Paraphrase MiniLM L6 V2
Rede Neural
Paraphrase MiniLM L6 v2 é um modelo de embeddings que transforma frases e parágrafos curtos em vetores de 384 dimensões.
Especificações
- Entrada
- texto
- Saída
- vetores (embeddings)
- Tamanho do contexto
- 512 tokens
- Dimensões do vetor
- 384
Custo do prompt
(por 1M tokens)
Como funciona Paraphrase MiniLM L6 V2?
O Paraphrase MiniLM L6 v2 codifica frases e parágrafos curtos em vetores densos de 384 dimensões, otimizados para busca de paráfrases, avaliação de proximidade semântica, agrupamento e busca eficiente em bases de dados. A dimensão compacta economiza memória de armazenamento vetorial e acelera os resultados. No BotHub, o modelo funciona via API compatível com OpenAI, sem necessidade de VPN ou cartão internacional, com pagamento em rublos conforme o uso. Trocar de embedder por outro do catálogo não exige reescrever a integração. Conecte-o ao Qdrant ou pgvector para RAG, crie busca semântica em documentações e tickets, agrupe avaliações e encontre duplicatas ou registros semanticamente próximos na base de conhecimento.Perguntas frequentes sobre Paraphrase MiniLM L6 V2
Você pode usar os resultados da geração para fins comerciais. Todos os direitos sobre o conteúdo criado pertencem a você. A única restrição: certifique-se de que a solicitação não inclua materiais de terceiros protegidos por direitos autorais. A responsabilidade pelo cumprimento dos direitos sobre os dados de entrada é do usuário.
É um modelo de embedding da sentence-transformers: ele transforma texto em um vetor numérico, usado para medir a proximidade semântica de fragmentos. Adequado para busca semântica, busca RAG em bases de conhecimento, agrupamento de tickets, desduplicação e busca de paráfrases. Ele não gera texto.
Na saída, você não recebe texto, mas um array de números de dimensão fixa — um vetor compacto, fácil de armazenar e indexar no Qdrant, pgvector, FAISS ou outro armazenamento vetorial. A janela de entrada é de 512 tokens, portanto, divida documentos longos em partes (chunks) com antecedência.
O modo de raciocínio passo a passo não está marcado em nossos dados para este modelo, e não é necessário para sua tarefa: a consulta é codificada em um vetor em uma única passagem. Se precisar de uma cadeia de raciocínio, conecte um modelo de texto com capacidade de raciocínio na mesma janela do BotHub.
Chamada de funções e saída estruturada não estão marcadas em nossos dados para ele. No entanto, a resposta da API chega em uma estrutura JSON padrão com um array de embeddings, facilitando a integração no pipeline: utiliza-se o endpoint único compatível com OpenAI do BotHub.
A aceitação de outras modalidades além de texto não está marcada em nossos dados — vetorize fragmentos de texto. Se o projeto precisar de imagens ou áudio, modelos especializados estão disponíveis no BotHub, e você pode alternar para eles sem reescrever a integração, usando a mesma chave de API.
Não publicamos dados sobre a cobertura linguística específica desta versão, portanto, a qualidade no corpus em russo deve ser verificada por conta própria: execute sua amostra e compare as métricas de busca com outro modelo de embedding. No BotHub, você paga pelo uso de tokens, sem assinatura.