Source: https://ailoot.ai/models/el/sentence-transformers-multi-qa-mpnet-base-dot-v1/
Canonical: https://ailoot.ai/models/el/sentence-transformers-multi-qa-mpnet-base-dot-v1/
Language: el

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

[Markdown](https://ailoot.ai/models/el/sentence-transformers-multi-qa-mpnet-base-dot-v1/index.md) · [JSON](https://ailoot.ai/models/el/sentence-transformers-multi-qa-mpnet-base-dot-v1/facts.json)

## [Sentence Transformers: multi-qa-mpnet-base-dot-v1](https://ailoot.ai/models/el/sentence-transformers-multi-qa-mpnet-base-dot-v1/)

Το Sentence Transformers multi-qa-mpnet-base-dot-v1 κωδικοποιεί ερωτήματα και αποσπάσματα σε διανύσματα 768 διαστάσεων για σημασιολογική αναζήτηση. Χρησιμοποιεί CLS pooling και μη κανονικοποιημένα embeddings σχεδιασμένα για βαθμολόγηση με εσωτερικό γινόμενο, με όριο εισόδου 512 τμημάτων λέξεων.

- [**Ailoot Ultra · Διανυσματικές αναπαραστάσεις** `POST /v1/embeddings` `sentence-transformers/multi-qa-mpnet-base-dot-v1`](https://ailoot.ai/models/el/sentence-transformers-multi-qa-mpnet-base-dot-v1/#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 multi-qa-mpnet-base-dot-v1 είναι μοντέλο Sentence Transformers σχεδιασμένο για ανάκτηση αποσπασμάτων κειμένου για ένα ερώτημα ή αναζήτηση. Η εκπαίδευσή του χρησιμοποίησε περίπου 215 εκατομμύρια ζεύγη ερωτήματος και απάντησης. Κάθε είσοδος γίνεται πυκνό διάνυσμα 768 διαστάσεων, με το CLS pooling και τη βαθμολόγηση με εσωτερικό γινόμενο να ορίζουν αυτή την ακριβή έκδοση.

#### Προετοιμάστε ένα ερώτημα και υποψήφια αποσπάσματα

Γράψτε το ερώτημα αναζήτησης ως ανάγκη πληροφορίας και προετοιμάστε τις εγγραφές του corpus ως ευανάγνωστα αποσπάσματα κειμένου. Για παράδειγμα, ένα ερώτημα για αλλαγή διεύθυνσης παράδοσης μπορεί να συγκριθεί με χωριστές παραγράφους για αλλαγές διεύθυνσης, ακύρωση παραγγελίας και παρακολούθηση παράδοσης. Κρατήστε τις σχετικές συνθήκες στο απόσπασμα αλλαγής διεύθυνσης, συμπεριλαμβανομένου του αν η παραγγελία έχει ήδη αποσταλεί.

Κωδικοποιήστε το ερώτημα και τα αποσπάσματα με αυτό το ίδιο μοντέλο. Το δημοσιευμένο παράδειγμα το κάνει απευθείας, χωρίς πρόθεμα ερωτήματος/εγγράφου, και ταξινομεί τα αποσπάσματα βάσει των βαθμολογιών εσωτερικού γινομένου τους. Κρατήστε κάθε διάνυσμα συνδεδεμένο με το αρχικό απόσπασμα και το αναγνωριστικό εγγράφου, ώστε το καταταγμένο αποτέλεσμα να δείχνει το υλικό που πράγματι ευρετηριάστηκε.

#### CLS pooling και η έκδοση εσωτερικού γινομένου

Η συνταγή αναφοράς του μοντέλου παίρνει την αναπαράσταση του πρώτου token, γνωστή ως CLS pooling. Ο τεχνικός πίνακάς του δηλώνει ρητά ότι τα embeddings δεν είναι κανονικοποιημένα και αναφέρει το εσωτερικό γινόμενο ως κατάλληλη συνάρτηση βαθμολόγησης. Διατηρήστε αυτή τη συνταγή όταν ρυθμίζετε τη συλλογή και την πλευρά του ερωτήματος.

Η κανονικοποίηση L2 αυτών των διανυσμάτων αλλάζει τη γεωμετρία βαθμολόγησής τους. Το κανονικοποιημένο προφίλ all-mpnet-base-v2 χρησιμοποιεί διαφορετική συνταγή και είναι χωριστό checkpoint, παρότι μοιράζεται την οικογένεια MPNet και έξοδο 768 συνιστωσών. Κρατήστε την ακριβή έκδοση και τη συνάρτηση σύγκρισης μαζί με την αποθηκευμένη συλλογή αντί να τις επιλέγετε μόνο από το μήκος διανύσματος.

#### Όριο μήκους και μεγαλύτερα αποσπάσματα

Το δηλωμένο όριο εισόδου είναι 512 τμήματα λέξεων, ή word pieces· το μεγαλύτερο κείμενο περικόπτεται. Ο κατασκευαστής σημειώνει επίσης ότι οι είσοδοι εκπαίδευσης έφταναν μόνο τα 250 τμήματα λέξεων και ότι μεγαλύτερο κείμενο μπορεί να λειτουργεί λιγότερο καλά. Το αποδεκτό μήκος του tokenizer και η επιφύλαξη για το μήκος εκπαίδευσης περιγράφουν επομένως διαφορετικά πρακτικά όρια.

Για ένα εκτενές άρθρο βοήθειας, προετοιμάστε σύντομες ενότητες που απαντούν σε συγκεκριμένα ερωτήματα. Κρατήστε μια επικεφαλίδα όταν προσδιορίζει το θέμα και διατηρήστε έναν κανόνα μαζί με την εξαίρεση που χρειάζεται για τη σωστή ανάγνωσή του. Μία είσοδος ολόκληρης σελίδας μπορεί να χάσει μεταγενέστερο υλικό λόγω περικοπής, ενώ ένα υπερβολικά μικρό τμήμα μπορεί να χάσει τη συνθήκη που το κάνει χρήσιμο.

#### Χρησιμοποιήστε την κατάταξη στην ανάκτηση και στο RAG

Τα πυκνά διανύσματα υποστηρίζουν ένα πρώτο στάδιο ανάκτησης. Επιστρέψτε τα υποψήφια αποσπάσματα με τις υψηλότερες βαθμολογίες μαζί με τις αναφορές πηγής τους και κατόπιν εξετάστε αν απαντούν στο πραγματικό ερώτημα. Σε μια ροή RAG, δώστε αυτά τα αποσπάσματα στο στάδιο σύνταξης απάντησης ως υλικό πηγής· η ανάκτηση από μόνη της δεν συνθέτει την απάντηση.

Χρησιμοποιήστε αντιπροσωπευτικά ερωτήματα με γνωστά σχετικά αποσπάσματα για να επιλέξετε το πλήθος αποτελεσμάτων και να αξιολογήσετε την κατάταξη. Συμπεριλάβετε παραδείγματα με παρόμοιο λεξιλόγιο αλλά διαφορετική πρόθεση, όπως αλλαγή διεύθυνσης έναντι προβολής της τρέχουσας διεύθυνσης. Ερμηνεύστε τις βαθμολογίες σχετικά με τους υποψηφίους υπό το ίδιο μοντέλο και ρύθμιση βαθμολόγησης, όχι ως βαθμονομημένες πιθανότητες ορθότητας.

Η χρήσιμη έξοδος αυτού του checkpoint είναι ένας χώρος embeddings ερωτημάτων και αποσπασμάτων για σημασιολογική αναζήτηση. Τα μη κανονικοποιημένα διανύσματά του, το CLS pooling, η βαθμολογία εσωτερικού γινομένου και η δημοσιευμένη επιφύλαξη για μεγάλες εισόδους είναι οι λεπτομέρειες που πρέπει να διατηρούνται κατά την προετοιμασία και χρήση αποτελεσμάτων.

**Ailoot Ultra · Διανυσματικές αναπαραστάσεις** `POST /v1/embeddings` `sentence-transformers/multi-qa-mpnet-base-dot-v1`

[`sentence-transformers/multi-qa-mpnet-base-dot-v1`](https://ailoot.ai/models/el/#m=sentence-transformers%2Fmulti-qa-mpnet-base-dot-v1&route=Ultra&caller=sentence-transformers%2Fmulti-qa-mpnet-base-dot-v1&fmt=embeddings)

Sentence Transformers /`sentence-transformers/multi-qa-mpnet-base-dot-v1`

### Εισαγωγή

Το Sentence Transformers multi-qa-mpnet-base-dot-v1 κωδικοποιεί ερωτήματα και αποσπάσματα σε διανύσματα 768 διαστάσεων για σημασιολογική αναζήτηση. Χρησιμοποιεί CLS pooling και μη κανονικοποιημένα embeddings σχεδιασμένα για βαθμολόγηση με εσωτερικό γινόμενο, με όριο εισόδου 512 τμημάτων 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/multi-qa-mpnet-base-dot-v1 | 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/multi-qa-mpnet-base-dot-v1", "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/multi-qa-mpnet-base-dot-v1',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/multi-qa-mpnet-base-dot-v1`](https://ailoot.ai/models/el/#m=sentence-transformers%2Fmulti-qa-mpnet-base-dot-v1&route=Ultra&caller=sentence-transformers%2Fmulti-qa-mpnet-base-dot-v1&fmt=embeddings)

#### Εναλλακτικές διαδρομές μεθόδων

Χρησιμοποιήστε τις διαδρομές μεθόδων που εμφανίζονται παραπάνω.

#### Σχετικά ID μοντέλων

[`sentence-transformers/multi-qa-mpnet-base-dot-v1`](https://ailoot.ai/models/el/#m=sentence-transformers%2Fmulti-qa-mpnet-base-dot-v1&route=Ultra&caller=sentence-transformers%2Fmulti-qa-mpnet-base-dot-v1&fmt=embeddings)

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

Ποιες είσοδοι και αποτελέσματα διατίθενται;

`POST /v1/embeddings` · `sentence-transformers/multi-qa-mpnet-base-dot-v1`: `text`, `token_ids` → `embedding`

Ποια πεδία χρησιμοποιεί το αίτημα;

`POST /v1/embeddings` · `sentence-transformers/multi-qa-mpnet-base-dot-v1`: `model`, `input`, `encoding_format`, `provider`

Ποια όρια ισχύουν;

`POST /v1/embeddings` · `sentence-transformers/multi-qa-mpnet-base-dot-v1`: `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.