Для каких задач лучше всего подходит paraphrase-MiniLM-L6-v2?

Модель идеально подходит для поиска семантического сходства, определения парафраз, кластеризации коротких текстов и создания быстрых систем поиска информации через alltokens.

Какова размерность векторов у этой модели?

Модель генерирует плотные векторы размерностью 384, что обеспечивает отличный баланс между производительностью и качеством поиска.

Какое максимальное количество текста можно обработать за один раз?

Контекстное окно модели составляет 512 токенов, что позволяет эффективно обрабатывать предложения и небольшие абзацы текста.

Sentence Transformers: paraphrase-MiniLM-L6-v2

SESentence-transformersОбновлено: 18 ноября 2025 г.

Компактная и быстрая модель эмбеддингов, оптимизированная для поиска парафраз и семантического сходства. Она преобразует текст в векторы размерностью 384, обеспечивая высокую точность при минимальных вычислительных затратах.

Использовать через API

Метрики

Вход

1 ₽/M

Выход

0 ₽/M

Контекст

512 tokens

Параметры

Релиз

18 ноября 2025 г.

Поддерживаемые параметры

frequency_penaltymax_tokensmin_ppresence_penaltyrepetition_penaltyresponse_formatseedstoptemperaturetop_ktop_p

Технический обзор

Модель эмбеддингов paraphrase-MiniLM-L6-v2 преобразует предложения и короткие абзацы в 384-мерное плотное векторное пространство. Она создает высококачественные семантические эмбеддинги, оптимизированные для обнаружения парафраза, оценки семантического сходства, кластеризации и задач легковесного поиска данных.

Кодинг

Инструменты

Длинный контекст

Мультимодальность

Веб-автоматизация

Смежные подборки

Недорогие модели

Сравнение с похожими моделями

Модель

Для чего

Контекст

Цена ₽

Модель

Sentence Transformers: paraphrase-MiniLM-L6-v2Текущая

Для чего

Контекст

512

Цена ₽

1 / 0

Sentence Transformers: paraphrase-MiniLM-L6-v2Текущая

512

1 / 0

Модель

Perplexity: Embed V1 0.6B

Для чего

Обе модели ориентированы на легковесную обработку текста и эффективное создание векторных представлений в задачах поиска.

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 MiniLM-L6-v2 предлагает более компактную размерность векторов для быстрой обработки.

Контекст

32k

Цена ₽

4 / 0

Perplexity: Embed V1 4B

32k

4 / 0

Когда выбирать

Необходима высокая скорость обработки коротких текстовых фрагментов и предложений
Требуется эффективное решение для детекции парафраз и кластеризации текстов
Ресурсные ограничения требуют использования компактных векторных представлений размерностью 384

Когда не выбирать

Работа с длинными документами, превышающими контекстное окно в 512 токенов
Необходимость в генерации текста, так как модель предназначена только для создания эмбеддингов
Задачи, требующие сверхвысокой размерности векторов для захвата сложнейших нюансов