Sentence Transformers: paraphrase-MiniLM-L6-v2Модель внедрения paraphrase-MiniLM-L6-v2 преобразует предложения и короткие абзацы в 384-мерное плотное векторное пространство, создавая высококачественные семантические внедрения,…Вход: Текст→Выход: Эмбеддинги18 нояб. 2025 г.512 contextЭмбеддингот1,04 ₽/M
Sentence Transformers: all-MiniLM-L12-v2Модель внедрения, полностью состоящая из MiniLM-L12-v2, отображает предложения и короткие абзацы в 384-мерное плотное векторное пространство, создавая эффективные и высококачествен…Вход: Текст→Выход: Эмбеддинги18 нояб. 2025 г.512 contextЭмбеддингот1,04 ₽/M
Sentence Transformers: multi-qa-mpnet-base-dot-v1Модель внедрения multi-qa-mpnet-base-dot-v1 преобразует предложения и короткие абзацы в 768-мерное плотное векторное пространство, генерируя высококачественные семантические внедре…Вход: Текст→Выход: Эмбеддинги18 нояб. 2025 г.512 contextЭмбеддингот1,04 ₽/M
Sentence Transformers: all-mpnet-base-v2Модель внедрения all-mpnet-base-v2 кодирует предложения и короткие абзацы в 768-мерное плотное векторное пространство, обеспечивая высокоточные семантические внедрения, хорошо подх…Вход: Текст→Выход: Эмбеддинги17 нояб. 2025 г.512 contextЭмбеддингот1,04 ₽/M
Sentence Transformers: all-MiniLM-L6-v2Модель встраивания, полностью состоящая из MiniLM-L6-v2, отображает предложения и короткие абзацы в 384-мерное плотное векторное пространство, обеспечивая высококачественные семант…Вход: Текст→Выход: Эмбеддинги17 нояб. 2025 г.512 contextЭмбеддингот1,04 ₽/M
