All MiniLM L12 V2
Réseau Neuronal
All MiniLM L12 V2 est un modèle d'embeddings compact qui convertit phrases et paragraphes en vecteurs 384D pour la recherche sémantique.
Caractéristiques
- Entrée
- texte
- Sortie
- vecteurs (embeddings)
- Taille du contexte
- 512 tokens
- Dimensions du vecteur
- 384
Coût du prompt
(par 1M tokens)
Comment ça marche All MiniLM L12 V2?
All MiniLM L12 V2 projette les phrases et courts paragraphes dans un espace vectoriel dense de dimension 384, produisant des embeddings compacts pour la recherche sémantique, le clustering et la comparaison de similarité textuelle. Sa faible dimension économise la mémoire d'index et accélère la recherche des plus proches voisins dans Qdrant, pgvector ou tout autre stockage vectoriel. Sur BotHub, le modèle fonctionne via une API unique compatible OpenAI : une seule clé pour tous les modèles, accès sans VPN, paiement en roubles à l'usage. Intégrez-le à un pipeline RAG sur votre base de connaissances, créez une recherche dans la documentation et les tickets de support, regroupez les avis par sujet et identifiez les doublons dans les fiches produits.Questions fréquentes sur All MiniLM L12 V2
Vous pouvez utiliser les résultats générés à des fins commerciales. Tous les droits sur le contenu créé vous appartiennent. Seule restriction : vérifiez que la requête ne contient pas de contenus protégés par le droit d'auteur appartenant à des tiers. Le respect des droits sur les données d'entrée relève de votre responsabilité.
C'est un modèle d'embeddings compact de sentence-transformers : il transforme le texte en vecteur numérique. Ces vecteurs sont nécessaires pour la recherche sémantique, le RAG sur base documentaire, le clustering, la déduplication et la classification de requêtes. Contexte par requête : jusqu'à 512 tokens, idéal pour les courts fragments.
Il ne génère ni texte ni image, mais un tableau de nombres à virgule flottante : la représentation vectorielle du fragment. Il est enregistré dans une base vectorielle comme Qdrant ou pgvector et comparé par similarité cosinus. Format de réponse standard pour les embeddings via l'API BotHub compatible OpenAI.
Le raisonnement étape par étape n'est pas applicable ici, et inutile pour des embeddings : le modèle encode le fragment en vecteur en un seul passage. Si une chaîne de réflexion est nécessaire, basculez sur un modèle textuel raisonnant dans BotHub sans changer l'intégration.
Le 'function calling' n'est pas applicable ici : ce n'est pas un modèle de chat, mais un encodeur. La réponse est structurée : un JSON avec un tableau de nombres, facile à analyser dans votre pipeline. Il est préférable de connecter les outils et fonctions au niveau du modèle textuel.
Seul le texte est pris en charge, planifiez donc votre pipeline sur des fragments textuels. Si vous devez indexer du contenu multimodal, convertissez-le d'abord en texte avec un modèle BotHub approprié, puis calculez les embeddings avec cet encodeur.
Nous n'avons pas de données sur les langues d'entraînement, vérifiez donc la qualité sur votre corpus : rassemblez un petit ensemble de requêtes et de documents de référence pour mesurer la précision. Sur BotHub, vous pouvez comparer plusieurs encodeurs via une seule API et choisir le meilleur.