Paraphrase MiniLM L6 V2
Réseau Neuronal
Paraphrase MiniLM L6 v2 est un modèle d'embeddings qui transforme les phrases et courts paragraphes en vecteurs de 384 dimensions.
Caractéristiques
- Entrée
- texte
- Sortie
- vecteurs (embeddings)
- Taille du contexte
- 512 tokens
- Dimensions du vecteur
- 384
Coût du prompt
(par 1M tokens)
Comment ça marche Paraphrase MiniLM L6 V2?
Paraphrase MiniLM L6 v2 encode les phrases et courts paragraphes en vecteurs denses de 384 dimensions, optimisés pour la recherche de paraphrases, l'évaluation de la similarité sémantique, le clustering et la recherche en base de données. Sa dimension compacte économise la mémoire de stockage vectoriel et accélère les résultats. Sur BotHub, le modèle fonctionne via une API compatible OpenAI, sans VPN ni carte étrangère, avec un paiement à l'usage. Changer d'embedder ne nécessite pas de réécrire l'intégration. Connectez-le à Qdrant ou pgvector pour le RAG, construisez une recherche sémantique sur la documentation et les tickets, regroupez les avis, et trouvez des doublons ou des entrées similaires dans votre base de connaissances.Questions fréquentes sur Paraphrase 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 permettant de mesurer la similarité sémantique. Adapté à la recherche sémantique, au RAG sur base de connaissances, au clustering de requêtes, à la déduplication et à la recherche de paraphrases. Il ne génère pas de texte.
En sortie, vous obtenez non pas du texte, mais un tableau de nombres de dimension fixe — un vecteur compact facile à stocker et indexer dans Qdrant, pgvector, FAISS ou autre stockage vectoriel. La fenêtre d'entrée est de 512 tokens, découpez donc les longs documents en segments au préalable.
Le mode de raisonnement étape par étape n'est pas indiqué pour ce modèle, et il n'est pas nécessaire pour sa tâche : la requête est encodée en vecteur en un seul passage. Si une chaîne de raisonnement est nécessaire, connectez un modèle textuel raisonnant dans la même fenêtre BotHub.
L'appel de fonctions et la sortie structurée ne sont pas indiqués pour ce modèle. Cependant, la réponse de l'API arrive sous forme de structure JSON standard avec un tableau d'embeddings, facilitant l'intégration dans un pipeline via l'endpoint BotHub compatible OpenAI.
La prise en charge d'autres modalités que le texte n'est pas indiquée — vectorisez des fragments de texte. Si votre projet nécessite des images ou de l'audio, des modèles spécialisés sont disponibles sur BotHub, et vous pouvez basculer vers eux sans réécrire l'intégration, avec la même clé API.
Nous ne publions pas de données sur la couverture linguistique spécifique de cette version, il est donc préférable de vérifier la qualité sur un corpus russe vous-même : testez votre échantillon et comparez les métriques de recherche avec un autre modèle d'embeddings. Sur BotHub, vous payez à l'usage pour les tokens, sans abonnement.