all-MiniLM-L12-v2 (384D)
нейросеть
all-MiniLM-L12-v2 преобразует предложения и короткие абзацы в плотные 384‑мерные векторы, обеспечивая быстрые и качественные семантические эмбеддинги. Модель оптимальна для семантического поиска, кластеризации, поиска похожих фрагментов, дедупликации и построения векторных индексов. Доступна на BotHub с оплатой в рублях и без необходимости VPN.
Характеристики
- Входные данные
- текст
- Результат
- векторы (эмбеддинги)
- Размер контекста
- 512 токенов
- Размерность вектора
- 384
Стоимость промпта
(за 1M токенов)
import OpenAI from 'openai';
const openai = new OpenAI({
apiKey: '<your bothub access token>',
baseURL: 'https://openai.bothub.chat/v1'
});
async function main() {
const response = await openai.embeddings.create({
model: 'all-minilm-l12-v2',
input: 'The food was delicious and the waiter...',
encoding_format: 'float'
});
const embedding = response.data[0].embedding;
console.log(embedding);
}main();
Как работает all-MiniLM-L12-v2 (384D)?
Попробуйте all-MiniLM-L12-v2 на BotHub — быстрые и экономичные эмбеддинги для векторного поиска.Частые вопросы о all-MiniLM-L12-v2 (384D)
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.
All Minilm L12 v2 — модель эмбеддингов от sentence-transformers. Преобразует текст в векторные представления для семантического поиска, RAG, кластеризации и сопоставления похожести. Подходит для индексирования документов, поиска по смыслу и ускорения задач извлечения.
Модель возвращает числовые векторные представления (эмбеддинги) — массивы вещественных чисел, готовые для хранения в векторных БД и сравнения по косинусной близости. Конкретная размерность в наших данных не указана; входной контекст ограничен 512 токенами.
В наших данных способность к рассуждениям перед ответом не отмечена. Модели эмбеддингов обычно не формируют цепочки рассуждений: они кодируют смысл текста в векторы, а логические или пошаговые объяснения нужно строить поверх эмбеддингов в вашей системе.
В наших данных поддержка function calling и структурированного JSON-вывода не отмечена. Модель генерирует эмбеддинги, а упаковку результатов в JSON и вызов внешних функций реализуйте на клиенте или через API-обёртку, которая принимает векторы и формирует структуру.
В наших данных приём изображений, аудио или видео не отмечен. All Minilm L12 v2 предназначена для текстовых эмбеддингов: подавайте на вход текстовые фрагменты, а при необходимости объединяйте embeddings из других модальностей в вашей системе отдельно.
В наших данных конкретные оценки понимания русского языка не указаны. Эффективность зависит от обучающего корпуса и задачи; рекомендуем протестировать модель на ваших данных и эталонах. В многих сценариях эмбеддинги полезны, но итог определяется качеством данных.