelos especializados disponibles en BotHub, y puede cambiar a ellos sin reescribir la integración, usando la misma clave API.
No publicamos datos sobre la cobertura lingüística de esta versión específica, por lo que debe verificar la calidad en el corpus en ruso por su cuenta: ejecute su muestra y compare las métricas de búsqueda con otro modelo de embedding. En BotHub, paga por uso según los tokens, sin suscripción.