all-mpnet-base-v2 ist ein Sentence-Transformers-Modell, das Sätze und kurze Absätze als 768-dimensionale dichte Vektoren darstellt. Es wurde ausgehend vom MPNet-Basismodell mit kontrastivem Lernen auf einer Satzsammlung mit einer Milliarde Paaren feinabgestimmt. Als vorgesehene Einsatzzwecke nennt der Hersteller Informationsabruf, Clustering und Satzähnlichkeit.
Bereiten Sie den zu vergleichenden Text vor und behalten Sie dabei die Hauptaussage und ihre unterscheidenden Details bei. In einer internen Dokumentensammlung kann ein kurzer Abschnitt beispielsweise beschreiben, wie ein Geräteaustausch beantragt wird oder welche Angaben ein Wartungsbericht enthalten muss. Halten Sie den Dokumenttitel und die Fundstelle in der Quelle neben dem Vektor verfügbar.
Eine mit demselben Modell eingebettete Anfrage kann verwandte Abschnitte auch dann abrufen, wenn sie anders formuliert sind. Prüfen Sie diese Abschnitte auf die konkrete Anweisung, die der Leser benötigt. Vergleichen Sie in einem Ähnlichkeits-Workflow nach dem Abruf die Kandidatensätze selbst, insbesondere wenn einer eine Ausnahme oder Bedingung enthält, die im anderen fehlt.
Das Referenzbeispiel zur Kodierung mittelt die kontextuellen Token-Repräsentationen mithilfe der Attention-Maske und schließt Padding aus dem Mittelwert aus. Anschließend werden die resultierenden Satz-Embeddings L2-normalisiert. Behalten Sie beide Schritte bei, wenn Sie Vektoren für eine Sammlung und für spätere Anfragen erzeugen.
Jeder Vektor hat 768 Komponenten. Die Kosinus-Ähnlichkeit kann diese normalisierten Repräsentationen vergleichen, während der Quelltext den Beleg für ein Ergebnis liefert. Die gleiche Komponentenzahl macht dieses Modell nicht kompatibel mit multi-qa-mpnet-base-dot-v1: Diese eigenständige Edition legt CLS-Pooling und nicht normalisierte Vektoren für die Bewertung per Skalarprodukt fest.
Der Hersteller gibt an, dass Eingaben über 384 Wortteile hinaus standardmäßig abgeschnitten werden. Halten Sie den relevanten Abschnitt innerhalb dieser Tokenizer-Grenze. Teilen Sie ein langes Verfahren an sinnvollen Abschnittsgrenzen und nehmen Sie genug lokalen Kontext auf, um zu erklären, worauf sich ein Schritt bezieht. Ein Fragment wie „Innerhalb von fünf Tagen einreichen“ braucht das Ereignis oder den Vorgang, mit dem die Frist beginnt.
Das Trainingsverfahren begrenzte die Sequenzen auf 128 Token; das ist unabhängig vom veröffentlichten Kodierungsstandard von 384 Wortteilen. Nutzen Sie repräsentatives Material, wenn Sie längere Absätze oder sammlungsspezifisches Vokabular bewerten. Dass mehr Text in die Eingabe passt, bedeutet nicht, dass jedes Detail ein Abrufergebnis gleichermaßen beeinflusst.
Behalten Sie für die Suche die Zuordnung zwischen Vektor und Dokument bei, damit gerankte Kandidaten die ursprünglichen Abschnitte zurückgeben können. In einem RAG-Workflow werden ausgewählte Abschnitte zum Kontext für die Stufe, die die Antwort formuliert. Das Modell liefert numerische Repräsentationen; es erzeugt keine Antwort mit Quellenangaben und entscheidet nicht, welches Dokument maßgeblich ist.
Vergleichen Sie beim Clustering die Datensätze in jeder vorgeschlagenen Gruppe, bevor Sie Bezeichnungen vergeben. Eine Reihe von Wartungsnotizen kann ähnliche Formulierungen enthalten und sich dennoch auf unterschiedliche Geräte oder Fehlerbedingungen beziehen. Nehmen Sie diese unterscheidenden Details in den kodierten Text auf und prüfen Sie sie im zurückgegebenen Material, statt sich allein auf einen Wert zu verlassen.
Genau dieser Checkpoint all-mpnet-base-v2 ist ein englischsprachiges Satz-Embedding-Profil mit eigenen Einstellungen für Mean-Pooling, Normalisierung und standardmäßiges Abschneiden. Bewahren Sie diese Einstellungen zusammen mit der indexierten Sammlung auf und nutzen Sie die Vektoren als Hilfsmittel, um die für die Aufgabe relevanten Quellpassagen zu finden und zu vergleichen.
", "aboutText": "all-mpnet-base-v2 ist ein Sentence-Transformers-Modell, das Sätze und kurze Absätze als 768-dimensionale dichte Vektoren darstellt. Es wurde ausgehend vom MPNet-Basismodell mit kontrastivem Lernen auf einer Satzsammlung mit einer Milliarde Paaren feinabgestimmt. Als vorgesehene Einsatzzwecke nennt der Hersteller Informationsabruf, Clustering und Satzähnlichkeit.\n\n### Einen Satz oder kurzen Absatz kodieren\n\nBereiten Sie den zu vergleichenden Text vor und behalten Sie dabei die Hauptaussage und ihre unterscheidenden Details bei. In einer internen Dokumentensammlung kann ein kurzer Abschnitt beispielsweise beschreiben, wie ein Geräteaustausch beantragt wird oder welche Angaben ein Wartungsbericht enthalten muss. Halten Sie den Dokumenttitel und die Fundstelle in der Quelle neben dem Vektor verfügbar.\n\nEine mit demselben Modell eingebettete Anfrage kann verwandte Abschnitte auch dann abrufen, wenn sie anders formuliert sind. Prüfen Sie diese Abschnitte auf die konkrete Anweisung, die der Leser benötigt. Vergleichen Sie in einem Ähnlichkeits-Workflow nach dem Abruf die Kandidatensätze selbst, insbesondere wenn einer eine Ausnahme oder Bedingung enthält, die im anderen fehlt.\n\n### Mean-Pooling und Normalisierung\n\nDas Referenzbeispiel zur Kodierung mittelt die kontextuellen Token-Repräsentationen mithilfe der Attention-Maske und schließt Padding aus dem Mittelwert aus. Anschließend werden die resultierenden Satz-Embeddings L2-normalisiert. Behalten Sie beide Schritte bei, wenn Sie Vektoren für eine Sammlung und für spätere Anfragen erzeugen.\n\nJeder Vektor hat 768 Komponenten. Die Kosinus-Ähnlichkeit kann diese normalisierten Repräsentationen vergleichen, während der Quelltext den Beleg für ein Ergebnis liefert. Die gleiche Komponentenzahl macht dieses Modell nicht kompatibel mit multi-qa-mpnet-base-dot-v1: Diese eigenständige Edition legt CLS-Pooling und nicht normalisierte Vektoren für die Bewertung per Skalarprodukt fest.\n\n### Standardmäßiges Abschneiden und Vorbereitung von Passagen\n\nDer Hersteller gibt an, dass Eingaben über 384 Wortteile hinaus standardmäßig abgeschnitten werden. Halten Sie den relevanten Abschnitt innerhalb dieser Tokenizer-Grenze. Teilen Sie ein langes Verfahren an sinnvollen Abschnittsgrenzen und nehmen Sie genug lokalen Kontext auf, um zu erklären, worauf sich ein Schritt bezieht. Ein Fragment wie „Innerhalb von fünf Tagen einreichen“ braucht das Ereignis oder den Vorgang, mit dem die Frist beginnt.\n\nDas Trainingsverfahren begrenzte die Sequenzen auf 128 Token; das ist unabhängig vom veröffentlichten Kodierungsstandard von 384 Wortteilen. Nutzen Sie repräsentatives Material, wenn Sie längere Absätze oder sammlungsspezifisches Vokabular bewerten. Dass mehr Text in die Eingabe passt, bedeutet nicht, dass jedes Detail ein Abrufergebnis gleichermaßen beeinflusst.\n\n### Abruf, Gruppierung und Vergleich\n\nBehalten Sie für die Suche die Zuordnung zwischen Vektor und Dokument bei, damit gerankte Kandidaten die ursprünglichen Abschnitte zurückgeben können. In einem RAG-Workflow werden ausgewählte Abschnitte zum Kontext für die Stufe, die die Antwort formuliert. Das Modell liefert numerische Repräsentationen; es erzeugt keine Antwort mit Quellenangaben und entscheidet nicht, welches Dokument maßgeblich ist.\n\nVergleichen Sie beim Clustering die Datensätze in jeder vorgeschlagenen Gruppe, bevor Sie Bezeichnungen vergeben. Eine Reihe von Wartungsnotizen kann ähnliche Formulierungen enthalten und sich dennoch auf unterschiedliche Geräte oder Fehlerbedingungen beziehen. Nehmen Sie diese unterscheidenden Details in den kodierten Text auf und prüfen Sie sie im zurückgegebenen Material, statt sich allein auf einen Wert zu verlassen.\n\nGenau dieser Checkpoint all-mpnet-base-v2 ist ein englischsprachiges Satz-Embedding-Profil mit eigenen Einstellungen für Mean-Pooling, Normalisierung und standardmäßiges Abschneiden. Bewahren Sie diese Einstellungen zusammen mit der indexierten Sammlung auf und nutzen Sie die Vektoren als Hilfsmittel, um die für die Aufgabe relevanten Quellpassagen zu finden und zu vergleichen.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "31dcd5909248d36d8e28229ea8a474b2b4b92a8e1e35d31b90faa06ec26bf8d4", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de", "methods": [ { "html": "sentence-transformers/all-mpnet-base-v2Sentence Transformers all-mpnet-base-v2 wandelt Sätze und kurze Absätze in 768-dimensionale Vektoren für Abruf, Clustering und Ähnlichkeitsvergleiche um. Das veröffentlichte Rezept nutzt Mean-Pooling und L2-Normalisierung; standardmäßig wird bei 384 Wortteilen abgeschnitten.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
all-mpnet-base-v2 ist ein Sentence-Transformers-Modell, das Sätze und kurze Absätze als 768-dimensionale dichte Vektoren darstellt. Es wurde ausgehend vom MPNet-Basismodell mit kontrastivem Lernen auf einer Satzsammlung mit einer Milliarde Paaren feinabgestimmt. Als vorgesehene Einsatzzwecke nennt der Hersteller Informationsabruf, Clustering und Satzähnlichkeit.
Bereiten Sie den zu vergleichenden Text vor und behalten Sie dabei die Hauptaussage und ihre unterscheidenden Details bei. In einer internen Dokumentensammlung kann ein kurzer Abschnitt beispielsweise beschreiben, wie ein Geräteaustausch beantragt wird oder welche Angaben ein Wartungsbericht enthalten muss. Halten Sie den Dokumenttitel und die Fundstelle in der Quelle neben dem Vektor verfügbar.
Eine mit demselben Modell eingebettete Anfrage kann verwandte Abschnitte auch dann abrufen, wenn sie anders formuliert sind. Prüfen Sie diese Abschnitte auf die konkrete Anweisung, die der Leser benötigt. Vergleichen Sie in einem Ähnlichkeits-Workflow nach dem Abruf die Kandidatensätze selbst, insbesondere wenn einer eine Ausnahme oder Bedingung enthält, die im anderen fehlt.
Das Referenzbeispiel zur Kodierung mittelt die kontextuellen Token-Repräsentationen mithilfe der Attention-Maske und schließt Padding aus dem Mittelwert aus. Anschließend werden die resultierenden Satz-Embeddings L2-normalisiert. Behalten Sie beide Schritte bei, wenn Sie Vektoren für eine Sammlung und für spätere Anfragen erzeugen.
Jeder Vektor hat 768 Komponenten. Die Kosinus-Ähnlichkeit kann diese normalisierten Repräsentationen vergleichen, während der Quelltext den Beleg für ein Ergebnis liefert. Die gleiche Komponentenzahl macht dieses Modell nicht kompatibel mit multi-qa-mpnet-base-dot-v1: Diese eigenständige Edition legt CLS-Pooling und nicht normalisierte Vektoren für die Bewertung per Skalarprodukt fest.
Der Hersteller gibt an, dass Eingaben über 384 Wortteile hinaus standardmäßig abgeschnitten werden. Halten Sie den relevanten Abschnitt innerhalb dieser Tokenizer-Grenze. Teilen Sie ein langes Verfahren an sinnvollen Abschnittsgrenzen und nehmen Sie genug lokalen Kontext auf, um zu erklären, worauf sich ein Schritt bezieht. Ein Fragment wie „Innerhalb von fünf Tagen einreichen“ braucht das Ereignis oder den Vorgang, mit dem die Frist beginnt.
Das Trainingsverfahren begrenzte die Sequenzen auf 128 Token; das ist unabhängig vom veröffentlichten Kodierungsstandard von 384 Wortteilen. Nutzen Sie repräsentatives Material, wenn Sie längere Absätze oder sammlungsspezifisches Vokabular bewerten. Dass mehr Text in die Eingabe passt, bedeutet nicht, dass jedes Detail ein Abrufergebnis gleichermaßen beeinflusst.
Behalten Sie für die Suche die Zuordnung zwischen Vektor und Dokument bei, damit gerankte Kandidaten die ursprünglichen Abschnitte zurückgeben können. In einem RAG-Workflow werden ausgewählte Abschnitte zum Kontext für die Stufe, die die Antwort formuliert. Das Modell liefert numerische Repräsentationen; es erzeugt keine Antwort mit Quellenangaben und entscheidet nicht, welches Dokument maßgeblich ist.
Vergleichen Sie beim Clustering die Datensätze in jeder vorgeschlagenen Gruppe, bevor Sie Bezeichnungen vergeben. Eine Reihe von Wartungsnotizen kann ähnliche Formulierungen enthalten und sich dennoch auf unterschiedliche Geräte oder Fehlerbedingungen beziehen. Nehmen Sie diese unterscheidenden Details in den kodierten Text auf und prüfen Sie sie im zurückgegebenen Material, statt sich allein auf einen Wert zu verlassen.
Genau dieser Checkpoint all-mpnet-base-v2 ist ein englischsprachiges Satz-Embedding-Profil mit eigenen Einstellungen für Mean-Pooling, Normalisierung und standardmäßiges Abschneiden. Bewahren Sie diese Einstellungen zusammen mit der indexierten Sammlung auf und nutzen Sie die Vektoren als Hilfsmittel, um die für die Aufgabe relevanten Quellpassagen zu finden und zu vergleichen.
POST /v1/embeddingstext, token_idsembedding| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits sentence-transformers/all-mpnet-base-v2 | Standard— |
Feldinput | Typstring|string[]|integer[]|integer[][] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 Bedingungen: Nicht leerer, homogener Batch. Token-IDs sind nichtnegative Ganzzahlen. Eingabebudget: Maximum: 512 · Texteinheit: UTF8-Bytes · Tokeneinheit: Elemente des Token-Arrays | Standard— |
Feldencoding_format | Typstring | AnforderungOptional | Werte und Limits float | Standardfloat |
Felddimensions | Typinteger | AnforderungNicht unterstützt | Werte und Limits Minimum: 1 | Standard— |
Felduser | Typjson_value | AnforderungOptional | Werte und Limits Bedingungen: Der Quellcode erlaubt dieses JSON-Metadatenfeld; die genaue Semantik beim vorgelagerten Anbieter ist modellspezifisch. | Standard— |
Feldsession_id | Typjson_value | AnforderungOptional | Werte und Limits Bedingungen: Der Quellcode erlaubt dieses JSON-Metadatenfeld; die genaue Semantik beim vorgelagerten Anbieter ist modellspezifisch. | Standard— |
Feldtrace | Typjson_value | AnforderungOptional | Werte und Limits Bedingungen: Der Quellcode erlaubt dieses JSON-Metadatenfeld; die genaue Semantik beim vorgelagerten Anbieter ist modellspezifisch. | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options abgelehnt | Standard— |
text_to_embedding
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, input |
Parameterinput_shapes | Vertragstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parameterencoding_format | Vertragfloat |
Parameterdimensions_override | Vertragfalse |
Parametermax_input_budget_units | Vertrag512 |
Parametermultimodal_objects | Vertragfalse |
Parametermaterial_types | Vertragtext, token_ids |
Lebenszyklus: synchronous_json
Jeden Vektorindex und jede Dimension beibehalten.
Ein multimodaler Modellname erlaubt auf genau diesem Pfad keine Bildobjekte.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.00001 / 1K Token Ausgabe · Ausgabetoken $0 / 1K Token Eingabe · Cache-Lesen — / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${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
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Jeden Vektor mit seinem Index beibehalten. Die Anzahl der Vektoren muss der Anzahl der Eingaben entsprechen; die Dimensionen müssen konsistent sein.
Es wird kein Endpunkt für Embedding-Aufträge eingeführt.
| Feld | Typ |
|---|---|
Feldobject | Typstring |
Feldmodel | Typstring |
Felddata[].index | Typinteger |
Felddata[].embedding | Typfinite float[] |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra sentence-transformers/all-mpnet-base-v2
Verwenden Sie die oben angezeigten Methodenpfade.