Какова размерность векторов у этой модели?

Модель all-MiniLM-L12-v2 преобразует текст в плотные векторы размерностью 384, что обеспечивает компактность хранения и быстроту поиска.

Для каких задач лучше всего подходит all-MiniLM-L12-v2 на alltokens?

Она идеально подходит для семантического поиска, определения схожести предложений и автоматической группировки (кластеризации) текстов.

Какое ограничение по длине входного текста?

Модель поддерживает контекст до 512 токенов, что делает её оптимальной для обработки предложений и коротких абзацев.

Sentence Transformers: all-MiniLM-L12-v2

SESentence-transformersОбновлено: 18 ноября 2025 г.

Компактная и быстрая модель для создания векторных представлений текста, оптимизированная для семантического поиска и кластеризации. Она преобразует предложения в 384-мерные векторы, обеспечивая отличный баланс между производительностью и качеством обработки коротких фрагментов текста.

Использовать через API

Метрики

Вход

1 ₽/M

Выход

0 ₽/M

Контекст

8k tokens

Параметры

Релиз

18 ноября 2025 г.

Поддерживаемые параметры

frequency_penaltymax_tokensmin_ppresence_penaltyrepetition_penaltyresponse_formatseedstoptemperaturetop_ktop_p

Технический обзор

Модель эмбеддингов all-MiniLM-L12-v2 преобразует предложения и короткие абзацы в 384-мерное плотное векторное пространство. Она создает эффективные и высококачественные семантические эмбеддинги, оптимизированные для таких задач, как семантический поиск, кластеризация и оценка сходства текстов.

Кодинг

Инструменты

Длинный контекст

Мультимодальность

Веб-автоматизация

Смежные подборки

Недорогие модели

Сравнение с похожими моделями

Модель

Для чего

Контекст

Цена ₽

Модель

Sentence Transformers: all-MiniLM-L12-v2Текущая

Для чего

Контекст

Цена ₽

1 / 0

Sentence Transformers: all-MiniLM-L12-v2Текущая

1 / 0

Модель

Perplexity: Embed V1 0.6B

Для чего

Обе модели ориентированы на высокую скорость работы и эффективность при создании эмбеддингов для текстовых данных.

Контекст

32k

Цена ₽

1 / 0

Perplexity: Embed V1 0.6B

32k

1 / 0

Модель

Perplexity: Embed V1 4B

Для чего

Модели решают схожие задачи семантического поиска, однако all-MiniLM-L12-v2 предлагает более компактную размерность векторов.

Контекст

32k

Цена ₽

4 / 0

Perplexity: Embed V1 4B

32k

4 / 0

Когда выбирать

Необходима высокая скорость обработки больших массивов коротких текстов
Требуется эффективное решение для задач семантического поиска и кластеризации
Важна экономия вычислительных ресурсов при сохранении качества векторных представлений

Когда не выбирать

Требуется обработка очень длинных документов, превышающих контекстное окно в 512 токенов
Необходима генерация связного текста, а не получение векторных эмбеддингов
Специфика задачи требует сверхвысокой размерности векторов для захвата тончайших нюансов