Sentence Transformers: all-mpnet-base-v2

all-mpnet-base-v2 es un modelo de Sentence Transformers para representar frases y párrafos cortos como vectores densos de 768 dimensiones. Se ajustó a partir del modelo base MPNet con aprendizaje contrastivo sobre una colección de mil millones de pares de frases. El fabricante identifica la recuperación de información, la agrupación y la similaridad entre frases como usos previstos.

Codifica una frase o un párrafo corto

Prepara el texto que se debe comparar, manteniendo la idea principal y sus detalles distintivos. Para una colección documental interna, una sección corta podría describir cómo solicitar la sustitución de un equipo o qué información debe contener un informe de mantenimiento. Mantén disponibles su título documental y ubicación de origen junto con el vector.

Una consulta con un embedding generado por el mismo modelo puede recuperar secciones relacionadas incluso cuando su formulación difiera. Examina esas secciones para encontrar la instrucción real que necesita el lector. Para un flujo de similaridad, compara las propias frases candidatas después de la recuperación, especialmente cuando una incluya una excepción o condición ausente de la otra.

Mean pooling y normalización

El ejemplo de codificación de referencia promedia representaciones contextuales de tokens con la máscara de atención, excluyendo el relleno de la media. Después normaliza con L2 los embeddings de frase resultantes. Conserva ambos pasos al producir vectores para una colección y para consultas posteriores.

Cada vector tiene 768 componentes. La similaridad del coseno puede comparar esas representaciones normalizadas, mientras que el texto de origen aporta la evidencia que respalda un resultado. La cantidad compartida de componentes no hace que este modelo sea compatible con multi-qa-mpnet-base-dot-v1: esa edición separada especifica CLS pooling y vectores sin normalizar para puntuación por producto escalar.

Truncamiento predeterminado y preparación de pasajes

El fabricante afirma que la entrada que supera 384 fragmentos de palabra, o word pieces, se trunca por defecto. Mantén la sección pertinente dentro de ese límite del tokenizador. Para un procedimiento largo, divide en límites de sección significativos e incluye suficiente contexto local para explicar a qué se aplica un paso. Un fragmento como «Enviar dentro de cinco días» necesita el evento o proceso que inicia el plazo.

El procedimiento de entrenamiento limitó las secuencias a 128 tokens, lo que es distinto del valor predeterminado publicado de 384 fragmentos de palabra para codificación. Utiliza material representativo al evaluar párrafos más largos o vocabulario específico de tu colección. Que quepa más texto en la entrada no establece que todos los detalles vayan a influir por igual en un resultado de recuperación.

Recuperación, agrupación y comparación

Para búsqueda, conserva la asociación entre vector y documento para que los candidatos ordenados puedan devolver las secciones originales. En un flujo RAG, las secciones seleccionadas se convierten en contexto para la etapa de redacción de la respuesta. El modelo aporta representaciones numéricas; no genera una respuesta fundamentada en fuentes ni decide qué documento debe considerarse la referencia autorizada.

Para agrupación, compara los registros de cada grupo propuesto antes de asignar etiquetas. Un conjunto de notas de mantenimiento puede contener lenguaje similar pero referirse a dispositivos diferentes o distintas condiciones de falla. Incluye esos detalles distintivos en el texto codificado y examínalos en el material devuelto, en lugar de basarte únicamente en una puntuación.

Este checkpoint exacto all-mpnet-base-v2 es un perfil de embeddings de frases en inglés con sus propios ajustes de mean pooling, normalización y truncamiento predeterminado. Mantén esos ajustes junto con la colección indexada y utiliza los vectores como ayuda para encontrar y comparar los pasajes de origen que importan para la tarea.