all-mpnet-base-v2 er en Sentence Transformers-model til at repræsentere sætninger og korte afsnit som tætte vektorer med 768 dimensioner. Den blev finjusteret fra MPNet-grundmodellen med kontrastiv læring på en samling på en milliard sætningspar. Producenten angiver informationsgenfinding, klyngedannelse og sætningslighed som tilsigtede anvendelser.
Forbered den tekst, der skal sammenlignes, og bevar hovedideen og dens adskillende detaljer. Ved en intern dokumentsamling kan et kort afsnit beskrive, hvordan man anmoder om udskiftning af udstyr, eller hvilke oplysninger en vedligeholdelsesrapport skal indeholde. Hold dokumenttitlen og kildeplaceringen tilgængelige ved siden af vektoren.
En forespørgsel embeddet med samme model kan genfinde relaterede afsnit, selv når deres ordlyd er forskellig. Undersøg afsnittene for den faktiske instruktion, læseren har brug for. Ved en lighedsarbejdsgang skal selve kandidatsætningerne sammenlignes efter genfinding, især når den ene indeholder en undtagelse eller betingelse, som mangler i den anden.
Referenceeksemplet på kodning beregner gennemsnittet af kontekstuelle tokenrepræsentationer med attention-masken og udelukker padding fra gennemsnittet. Derefter L2-normaliseres de resulterende sætningsembeddings. Bevar begge trin ved produktion af vektorer til en samling og til senere forespørgsler.
Hver vektor har 768 komponenter. Cosinuslighed kan sammenligne de normaliserede repræsentationer, mens kildeteksten giver evidensen bag resultatet. Det fælles komponentantal gør ikke modellen kompatibel med multi-qa-mpnet-base-dot-v1: Den særskilte udgave angiver CLS-pooling og unormaliserede vektorer til prikproduktscoring.
Producenten oplyser, at input ud over 384 orddele afkortes som standard. Hold det relevante afsnit inden for denne tokenizergrænse. Ved en lang procedure skal du opdele ved meningsfulde afsnitsgrænser og medtage tilstrækkelig lokal kontekst til at forklare, hvad et trin gælder for. Et fragment såsom »Indsend inden fem dage« kræver den hændelse eller proces, der starter fristen.
Træningsproceduren begrænsede sekvenser til 128 tokens, hvilket er adskilt fra den offentliggjorte kodningsstandard på 384 orddele. Brug repræsentativt materiale ved vurdering af længere afsnit eller ordforråd, som er særligt for din samling. At mere tekst kan være i inputtet, fastslår ikke, at hver detalje påvirker et genfindingsresultat lige meget.
Ved søgning skal tilknytningen mellem vektor og dokument bevares, så rangerede kandidater kan returnere de oprindelige afsnit. I en RAG-arbejdsgang bliver udvalgte afsnit kontekst til svarskrivningstrinnet. Modellen leverer numeriske repræsentationer; den genererer ikke et kildeunderbygget svar og afgør ikke, hvilket dokument der er autoritativt.
Ved klyngedannelse skal posterne i hver foreslået gruppe sammenlignes, før etiketter tildeles. Et sæt vedligeholdelsesnoter kan have lignende sprog, men vedrøre forskellige enheder eller fejlbetingelser. Medtag disse adskillende detaljer i den kodede tekst, og undersøg dem i det returnerede materiale frem for kun at stole på en score.
Dette præcise all-mpnet-base-v2-checkpoint er en engelsksproget profil til sætningsembeddings med sine egne indstillinger for gennemsnitspooling, normalisering og standardafkortning. Gem indstillingerne sammen med den indekserede samling, og brug vektorerne som hjælp til at finde og sammenligne de kildepassager, der er vigtige for opgaven.
", "aboutText": "all-mpnet-base-v2 er en Sentence Transformers-model til at repræsentere sætninger og korte afsnit som tætte vektorer med 768 dimensioner. Den blev finjusteret fra MPNet-grundmodellen med kontrastiv læring på en samling på en milliard sætningspar. Producenten angiver informationsgenfinding, klyngedannelse og sætningslighed som tilsigtede anvendelser.\n\n### Kod en sætning eller et kort afsnit\n\nForbered den tekst, der skal sammenlignes, og bevar hovedideen og dens adskillende detaljer. Ved en intern dokumentsamling kan et kort afsnit beskrive, hvordan man anmoder om udskiftning af udstyr, eller hvilke oplysninger en vedligeholdelsesrapport skal indeholde. Hold dokumenttitlen og kildeplaceringen tilgængelige ved siden af vektoren.\n\nEn forespørgsel embeddet med samme model kan genfinde relaterede afsnit, selv når deres ordlyd er forskellig. Undersøg afsnittene for den faktiske instruktion, læseren har brug for. Ved en lighedsarbejdsgang skal selve kandidatsætningerne sammenlignes efter genfinding, især når den ene indeholder en undtagelse eller betingelse, som mangler i den anden.\n\n### Gennemsnitspooling og normalisering\n\nReferenceeksemplet på kodning beregner gennemsnittet af kontekstuelle tokenrepræsentationer med attention-masken og udelukker padding fra gennemsnittet. Derefter L2-normaliseres de resulterende sætningsembeddings. Bevar begge trin ved produktion af vektorer til en samling og til senere forespørgsler.\n\nHver vektor har 768 komponenter. Cosinuslighed kan sammenligne de normaliserede repræsentationer, mens kildeteksten giver evidensen bag resultatet. Det fælles komponentantal gør ikke modellen kompatibel med multi-qa-mpnet-base-dot-v1: Den særskilte udgave angiver CLS-pooling og unormaliserede vektorer til prikproduktscoring.\n\n### Standardafkortning og passageforberedelse\n\nProducenten oplyser, at input ud over 384 orddele afkortes som standard. Hold det relevante afsnit inden for denne tokenizergrænse. Ved en lang procedure skal du opdele ved meningsfulde afsnitsgrænser og medtage tilstrækkelig lokal kontekst til at forklare, hvad et trin gælder for. Et fragment såsom »Indsend inden fem dage« kræver den hændelse eller proces, der starter fristen.\n\nTræningsproceduren begrænsede sekvenser til 128 tokens, hvilket er adskilt fra den offentliggjorte kodningsstandard på 384 orddele. Brug repræsentativt materiale ved vurdering af længere afsnit eller ordforråd, som er særligt for din samling. At mere tekst kan være i inputtet, fastslår ikke, at hver detalje påvirker et genfindingsresultat lige meget.\n\n### Genfinding, gruppering og sammenligning\n\nVed søgning skal tilknytningen mellem vektor og dokument bevares, så rangerede kandidater kan returnere de oprindelige afsnit. I en RAG-arbejdsgang bliver udvalgte afsnit kontekst til svarskrivningstrinnet. Modellen leverer numeriske repræsentationer; den genererer ikke et kildeunderbygget svar og afgør ikke, hvilket dokument der er autoritativt.\n\nVed klyngedannelse skal posterne i hver foreslået gruppe sammenlignes, før etiketter tildeles. Et sæt vedligeholdelsesnoter kan have lignende sprog, men vedrøre forskellige enheder eller fejlbetingelser. Medtag disse adskillende detaljer i den kodede tekst, og undersøg dem i det returnerede materiale frem for kun at stole på en score.\n\nDette præcise all-mpnet-base-v2-checkpoint er en engelsksproget profil til sætningsembeddings med sine egne indstillinger for gennemsnitspooling, normalisering og standardafkortning. Gem indstillingerne sammen med den indekserede samling, og brug vektorerne som hjælp til at finde og sammenligne de kildepassager, der er vigtige for opgaven.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "dd78f43fd7b70ae1470baac7b963e86cbd53af4790b3f16029ad63186e38898e", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "sentence-transformers/all-mpnet-base-v2Sentence Transformers all-mpnet-base-v2 omdanner sætninger og korte afsnit til 768-dimensionale vektorer til genfinding, klyngedannelse og lighed. Den offentliggjorte opskrift bruger gennemsnitspooling og L2-normalisering med standardafkortning ved 384 orddele.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
all-mpnet-base-v2 er en Sentence Transformers-model til at repræsentere sætninger og korte afsnit som tætte vektorer med 768 dimensioner. Den blev finjusteret fra MPNet-grundmodellen med kontrastiv læring på en samling på en milliard sætningspar. Producenten angiver informationsgenfinding, klyngedannelse og sætningslighed som tilsigtede anvendelser.
Forbered den tekst, der skal sammenlignes, og bevar hovedideen og dens adskillende detaljer. Ved en intern dokumentsamling kan et kort afsnit beskrive, hvordan man anmoder om udskiftning af udstyr, eller hvilke oplysninger en vedligeholdelsesrapport skal indeholde. Hold dokumenttitlen og kildeplaceringen tilgængelige ved siden af vektoren.
En forespørgsel embeddet med samme model kan genfinde relaterede afsnit, selv når deres ordlyd er forskellig. Undersøg afsnittene for den faktiske instruktion, læseren har brug for. Ved en lighedsarbejdsgang skal selve kandidatsætningerne sammenlignes efter genfinding, især når den ene indeholder en undtagelse eller betingelse, som mangler i den anden.
Referenceeksemplet på kodning beregner gennemsnittet af kontekstuelle tokenrepræsentationer med attention-masken og udelukker padding fra gennemsnittet. Derefter L2-normaliseres de resulterende sætningsembeddings. Bevar begge trin ved produktion af vektorer til en samling og til senere forespørgsler.
Hver vektor har 768 komponenter. Cosinuslighed kan sammenligne de normaliserede repræsentationer, mens kildeteksten giver evidensen bag resultatet. Det fælles komponentantal gør ikke modellen kompatibel med multi-qa-mpnet-base-dot-v1: Den særskilte udgave angiver CLS-pooling og unormaliserede vektorer til prikproduktscoring.
Producenten oplyser, at input ud over 384 orddele afkortes som standard. Hold det relevante afsnit inden for denne tokenizergrænse. Ved en lang procedure skal du opdele ved meningsfulde afsnitsgrænser og medtage tilstrækkelig lokal kontekst til at forklare, hvad et trin gælder for. Et fragment såsom »Indsend inden fem dage« kræver den hændelse eller proces, der starter fristen.
Træningsproceduren begrænsede sekvenser til 128 tokens, hvilket er adskilt fra den offentliggjorte kodningsstandard på 384 orddele. Brug repræsentativt materiale ved vurdering af længere afsnit eller ordforråd, som er særligt for din samling. At mere tekst kan være i inputtet, fastslår ikke, at hver detalje påvirker et genfindingsresultat lige meget.
Ved søgning skal tilknytningen mellem vektor og dokument bevares, så rangerede kandidater kan returnere de oprindelige afsnit. I en RAG-arbejdsgang bliver udvalgte afsnit kontekst til svarskrivningstrinnet. Modellen leverer numeriske repræsentationer; den genererer ikke et kildeunderbygget svar og afgør ikke, hvilket dokument der er autoritativt.
Ved klyngedannelse skal posterne i hver foreslået gruppe sammenlignes, før etiketter tildeles. Et sæt vedligeholdelsesnoter kan have lignende sprog, men vedrøre forskellige enheder eller fejlbetingelser. Medtag disse adskillende detaljer i den kodede tekst, og undersøg dem i det returnerede materiale frem for kun at stole på en score.
Dette præcise all-mpnet-base-v2-checkpoint er en engelsksproget profil til sætningsembeddings med sine egne indstillinger for gennemsnitspooling, normalisering og standardafkortning. Gem indstillingerne sammen med den indekserede samling, og brug vektorerne som hjælp til at finde og sammenligne de kildepassager, der er vigtige for opgaven.
POST /v1/embeddingstext, token_idsembedding| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser sentence-transformers/all-mpnet-base-v2 | Standard— |
Feltinput | Typestring|string[]|integer[]|integer[][] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 Betingelser: Ikke-tom batch med ensartede elementer. Token-ID’er er ikke-negative heltal. Inputbudget: Maksimum: 512 · Tekstenhed: UTF8-bytes · Tokenenhed: elementer i et tokenarray | Standard— |
Feltencoding_format | Typestring | KravValgfrit | Værdier og grænser float | Standardfloat |
Feltdimensions | Typeinteger | KravIkke understøttet | Værdier og grænser Minimum: 1 | Standard— |
Feltuser | Typejson_value | KravValgfrit | Værdier og grænser Betingelser: Kilden tillader dette JSON-metadatafelt; den præcise betydning hos den bagvedliggende udbyder afhænger af modellen. | Standard— |
Feltsession_id | Typejson_value | KravValgfrit | Værdier og grænser Betingelser: Kilden tillader dette JSON-metadatafelt; den præcise betydning hos den bagvedliggende udbyder afhænger af modellen. | Standard— |
Felttrace | Typejson_value | KravValgfrit | Værdier og grænser Betingelser: Kilden tillader dette JSON-metadatafelt; den præcise betydning hos den bagvedliggende udbyder afhænger af modellen. | Standard— |
Feltprovider | Typeobject | KravValgfrit | Værdier og grænser Betingelser: provider.options afvist | Standard— |
text_to_embedding
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, input |
Parameterinput_shapes | Kontraktstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parameterencoding_format | Kontraktfloat |
Parameterdimensions_override | Kontraktfalse |
Parametermax_input_budget_units | Kontrakt512 |
Parametermultimodal_objects | Kontraktfalse |
Parametermaterial_types | Kontrakttext, token_ids |
Livscyklus: synchronous_json
Gem hver vektors indeks og dimension.
Et multimodalt modelnavn giver ikke adgang til at bruge billedobjekter på denne præcise sti.
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.00001 / 1K tokens Output · Outputtokens $0 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "sentence-transformers/all-mpnet-base-v2", "input": ["First document", "Second document"]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.embeddings.create(model='sentence-transformers/all-mpnet-base-v2',input=["First document","Second document"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\njson
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Gem hver vektor med dens indeks. Antallet af vektorer skal svare til antallet af input; dimensionerne skal være ensartede.
Der indføres intet endpoint til embedding-job.
| Felt | Type |
|---|---|
Feltobject | Typestring |
Feltmodel | Typestring |
Feltdata[].index | Typeinteger |
Feltdata[].embedding | Typefinite float[] |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra sentence-transformers/all-mpnet-base-v2
Brug metodestierne vist ovenfor.