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
0,54 ₽

Стоимость промпта

(за 1M токенов)

*Указаны цены при использовании API через ECO-провайдеров.
Пример кода и API для all-MiniLM-L12-v2 (384D)Мы предлагаем полный доступ к API OpenAI через наш сервис. Все наши конечные точки полностью соответствуют конечным точкам OpenAI, их можно использовать как с плагинами, так и при разработке собственного программного обеспечения через SDK.Создать API ключ
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();
illustaration

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.

Служба поддержкиРаботаем с 10:00 до 18:00 по МСК