All MiniLM L6 V2
Réseau Neuronal
All MiniLM L6 V2 est un modèle d'embeddings convertissant 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 L6 V2?
All MiniLM L6 V2 projette les phrases et courts paragraphes dans un espace vectoriel dense de dimension 384, offrant des représentations compactes pour la recherche sémantique, le clustering et le classement. Sa dimension réduite diminue le volume de l'index et accélère la recherche des plus proches voisins dans Qdrant, pgvector, FAISS et autres bases de données vectorielles. Sur BotHub, le modèle est accessible via une API compatible OpenAI unique avec plus de 250 autres modèles. Accès sans VPN, paiement en roubles à l'usage. Utilisez-le pour des pipelines RAG sur vos bases de connaissances, la déduplication et le clustering de tickets, la recherche sémantique dans la documentation, la recommandation de produits similaires et la classification de textes courts.Questions fréquentes sur All MiniLM L6 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 de sentence-transformers : il transforme le texte en vecteur numérique pour mesurer la proximité sémantique. Adapté à la recherche sémantique, au RAG sur documents, au clustering et à la déduplication d'enregistrements, à la classification de requêtes et aux recommandations basées sur le sens plutôt que sur la correspondance exacte des mots.
En sortie, vous obtenez non pas du texte, mais un tableau de nombres : la représentation vectorielle du fragment d'entrée. La fenêtre de contexte est de 512 tokens, découpez donc les longs documents en segments au préalable. Stockez les vecteurs obtenus dans Qdrant, pgvector ou un autre stockage vectoriel et effectuez des recherches par similarité cosinus.
Le raisonnement étape par étape n'est pas noté pour ce modèle, et sa tâche ne le prévoit pas : l'embedder encode le texte en vecteur en un seul passage. Si votre pipeline nécessite réflexion et formulation de réponse, ajoutez un modèle textuel à côté ; ils sont disponibles sur BotHub via la même interface et API.
L'appel de fonctions et la sortie structurée ne sont pas notés pour ce modèle. L'accès se fait via l'API BotHub compatible OpenAI, donc la réponse arrive sous forme de JSON standard avec un tableau de vecteurs, facile à transmettre à votre système d'indexation.
L'acceptation de types de données autres que le texte n'est pas notée ; travaillez avec des fragments textuels. Si vous devez vectoriser le contenu d'images ou d'enregistrements, obtenez d'abord une description textuelle ou une transcription avec un modèle approprié, puis transmettez le résultat ici pour indexation.
Nous n'avons pas de données sur les langues d'entraînement du modèle, il est donc plus sûr de tester la qualité sur votre propre corpus : rassemblez un petit ensemble de requêtes avec des réponses connues et comparez les résultats. L'accès à BotHub fonctionne sans VPN, paiement en roubles.