AI TOOLS RADAR
Explorer
Tous les modèles / SENTENCE-TRANSFORMERS
sentence-transformers logo
sentence-transformers

Sentence Transformers: all-MiniLM-L12-v2

The all-MiniLM-L12-v2 embedding model maps sentences and short paragraphs into a 384-dimensional dense vector space, producing efficient and high-quality semantic embeddings optimized for tasks such as semantic search, clustering, and similarity-scoring. Priced at $0.005 per M tokens. 512 token context window.

Voir la source sur OpenRouter Hugging Face
Présentation

Caractéristiques du modèle

Contexte
512 tokens
Sortie maximale
460 tokens
Architecture
text->embeddings
Tokenizer
Other
Limite des connaissances
Non indiqué
Modéré
Non
OPENROUTER

Tarification complète

Tarifs synchronisés depuis OpenRouter, par million de tokens.

Entrée
$0.005
/M tokens
API

Démarrage rapide

Appelez ce modèle via l’API compatible OpenAI d’OpenRouter.

curl https://openrouter.ai/api/v1/embeddings \
  -H "Authorization: Bearer $OPENROUTER_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model":"sentence-transformers/all-minilm-l12-v2","input":"Your text here"}'
Capacités et modalités

Entrée → Sortie

Entrée
text
Sortie
embeddings
API

Paramètres API pris en charge

frequency_penaltymax_tokensmin_ppresence_penaltyrepetition_penaltyresponse_formatseedstoptemperaturetop_ktop_p
Fournisseurs disponibles

1 Fournisseur

Fournisseurs en direct sur OpenRouter

Disponibilité, latence, débit et routage évoluent en continu. Consultez la source pour les données en temps réel.

OpenRouter

DeepInfra

unknown
Contexte
1K
Sortie maximale
0K
Entrée
$0.0050
Sortie
Gratuit
Lecture du cache
Non indiqué
Écriture du cache
Non indiqué
sentence-transformers

modèles

Tous les modèles
sentence-transformers logosentence-transformers

Sentence Transformers: paraphrase-MiniLM-L6-v2

The paraphrase-MiniLM-L6-v2 embedding model converts sentences and short paragraphs into a 384-dimensional dense vector space, producing high-quality semantic embeddings optimized for paraphrase detection, semantic similarity scoring, clustering, and lightweight retrieval...

Contexte
1K
Entrée
text
Sortie
embeddings
Entrée: $0.0050Sortie: Gratuitpar million de tokens
Voir la fiche du modèle →
sentence-transformers logosentence-transformers

Sentence Transformers: multi-qa-mpnet-base-dot-v1

The multi-qa-mpnet-base-dot-v1 embedding model transforms sentences and short paragraphs into a 768-dimensional dense vector space, generating high-quality semantic embeddings optimized for question-and-answer retrieval, semantic search, and similarity-scoring across diverse content.

Contexte
1K
Entrée
text
Sortie
embeddings
Entrée: $0.0050Sortie: Gratuitpar million de tokens
Voir la fiche du modèle →
sentence-transformers logosentence-transformers

Sentence Transformers: all-mpnet-base-v2

The all-mpnet-base-v2 embedding model encodes sentences and short paragraphs into a 768-dimensional dense vector space, providing high-fidelity semantic embeddings well suited for tasks like information retrieval, clustering, similarity scoring, and...

Contexte
1K
Entrée
text
Sortie
embeddings
Entrée: $0.0050Sortie: Gratuitpar million de tokens
Voir la fiche du modèle →
sentence-transformers logosentence-transformers

Sentence Transformers: all-MiniLM-L6-v2

The all-MiniLM-L6-v2 embedding model maps sentences and short paragraphs into a 384-dimensional dense vector space, enabling high-quality semantic representations that are ideal for downstream tasks such as information retrieval, clustering,...

Contexte
1K
Entrée
text
Sortie
embeddings
Entrée: $0.0050Sortie: Gratuitpar million de tokens
Voir la fiche du modèle →