All MiniLM L6 V2
нейросеть
All MiniLM L6 V2 — модель эмбеддингов, которая переводит предложения и короткие абзацы в 384-мерные векторы для семантического поиска.
Характеристики
- Входные данные
- текст
- Результат
- векторы (эмбеддинги)
- Размер контекста
- 512 токенов
- Размерность вектора
- 384
Стоимость промпта
(за 1M токенов)
Как работает All MiniLM L6 V2?
All MiniLM L6 V2 отображает предложения и короткие абзацы в плотное векторное пространство размерностью 384, давая компактные представления для поиска по смыслу, кластеризации и ранжирования. Компактная размерность снижает объём индекса и ускоряет поиск ближайших соседей в Qdrant, pgvector, FAISS и других векторных БД. В BotHub модель подключается через единый OpenAI-совместимый API вместе с остальными 250+ моделями, доступ открыт без VPN и зарубежной карты, оплата в рублях по факту за токены. Используйте её для RAG-конвейеров над базой знаний, дедупликации и кластеризации тикетов, семантического поиска по документации, подбора похожих товаров и классификации коротких текстов.Частые вопросы о All MiniLM L6 V2
Вы можете использовать результаты генерации в коммерческих целях. Все права на созданный контент принадлежат вам. Единственное ограничение: убедитесь, что в запросе не использовались защищённые авторским правом материалы третьих сторон. Ответственность за соблюдение прав на входные данные лежит на пользователе.
Это эмбеддинг-модель от sentence-transformers: она превращает текст в числовой вектор, по которому можно измерять смысловую близость. Подходит для семантического поиска, RAG-поиска по базе документов, кластеризации и дедупликации записей, классификации обращений и построения рекомендаций по смыслу, а не по точному совпадению слов.
На выходе вы получаете не текст, а массив чисел — векторное представление входного фрагмента. Окно контекста составляет 512 токенов, поэтому длинные документы заранее нарезайте на чанки. Полученные векторы складывайте в Qdrant, pgvector или другое векторное хранилище и ищите по косинусной близости.
Пошаговые рассуждения в наших данных по этой модели не отмечены, да и по своей задаче она их не предполагает: эмбеддер за один проход кодирует текст в вектор. Если в пайплайне нужны размышления и формулировка ответа, поставьте рядом текстовую модель — в BotHub они доступны в том же интерфейсе и через один API.
Вызов функций и структурированный вывод в наших данных по этой модели не отмечены. Обращение к ней идёт через единый OpenAI-совместимый API BotHub, так что ответ приходит обычным JSON с массивом векторов, который удобно сразу передавать в вашу систему индексации.
Приём других типов данных, кроме текста, в наших данных не отмечен — работайте с текстовыми фрагментами. Если нужно векторизовать содержимое картинок или записей разговоров, сначала получите текстовое описание или транскрипт подходящей моделью, а затем передайте результат сюда для индексации.
Данных о языках, на которых обучалась модель, у нас нет, поэтому надёжнее проверить качество на вашем корпусе: соберите небольшой набор запросов с известными правильными ответами и сравните выдачу. Сам доступ к BotHub работает из России без VPN и зарубежной карты, оплата в рублях.