paraphrase-MiniLM-L6-v2
нейросеть
paraphrase-MiniLM-L6-v2 преобразует предложения и короткие абзацы в 384‑мерные плотные векторы. Модель оптимизирована для обнаружения парафразов, оценки семантической близости, кластеризации и лёгковесного поиска/извлечения. Быстрая и компактная — подходит для ранжирования, дедупликации и масштабируемых приложений, доступна через BotHub.
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: 'paraphrase-minilm-l6-v2',
input: 'The food was delicious and the waiter...',
encoding_format: 'float'
});
const embedding = response.data[0].embedding;
console.log(embedding);
}main();
Как работает paraphrase-MiniLM-L6-v2?
Генерируйте эмбеддинги для поиска и анализа — доступно в BotHub.Частые вопросы о paraphrase-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.
Paraphrase MiniLM L6 v2 преобразует текст в семантические эмбеддинги и подходит для поиска по смыслу, выявления парафразов и дубликатов, кластеризации и RAG‑пайплайнов. Модель удобна там, где нужен компактный вектор для работы в векторных БД.
Модель возвращает плотные числовые векторы фиксированной размерности, готовые для сравнения по косинусному или евклидову расстоянию. Формат вывода — массив чисел (вектор признаков), который удобно хранить в векторных БД вроде Qdrant или pgvector и использовать в поиске.
В наших данных не отмечено, что модель выполняет рассуждения перед выводом. Paraphrase MiniLM L6 v2 предназначена для генерации эмбеддингов, а не для пошаговой аргументации; сложные логические рассуждения лучше реализовывать поверх векторных представлений.
В наших данных не отмечено поддержание function calling или структурированного JSON‑вывода. Модель возвращает эмбеддинги как числовые массивы; формирование JSON или вызов функций следует реализовывать на стороне клиента или в слое приложения над эмбеддингами.
В наших данных не отмечено приёма изображений, аудио или видео. Paraphrase MiniLM L6 v2 ориентирована на текстовые входы; для мультимодальных эмбеддингов используйте специализированные модели, а интеграцию файловых входов реализуйте на уровне предобработки.
Модель создаёт семантические векторы для текстов, но в наших данных нет явной информации о качестве на русском. Практическая точность зависит от корпуса и задач: тестируйте на своих данных и при необходимости дообучайте или выбирайте мультиязычные эмбеддинги.