Source: https://ailoot.ai/models/el/sentence-transformers-all-mpnet-base-v2/
Canonical: https://ailoot.ai/models/el/sentence-transformers-all-mpnet-base-v2/
Language: el

# Sentence Transformers: all-mpnet-base-v2

[Markdown](https://ailoot.ai/models/el/sentence-transformers-all-mpnet-base-v2/index.md) · [JSON](https://ailoot.ai/models/el/sentence-transformers-all-mpnet-base-v2/facts.json)

## [Sentence Transformers: all-mpnet-base-v2](https://ailoot.ai/models/el/sentence-transformers-all-mpnet-base-v2/)

Το Sentence Transformers all-mpnet-base-v2 μετατρέπει προτάσεις και σύντομες παραγράφους σε διανύσματα 768 διαστάσεων για ανάκτηση, ομαδοποίηση και ομοιότητα. Η δημοσιευμένη συνταγή χρησιμοποιεί mean pooling και κανονικοποίηση L2, με προεπιλεγμένη περικοπή στα 384 τμήματα λέξεων.

- [**Ailoot Ultra · Διανυσματικές αναπαραστάσεις** `POST /v1/embeddings` `sentence-transformers/all-mpnet-base-v2`](https://ailoot.ai/models/el/sentence-transformers-all-mpnet-base-v2/#method-0)

Σχετικά με το μοντέλο

Αυτή η περιγραφή καλύπτει τις δυνατότητες του μοντέλου. Οι είσοδοι, έξοδοι και επιλογές που διατίθενται στο Ailoot παρατίθενται παρακάτω για την επιλεγμένη μέθοδο.

Το all-mpnet-base-v2 είναι μοντέλο Sentence Transformers για αναπαράσταση προτάσεων και σύντομων παραγράφων ως πυκνών διανυσμάτων 768 διαστάσεων. Προσαρμόστηκε με λεπτομερή ρύθμιση από το βασικό μοντέλο MPNet, με αντιθετική μάθηση σε συλλογή ενός δισεκατομμυρίου ζευγών προτάσεων. Ο κατασκευαστής προσδιορίζει ανάκτηση πληροφοριών, ομαδοποίηση και ομοιότητα προτάσεων ως προβλεπόμενες χρήσεις.

#### Κωδικοποιήστε μια πρόταση ή σύντομη παράγραφο

Προετοιμάστε το κείμενο που πρέπει να συγκριθεί, κρατώντας την κύρια ιδέα και τις λεπτομέρειες που το διακρίνουν. Για μια εσωτερική συλλογή εγγράφων, μια σύντομη ενότητα μπορεί να περιγράφει πώς ζητείται αντικατάσταση εξοπλισμού ή ποιες πληροφορίες πρέπει να περιέχει μια αναφορά συντήρησης. Κρατήστε τον τίτλο εγγράφου και τη θέση πηγής διαθέσιμα μαζί με το διάνυσμα.

Ένα ερώτημα με embedding από το ίδιο μοντέλο μπορεί να ανακτά σχετικές ενότητες ακόμη και όταν διαφέρει η διατύπωσή τους. Εξετάστε αυτές τις ενότητες για την πραγματική οδηγία που χρειάζεται ο αναγνώστης. Για μια ροή ομοιότητας, συγκρίνετε τις ίδιες τις υποψήφιες προτάσεις μετά την ανάκτηση, ιδιαίτερα όταν η μία περιλαμβάνει εξαίρεση ή συνθήκη που απουσιάζει από την άλλη.

#### Mean pooling και κανονικοποίηση

Το παράδειγμα κωδικοποίησης αναφοράς υπολογίζει μέσο όρο των αναπαραστάσεων tokens βάσει συμφραζομένων με τη μάσκα προσοχής, αποκλείοντας το padding από τον μέσο όρο. Έπειτα εφαρμόζει κανονικοποίηση L2 στα embeddings προτάσεων που προκύπτουν. Διατηρήστε και τα δύο βήματα όταν παράγετε διανύσματα για συλλογή και μεταγενέστερα ερωτήματα.

Κάθε διάνυσμα έχει 768 συνιστώσες. Η ομοιότητα συνημιτόνου μπορεί να συγκρίνει αυτές τις κανονικοποιημένες αναπαραστάσεις, ενώ το κείμενο πηγής παρέχει τα στοιχεία πίσω από ένα αποτέλεσμα. Το κοινό πλήθος συνιστωσών δεν κάνει αυτό το μοντέλο συμβατό με το multi-qa-mpnet-base-dot-v1: εκείνη η χωριστή έκδοση προσδιορίζει CLS pooling και μη κανονικοποιημένα διανύσματα για βαθμολόγηση με εσωτερικό γινόμενο.

#### Προεπιλεγμένη περικοπή και προετοιμασία αποσπασμάτων

Ο κατασκευαστής δηλώνει ότι είσοδος πέρα από 384 τμήματα λέξεων, ή word pieces, περικόπτεται από προεπιλογή. Κρατήστε τη σχετική ενότητα μέσα σε αυτό το όριο του tokenizer. Για μια μεγάλη διαδικασία, διαιρέστε σε ουσιαστικά όρια ενοτήτων και συμπεριλάβετε επαρκές τοπικό πλαίσιο για να εξηγείται πού εφαρμόζεται ένα βήμα. Ένα τμήμα όπως «Υποβολή εντός πέντε ημερών» χρειάζεται το γεγονός ή τη διαδικασία που ξεκινά την προθεσμία.

Η διαδικασία εκπαίδευσης περιόριζε τις ακολουθίες στα 128 tokens, κάτι χωριστό από τη δημοσιευμένη προεπιλογή κωδικοποίησης 384 τμημάτων λέξεων. Χρησιμοποιήστε αντιπροσωπευτικό υλικό όταν αξιολογείτε μεγαλύτερες παραγράφους ή λεξιλόγιο ειδικό για τη συλλογή σας. Το ότι χωρά περισσότερο κείμενο στην είσοδο δεν αποδεικνύει ότι κάθε λεπτομέρεια θα επηρεάζει εξίσου ένα αποτέλεσμα ανάκτησης.

#### Ανάκτηση, ομαδοποίηση και σύγκριση

Για αναζήτηση, κρατήστε τη σύνδεση διανύσματος και εγγράφου ώστε οι καταταγμένοι υποψήφιοι να μπορούν να επιστρέφουν τις αρχικές ενότητες. Σε μια ροή RAG, οι επιλεγμένες ενότητες γίνονται πλαίσιο για το στάδιο σύνταξης απάντησης. Το μοντέλο παρέχει αριθμητικές αναπαραστάσεις· δεν παράγει απάντηση με τεκμηριωμένες πηγές ούτε αποφασίζει ποιο έγγραφο πρέπει να θεωρείται έγκυρη πηγή αναφοράς.

Για ομαδοποίηση, συγκρίνετε τις εγγραφές κάθε προτεινόμενης ομάδας πριν αποδώσετε ετικέτες. Ένα σύνολο σημειώσεων συντήρησης μπορεί να περιέχει παρόμοια γλώσσα αλλά να αφορά διαφορετικές συσκευές ή συνθήκες αστοχίας. Συμπεριλάβετε αυτές τις διακριτικές λεπτομέρειες στο κωδικοποιημένο κείμενο και εξετάστε τες στο επιστρεφόμενο υλικό αντί να βασίζεστε μόνο σε βαθμολογία.

Αυτό το ακριβές checkpoint all-mpnet-base-v2 είναι αγγλικό προφίλ embeddings προτάσεων με τις δικές του ρυθμίσεις mean pooling, κανονικοποίησης και προεπιλεγμένης περικοπής. Κρατήστε αυτές τις ρυθμίσεις μαζί με την ευρετηριασμένη συλλογή και χρησιμοποιήστε τα διανύσματα ως βοήθημα εύρεσης και σύγκρισης των αποσπασμάτων πηγής που έχουν σημασία για την εργασία.

**Ailoot Ultra · Διανυσματικές αναπαραστάσεις** `POST /v1/embeddings` `sentence-transformers/all-mpnet-base-v2`

[`sentence-transformers/all-mpnet-base-v2`](https://ailoot.ai/models/el/#m=sentence-transformers%2Fall-mpnet-base-v2&route=Ultra&caller=sentence-transformers%2Fall-mpnet-base-v2&fmt=embeddings)

Sentence Transformers /`sentence-transformers/all-mpnet-base-v2`

### Εισαγωγή

Το Sentence Transformers all-mpnet-base-v2 μετατρέπει προτάσεις και σύντομες παραγράφους σε διανύσματα 768 διαστάσεων για ανάκτηση, ομαδοποίηση και ομοιότητα. Η δημοσιευμένη συνταγή χρησιμοποιεί mean pooling και κανονικοποίηση L2, με προεπιλεγμένη περικοπή στα 384 τμήματα λέξεων.

Αποδεκτές είσοδοι

Κείμενο · token\_ids

Αποτελέσματα

embedding

### Διαθέσιμα στο Ailoot · είσοδοι και μέθοδοι

**Ailoot Ultra · Διανυσματικές αναπαραστάσεις** `POST /v1/embeddings`

Είσοδος

`text`, `token_ids`

Έξοδος

`embedding`

Μορφή εξόδου

json

| Πεδίο | Τύπος | Απαίτηση | Τιμές και όρια | Προεπιλογή |
| --- | --- | --- | --- | --- |
| Πεδίο`model` | Τύπος`string` | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια sentence-transformers/all-mpnet-base-v2 | Προεπιλογή— |
| Πεδίο`input` | Τύπος`string\|string[]\|integer[]\|integer[][]` | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια Ελάχιστο πλήθος στοιχείων: 1 Συνθήκες: Μη κενή ομοιογενής παρτίδα. Τα ID των token είναι μη αρνητικοί ακέραιοι. Προϋπολογισμός εισόδου: Μέγιστο: 512 · Μονάδα κειμένου: byte UTF8 · Μονάδα token: στοιχεία πίνακα token | Προεπιλογή— |
| Πεδίο`encoding_format` | Τύπος`string` | ΑπαίτησηΠροαιρετικό | Τιμές και όρια float | Προεπιλογήfloat |
| Πεδίο`dimensions` | Τύπος`integer` | ΑπαίτησηΔεν υποστηρίζεται | Τιμές και όρια Ελάχιστο: 1 | Προεπιλογή— |
| Πεδίο`user` | Τύπος`json_value` | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Συνθήκες: Η πηγή επιτρέπει αυτό το πεδίο μεταδεδομένων JSON· η ακριβής σημασιολογία του ανάντη συστήματος εξαρτάται από το μοντέλο. | Προεπιλογή— |
| Πεδίο`session_id` | Τύπος`json_value` | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Συνθήκες: Η πηγή επιτρέπει αυτό το πεδίο μεταδεδομένων JSON· η ακριβής σημασιολογία του ανάντη συστήματος εξαρτάται από το μοντέλο. | Προεπιλογή— |
| Πεδίο`trace` | Τύπος`json_value` | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Συνθήκες: Η πηγή επιτρέπει αυτό το πεδίο μεταδεδομένων JSON· η ακριβής σημασιολογία του ανάντη συστήματος εξαρτάται από το μοντέλο. | Προεπιλογή— |
| Πεδίο`provider` | Τύπος`object` | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Συνθήκες: Το provider.options απορρίφθηκε | Προεπιλογή— |

Συνδυασμοί υλικών εισόδου

**text\_to\_embedding**

Παράμετροι και κύκλος ζωής μεθόδου

| Παράμετρος | Σύμβαση |
| --- | --- |
| Παράμετρος`content_type` | Σύμβασηapplication/json |
| Παράμετρος`required` | Σύμβασηmodel, input |
| Παράμετρος`input_shapes` | Σύμβασηstring, string\[\], nonnegative\_integer\_token\_array, nonnegative\_integer\_token\_array\[\] |
| Παράμετρος`encoding_format` | Σύμβασηfloat |
| Παράμετρος`dimensions_override` | Σύμβασηfalse |
| Παράμετρος`max_input_budget_units` | Σύμβαση512 |
| Παράμετρος`multimodal_objects` | Σύμβασηfalse |
| Παράμετρος`material_types` | Σύμβασηtext, token\_ids |

Κύκλος ζωής: `synchronous_json`

Διατηρήστε τον δείκτη και τη διάσταση κάθε διανύσματος.

Το όνομα πολυτροπικού μοντέλου δεν επιτρέπει αντικείμενα εικόνας σε αυτήν ακριβώς τη διαδρομή.

### Τιμολόγηση

Οι τιμολογιακές αναφορές δεν προσθέτουν επιλογές αιτήματος. Οι υποστηριζόμενες παράμετροι αναφέρονται στην επιλεγμένη μέθοδο.

Γρήγορη λειτουργία

Δεν έχει οριστεί Όταν επιλέγεται η γρήγορη λειτουργία

Λειτουργία flex

Δεν έχει οριστεί Όταν επιλέγεται η λειτουργία flex

Μέγιστη προσπάθεια συλλογισμού

Δεν έχει οριστεί Όταν η μέγιστη προσπάθεια συλλογισμού χρησιμοποιεί την προσαρμογή default

#### Χρεώσεις Ailoot

#### Τιμές ανά διαμόρφωση

| Διαμόρφωση | Πίνακας χρεώσεων | Χρέωση |
| --- | --- | --- |
| ΔιαμόρφωσηΒασικές χρεώσεις ανά token | Πίνακας χρεώσεωνΒασική χρέωση | Χρέωση Είσοδος · Token εισόδου **$0.00001** / 1K token Έξοδος · Token εξόδου **$0** / 1K token Είσοδος · Ανάγνωση από την κρυφή μνήμη **—** / 1K token Είσοδος · Εγγραφή στην κρυφή μνήμη **—** / 1K token Είσοδος · Εγγραφή στην κρυφή μνήμη, 1 ώρα **—** / 1K token |

Το Ailoot δεσμεύει ένα εκτιμώμενο ποσό πριν από το αίτημα. Μετά το αποτέλεσμα, εκκαθαρίζει την τελική χρέωση βάσει της μετρημένης χρήσης. Η εκκαθάριση ροής χρησιμοποιεί την τελική καταγραφή χρήσης. [Πώς λειτουργούν η δέσμευση και η εκκαθάριση →](https://ailoot.ai/docs/el/billing/reserve/)

### Παραδείγματα αιτημάτων

#### Ailoot Ultra · Διανυσματικές αναπαραστάσεις

curlPython SDK

```bash
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "sentence-transformers/all-mpnet-base-v2", "input": ["First document", "Second document"]}')

Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
r=json.loads(Path("result.json").read_text())
for x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))
PY_RESULT
```

```python
from openai import OpenAI
import os

client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)
result=client.embeddings.create(model='sentence-transformers/all-mpnet-base-v2',input=["First document","Second document"])
print(result)
for item in result.data:print(item.index,item.embedding)
```

### Λήψη και αποθήκευση αποτελεσμάτων

#### Ailoot Ultra · Διανυσματικές αναπαραστάσεις

json

##### Διατηρήστε όλα τα ολοκληρωμένα αποτελέσματα

Διατηρήστε κάθε πλήρη απάντηση, αρχείο και τμήμα περιεχομένου που επιστρέφεται.

Διατηρήστε κάθε διάνυσμα με τον δείκτη του. Το πλήθος των διανυσμάτων πρέπει να ισούται με το πλήθος των στοιχείων εισόδου· οι διαστάσεις πρέπει να είναι συνεπείς.

##### Αν χρειάζεται έλεγχος της αρχικής απάντησης

Δεν εισάγεται endpoint εργασιών ενσωμάτωσης.

Πεδία απάντησης

| Πεδίο | Τύπος |
| --- | --- |
| Πεδίο`object` | Τύποςstring |
| Πεδίο`model` | Τύποςstring |
| Πεδίο`data[].index` | Τύποςinteger |
| Πεδίο`data[].embedding` | Τύποςfinite float\[\] |
| Πεδίο`usage` | Τύποςobject |

Σφάλματα και επόμενα βήματα

| Απάντηση | Συνθήκη | Επόμενο βήμα |
| --- | --- | --- |
| Απάντηση400 · `invalid_request_error` | ΣυνθήκηΜη έγκυρα υποχρεωτικά πεδία, μη έγκυρη αναπαράσταση υλικού ή μη έγκυρη τιμή παραμέτρου | Επόμενο βήμαΔιορθώστε τα υποδεικνυόμενα πεδία πριν από νέο αίτημα δημιουργίας. |

### Εναλλακτικά ονόματα

#### Εναλλακτικά ονόματα μοντέλου

**Ailoot Ultra** [`sentence-transformers/all-mpnet-base-v2`](https://ailoot.ai/models/el/#m=sentence-transformers%2Fall-mpnet-base-v2&route=Ultra&caller=sentence-transformers%2Fall-mpnet-base-v2&fmt=embeddings)

#### Εναλλακτικές διαδρομές μεθόδων

Χρησιμοποιήστε τις διαδρομές μεθόδων που εμφανίζονται παραπάνω.

#### Σχετικά ID μοντέλων

[`sentence-transformers/all-mpnet-base-v2`](https://ailoot.ai/models/el/#m=sentence-transformers%2Fall-mpnet-base-v2&route=Ultra&caller=sentence-transformers%2Fall-mpnet-base-v2&fmt=embeddings)

FAQ · Sentence Transformers: all-mpnet-base-v2

Ποιες είσοδοι και αποτελέσματα διατίθενται;

`POST /v1/embeddings` · `sentence-transformers/all-mpnet-base-v2`: `text`, `token_ids` → `embedding`

Ποια πεδία χρησιμοποιεί το αίτημα;

`POST /v1/embeddings` · `sentence-transformers/all-mpnet-base-v2`: `model`, `input`, `encoding_format`, `provider`

Ποια όρια ισχύουν;

`POST /v1/embeddings` · `sentence-transformers/all-mpnet-base-v2`: `input.budget.maximum`: `512` (byte UTF8); `input.min_items`: `1`

Συνδέστε το Ailoot με Claude Code, OpenCode, Hermes ή τη δική σας εφαρμογή.

## Η εταιρεία και το χαρτοφυλάκιο έργων της

Η εταιρεία και το χαρτοφυλάκιο έργων της: εκατομμύρια πελάτες· μηνιαίες πωλήσεις δισεκατομμυρίων.

## Αγοράστε token με έκπτωση.

Έκπτωση συνδρομής για τακτική χρήση. Προωθητικοί κωδικοί — έως 50% στην αγορά token.

Συνδρομή

Επιλέξτε πρόγραμμα με έκπτωση για τα τακτικά αιτήματά σας.

Προωθητικός κωδικός έως 50%

Εισαγάγετε τον κωδικό στην αγορά. Η τιμή επανυπολογίζεται σύμφωνα με την ενεργή προσφορά.

Δαπάνες στο ιστορικό

Μοντέλο, token και ποσό αποθηκεύονται για κάθε αίτημα.

[Επιλέξτε συνδρομή](https://ailoot.ai/docs/el/billing/subscriptions/) · [Δείτε τιμές μοντέλων](https://ailoot.ai/models/el/)

## Συνδέστε το API με το προϊόν που πουλάτε.

SaaS, εφαρμογές και bot — σύμφωνα με τη δημόσια προσφορά και τη σύμβαση άδειας χρήσης Ailoot. Για μεταπώληση ζητήστε σχετική άδεια.

Εμπορική εφαρμογή

Ενσωματώστε δημιουργία κειμένου, εικόνων, βίντεο και ήχου στις πληρωμένες λειτουργίες της υπηρεσίας σας.

Άδεια για μεταπωλητή

Στείλτε περιγραφή έργου και τρόπο πρόσβασης. Ζητήστε γραπτούς όρους χρήσης και μεταπώλησης.

Έγγραφα στον ιστότοπο

Δημόσια προσφορά, σύμβαση άδειας χρήσης και πολιτική επεξεργασίας δεδομένων είναι διαθέσιμες πριν τη σύνδεση.

[Ζητήστε άδεια μεταπώλησης](mailto:support@ailoot.ai) · [Δημόσια προσφορά και σύμβαση άδειας χρήσης](https://ailoot.ai/legal/offer?lang=el)

## Ailoot · Η εταιρεία και το χαρτοφυλάκιο έργων της





Η Ailoot στηρίζεται στη συσσωρευμένη λειτουργική εμπειρία, τη μεγάλη πελατειακή βάση, τη σταθερή εξυπηρέτηση και τον συνεχή έλεγχο KPI.





Η εταιρεία και το χαρτοφυλάκιο έργων της: εκατομμύρια πελάτες· μηνιαίες πωλήσεις δισεκατομμυρίων.





Η Ailoot αξιοποιεί αυτή τη λειτουργική εμπειρία για πρόσβαση μέσω API σε λειτουργίες AI στα προϊόντα, τους πράκτορες, τις εφαρμογές και τους αυτοματισμούς των πελατών.