{ "aboutHtml": "

all-mpnet-base-v2 adalah model Sentence Transformers untuk merepresentasikan kalimat dan paragraf pendek sebagai vektor dense 768 dimensi. Model di-fine-tune dari model dasar MPNet menggunakan pembelajaran kontrastif pada koleksi satu miliar pasangan kalimat. Pembuat mengidentifikasi temu kembali informasi, pengelompokan, dan kemiripan kalimat sebagai penggunaan yang dituju.

Kodekan kalimat atau paragraf pendek

Siapkan teks yang akan dibandingkan, dengan mempertahankan gagasan utama serta detail pembedanya. Untuk koleksi dokumen internal, bagian singkat dapat menjelaskan cara meminta penggantian peralatan atau informasi yang harus ada dalam laporan pemeliharaan. Pastikan judul dokumen dan lokasi sumber tetap tersedia di samping vektor.

Kueri yang dibuat embedding-nya dengan model yang sama dapat menemukan bagian terkait meskipun pilihan katanya berbeda. Periksa bagian tersebut untuk instruksi sebenarnya yang dibutuhkan pembaca. Untuk alur kemiripan, bandingkan kalimat kandidat itu sendiri setelah temu kembali, terutama ketika satu kalimat memuat pengecualian atau kondisi yang tidak ada pada kalimat lain.

Mean pooling dan normalisasi

Contoh pengodean rujukan merata-ratakan representasi token kontekstual dengan masker atensi, mengecualikan padding dari rata-rata. Kemudian normalisasi L2 diterapkan pada embedding kalimat hasilnya. Pertahankan kedua tahap saat membuat vektor untuk koleksi dan kueri berikutnya.

Setiap vektor memiliki 768 komponen. Kemiripan kosinus dapat membandingkan representasi yang dinormalisasi tersebut, sedangkan teks sumber memberikan bukti di balik hasil. Jumlah komponen yang sama tidak membuat model ini kompatibel dengan multi-qa-mpnet-base-dot-v1: edisi terpisah tersebut menetapkan pooling CLS dan vektor yang tidak dinormalisasi untuk penilaian hasil kali titik.

Pemotongan bawaan dan persiapan bagian teks

Pembuat menyatakan bahwa masukan di atas 384 unit word piece dipotong secara bawaan. Pertahankan bagian relevan di dalam batas tokenizer tersebut. Untuk prosedur panjang, bagi pada batas bagian yang bermakna dan sertakan konteks lokal yang cukup untuk menjelaskan hal yang dikenai suatu tahap. Fragmen seperti “Submit within five days” membutuhkan kejadian atau proses yang memulai tenggat tersebut.

Prosedur pelatihan membatasi urutan pada 128 token, terpisah dari pengaturan pengodean bawaan 384 unit word piece yang diterbitkan. Gunakan materi yang representatif saat menilai paragraf lebih panjang atau kosakata khusus koleksi. Lebih banyak teks yang muat dalam masukan tidak membuktikan bahwa setiap detail memengaruhi hasil temu kembali secara setara.

Temu kembali, pengelompokan, dan perbandingan

Untuk pencarian, pertahankan hubungan vektor dengan dokumen agar kandidat berperingkat dapat mengembalikan bagian asli. Dalam alur RAG, bagian terpilih menjadi konteks bagi tahap penulisan jawaban. Model memberikan representasi numerik; model tidak menghasilkan respons bersumber atau menentukan dokumen mana yang otoritatif.

Untuk pengelompokan, bandingkan rekaman dalam setiap kelompok usulan sebelum memberi label. Sekumpulan catatan pemeliharaan mungkin memiliki bahasa serupa tetapi mengacu pada perangkat atau kondisi kegagalan berbeda. Sertakan detail pembeda dalam teks yang dikodekan dan periksa detail itu dalam materi yang dikembalikan alih-alih hanya mengandalkan skor.

Checkpoint all-mpnet-base-v2 yang tepat ini adalah profil embedding kalimat bahasa Inggris dengan pengaturan mean pooling, normalisasi, dan pemotongan bawaannya sendiri. Simpan pengaturan tersebut bersama koleksi terindeks dan gunakan vektor sebagai bantuan untuk menemukan serta membandingkan bagian sumber yang penting bagi tugas.

", "aboutText": "all-mpnet-base-v2 adalah model Sentence Transformers untuk merepresentasikan kalimat dan paragraf pendek sebagai vektor dense 768 dimensi. Model di-fine-tune dari model dasar MPNet menggunakan pembelajaran kontrastif pada koleksi satu miliar pasangan kalimat. Pembuat mengidentifikasi temu kembali informasi, pengelompokan, dan kemiripan kalimat sebagai penggunaan yang dituju.\n\n### Kodekan kalimat atau paragraf pendek\n\nSiapkan teks yang akan dibandingkan, dengan mempertahankan gagasan utama serta detail pembedanya. Untuk koleksi dokumen internal, bagian singkat dapat menjelaskan cara meminta penggantian peralatan atau informasi yang harus ada dalam laporan pemeliharaan. Pastikan judul dokumen dan lokasi sumber tetap tersedia di samping vektor.\n\nKueri yang dibuat embedding-nya dengan model yang sama dapat menemukan bagian terkait meskipun pilihan katanya berbeda. Periksa bagian tersebut untuk instruksi sebenarnya yang dibutuhkan pembaca. Untuk alur kemiripan, bandingkan kalimat kandidat itu sendiri setelah temu kembali, terutama ketika satu kalimat memuat pengecualian atau kondisi yang tidak ada pada kalimat lain.\n\n### Mean pooling dan normalisasi\n\nContoh pengodean rujukan merata-ratakan representasi token kontekstual dengan masker atensi, mengecualikan padding dari rata-rata. Kemudian normalisasi L2 diterapkan pada embedding kalimat hasilnya. Pertahankan kedua tahap saat membuat vektor untuk koleksi dan kueri berikutnya.\n\nSetiap vektor memiliki 768 komponen. Kemiripan kosinus dapat membandingkan representasi yang dinormalisasi tersebut, sedangkan teks sumber memberikan bukti di balik hasil. Jumlah komponen yang sama tidak membuat model ini kompatibel dengan multi-qa-mpnet-base-dot-v1: edisi terpisah tersebut menetapkan pooling CLS dan vektor yang tidak dinormalisasi untuk penilaian hasil kali titik.\n\n### Pemotongan bawaan dan persiapan bagian teks\n\nPembuat menyatakan bahwa masukan di atas 384 unit word piece dipotong secara bawaan. Pertahankan bagian relevan di dalam batas tokenizer tersebut. Untuk prosedur panjang, bagi pada batas bagian yang bermakna dan sertakan konteks lokal yang cukup untuk menjelaskan hal yang dikenai suatu tahap. Fragmen seperti “Submit within five days” membutuhkan kejadian atau proses yang memulai tenggat tersebut.\n\nProsedur pelatihan membatasi urutan pada 128 token, terpisah dari pengaturan pengodean bawaan 384 unit word piece yang diterbitkan. Gunakan materi yang representatif saat menilai paragraf lebih panjang atau kosakata khusus koleksi. Lebih banyak teks yang muat dalam masukan tidak membuktikan bahwa setiap detail memengaruhi hasil temu kembali secara setara.\n\n### Temu kembali, pengelompokan, dan perbandingan\n\nUntuk pencarian, pertahankan hubungan vektor dengan dokumen agar kandidat berperingkat dapat mengembalikan bagian asli. Dalam alur RAG, bagian terpilih menjadi konteks bagi tahap penulisan jawaban. Model memberikan representasi numerik; model tidak menghasilkan respons bersumber atau menentukan dokumen mana yang otoritatif.\n\nUntuk pengelompokan, bandingkan rekaman dalam setiap kelompok usulan sebelum memberi label. Sekumpulan catatan pemeliharaan mungkin memiliki bahasa serupa tetapi mengacu pada perangkat atau kondisi kegagalan berbeda. Sertakan detail pembeda dalam teks yang dikodekan dan periksa detail itu dalam materi yang dikembalikan alih-alih hanya mengandalkan skor.\n\nCheckpoint all-mpnet-base-v2 yang tepat ini adalah profil embedding kalimat bahasa Inggris dengan pengaturan mean pooling, normalisasi, dan pemotongan bawaannya sendiri. Simpan pengaturan tersebut bersama koleksi terindeks dan gunakan vektor sebagai bantuan untuk menemukan serta membandingkan bagian sumber yang penting bagi tugas.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "ee7a544023820704c1843a92fe24dc37cb66495840b61bf24c60511f083a5ec3", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "id", "methods": [ { "html": "
•

Sentence Transformers: all-mpnet-base-v2

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

Mulai

Sentence Transformers all-mpnet-base-v2 mengubah kalimat dan paragraf pendek menjadi vektor 768 dimensi untuk temu kembali, pengelompokan, dan kemiripan. Resep yang diterbitkan menggunakan mean pooling dan normalisasi L2, dengan pemotongan bawaan pada 384 unit word piece.

Masukan yang diterima
Teks · token_ids
Hasil
embedding
Tentang model

Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.

all-mpnet-base-v2 adalah model Sentence Transformers untuk merepresentasikan kalimat dan paragraf pendek sebagai vektor dense 768 dimensi. Model di-fine-tune dari model dasar MPNet menggunakan pembelajaran kontrastif pada koleksi satu miliar pasangan kalimat. Pembuat mengidentifikasi temu kembali informasi, pengelompokan, dan kemiripan kalimat sebagai penggunaan yang dituju.

Kodekan kalimat atau paragraf pendek

Siapkan teks yang akan dibandingkan, dengan mempertahankan gagasan utama serta detail pembedanya. Untuk koleksi dokumen internal, bagian singkat dapat menjelaskan cara meminta penggantian peralatan atau informasi yang harus ada dalam laporan pemeliharaan. Pastikan judul dokumen dan lokasi sumber tetap tersedia di samping vektor.

Kueri yang dibuat embedding-nya dengan model yang sama dapat menemukan bagian terkait meskipun pilihan katanya berbeda. Periksa bagian tersebut untuk instruksi sebenarnya yang dibutuhkan pembaca. Untuk alur kemiripan, bandingkan kalimat kandidat itu sendiri setelah temu kembali, terutama ketika satu kalimat memuat pengecualian atau kondisi yang tidak ada pada kalimat lain.

Mean pooling dan normalisasi

Contoh pengodean rujukan merata-ratakan representasi token kontekstual dengan masker atensi, mengecualikan padding dari rata-rata. Kemudian normalisasi L2 diterapkan pada embedding kalimat hasilnya. Pertahankan kedua tahap saat membuat vektor untuk koleksi dan kueri berikutnya.

Setiap vektor memiliki 768 komponen. Kemiripan kosinus dapat membandingkan representasi yang dinormalisasi tersebut, sedangkan teks sumber memberikan bukti di balik hasil. Jumlah komponen yang sama tidak membuat model ini kompatibel dengan multi-qa-mpnet-base-dot-v1: edisi terpisah tersebut menetapkan pooling CLS dan vektor yang tidak dinormalisasi untuk penilaian hasil kali titik.

Pemotongan bawaan dan persiapan bagian teks

Pembuat menyatakan bahwa masukan di atas 384 unit word piece dipotong secara bawaan. Pertahankan bagian relevan di dalam batas tokenizer tersebut. Untuk prosedur panjang, bagi pada batas bagian yang bermakna dan sertakan konteks lokal yang cukup untuk menjelaskan hal yang dikenai suatu tahap. Fragmen seperti “Submit within five days” membutuhkan kejadian atau proses yang memulai tenggat tersebut.

Prosedur pelatihan membatasi urutan pada 128 token, terpisah dari pengaturan pengodean bawaan 384 unit word piece yang diterbitkan. Gunakan materi yang representatif saat menilai paragraf lebih panjang atau kosakata khusus koleksi. Lebih banyak teks yang muat dalam masukan tidak membuktikan bahwa setiap detail memengaruhi hasil temu kembali secara setara.

Temu kembali, pengelompokan, dan perbandingan

Untuk pencarian, pertahankan hubungan vektor dengan dokumen agar kandidat berperingkat dapat mengembalikan bagian asli. Dalam alur RAG, bagian terpilih menjadi konteks bagi tahap penulisan jawaban. Model memberikan representasi numerik; model tidak menghasilkan respons bersumber atau menentukan dokumen mana yang otoritatif.

Untuk pengelompokan, bandingkan rekaman dalam setiap kelompok usulan sebelum memberi label. Sekumpulan catatan pemeliharaan mungkin memiliki bahasa serupa tetapi mengacu pada perangkat atau kondisi kegagalan berbeda. Sertakan detail pembeda dalam teks yang dikodekan dan periksa detail itu dalam materi yang dikembalikan alih-alih hanya mengandalkan skor.

Checkpoint all-mpnet-base-v2 yang tepat ini adalah profil embedding kalimat bahasa Inggris dengan pengaturan mean pooling, normalisasi, dan pemotongan bawaannya sendiri. Simpan pengaturan tersebut bersama koleksi terindeks dan gunakan vektor sebagai bantuan untuk menemukan serta membandingkan bagian sumber yang penting bagi tugas.

Tersedia di Ailoot · masukan & metode

Ailoot Ultra · Embedding POST /v1/embeddings
Masukan
text, token_ids
Keluaran
embedding
Format keluaran
json
KolomJenisPersyaratanNilai & batasanBawaan
KolommodelJenisstringPersyaratanWajibNilai & batasan
sentence-transformers/all-mpnet-base-v2
Bawaan—
KolominputJenisstring|string[]|integer[]|integer[][]PersyaratanWajibNilai & batasan
Item minimum: 1
Kondisi: Batch homogen yang tidak kosong. ID token berupa bilangan bulat nonnegatif.
Anggaran masukan: Maksimum: 512 · Satuan teks: byte UTF8 · Satuan token: elemen array token
Bawaan—
Kolomencoding_formatJenisstringPersyaratanOpsionalNilai & batasan
float
Bawaanfloat
KolomdimensionsJenisintegerPersyaratanTidak didukungNilai & batasan
Minimum: 1
Bawaan—
KolomuserJenisjson_valuePersyaratanOpsionalNilai & batasan
Kondisi: Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.
Bawaan—
Kolomsession_idJenisjson_valuePersyaratanOpsionalNilai & batasan
Kondisi: Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.
Bawaan—
KolomtraceJenisjson_valuePersyaratanOpsionalNilai & batasan
Kondisi: Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.
Bawaan—
KolomproviderJenisobjectPersyaratanOpsionalNilai & batasan
Kondisi: provider.options ditolak
Bawaan—
Kombinasi bahan masukan

text_to_embedding

Parameter metode dan siklus hidup
ParameterKontrak
Parametercontent_typeKontrakapplication/json
ParameterrequiredKontrakmodel, input
Parameterinput_shapesKontrakstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[]
Parameterencoding_formatKontrakfloat
Parameterdimensions_overrideKontrakfalse
Parametermax_input_budget_unitsKontrak512
Parametermultimodal_objectsKontrakfalse
Parametermaterial_typesKontraktext, token_ids

Siklus hidup: synchronous_json

Pertahankan index dan dimensi setiap vektor.

Nama model multimodal tidak mengizinkan objek gambar pada jalur persis ini.

Paket

Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.

Mode Fast
Tidak ditentukan Saat mode fast dipilih
Mode Flex
Tidak ditentukan Saat mode flex dipilih
Upaya penalaran maksimum
Tidak ditentukan Saat upaya penalaran maksimum menggunakan penyesuaian default

Tarif Ailoot

Harga menurut konfigurasi

KonfigurasiJadwal tarifBiaya
KonfigurasiTarif dasar tokenJadwal tarifTarif dasarBiaya
Masukan · Token masukan $0.00001 / 1K token
Keluaran · Token keluaran $0 / 1K token
Masukan · Pembacaan cache — / 1K token
Masukan · Penulisan cache — / 1K token
Masukan · Penulisan cache, 1 jam — / 1K token

Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →

Contoh permintaan

Ailoot Ultra · Embedding

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\n

Terima dan simpan hasil

Ailoot Ultra · Embedding

json

Simpan semua hasil yang selesai

Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.

Simpan setiap vektor beserta index masing-masing. Jumlah vektor harus sama dengan jumlah input; dimensinya harus konsisten.

Jika respons asli perlu diperiksa

Endpoint untuk tugas embedding tidak ditambahkan.

Kolom respons
KolomJenis
KolomobjectJenisstring
KolommodelJenisstring
Kolomdata[].indexJenisinteger
Kolomdata[].embeddingJenisfinite float[]
KolomusageJenisobject
Kesalahan dan langkah berikutnya
ResponsKondisiLangkah berikutnya
Respons400 · invalid_request_errorKondisiBidang wajib, representasi materi, atau nilai parameter tidak validLangkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru.

Alias

Alias model

Ailoot Ultra sentence-transformers/all-mpnet-base-v2

Alias jalur metode

Gunakan jalur metode yang ditampilkan di atas.

ID pemanggil terkait

sentence-transformers/all-mpnet-base-v2

", "method_identity": { "effective_request_model_id": "sentence-transformers/all-mpnet-base-v2", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "sentence-transformers/all-mpnet-base-v2", "route_label": "Ultra" }, "method_key": "Ultra|embeddings|/v1/embeddings|sentence-transformers%2Fall-mpnet-base-v2", "ordinal": 0, "rawMethod": { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Keep every vector with its index. Vector count must equal input count; dimensions must be consistent.", "errors": [ { "code": null, "condition": "Bidang wajib, representasi materi, atau nilai parameter tidak valid", "http_status": 400, "recovery": "Perbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Endpoint untuk tugas embedding tidak ditambahkan." }, "material_combinations": [ { "alternatives": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Simpan setiap vektor beserta index masing-masing. Jumlah vektor harus sama dengan jumlah input; dimensinya harus konsisten.", "default_dimensions": null, "family": "embedding", "fields": [ { "description": null, "name": "object", "type": "string" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "data[].index", "type": "integer" }, { "description": null, "name": "data[].embedding", "type": "finite float[]" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "sentence-transformers/all-mpnet-base-v2" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "budget": { "maximum": 512, "text_unit": "byte UTF8", "token_unit": "elemen array token" }, "conditions": "Batch homogen yang tidak kosong. ID token berupa bilangan bulat nonnegatif.", "default": null, "default_known": false, "enum": null, "enum_known": false, "min_items": 1, "name": "input", "required": true, "type": "string|string[]|integer[]|integer[][]" }, { "availability": "source_interface", "default": "float", "default_known": true, "enum": [ "float" ], "enum_known": true, "name": "encoding_format", "required": false, "type": "string" }, { "availability": "unsupported", "default": null, "default_known": false, "enum": null, "enum_known": false, "minimum": 1, "name": "dimensions", "required": false, "type": "integer" }, { "availability": "pass_through_metadata", "conditions": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "session_id", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "trace", "required": false, "type": "json_value" }, { "availability": "source_interface", "conditions": "provider.options ditolak", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "provider", "required": false, "type": "object" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "mixed input kinds", "empty input", "image/audio/file objects", "encoding_format=base64", "dimensions override" ] }, "hints": [ "Pertahankan index dan dimensi setiap vektor.", "Nama model multimodal tidak mengizinkan objek gambar pada jalur persis ini." ], "input": { "content_type": "application/json", "dimensions_override": false, "encoding_format": [ "float" ], "input_shapes": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "material_types": [ "text", "token_ids" ], "max_input_budget_units": 512, "multimodal_objects": false, "required": [ "model", "input" ] }, "lifecycle": { "mode": "synchronous_json", "unknown": "no embedding job endpoint inferred" }, "manufacturer_capability": null, "method": { "http": "POST", "path": "/v1/embeddings" }, "method_aliases": [], "operation_modes": [ "text_to_embedding" ], "output": { "default_dimensions": null, "family": "embedding", "format": "json", "http_success": 200, "vectors": "one dense float vector per input; indices/model/usage validated" } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Tarif dasar token", "units": [ { "amount": "0.00001000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000001", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "examples": [ { "code": "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\n", "label": "curl · retained exact creation", "language": "bash" }, { "code": "from 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)\n", "label": "Python SDK · all vectors", "language": "python" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "embeddings", "hints": [ "Keep every vector index and dimension.", "Multimodal model name does not admit image objects on this exact path." ], "http": "POST", "in": 0.01, "input": [ "text", "token_ids" ], "label": "Эмбеддинги", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "token", "image_input_price": null, "image_output_price": null, "per_request_price": null }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": "0.00001000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000001", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "request_model_id": "sentence-transformers/all-mpnet-base-v2", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00001000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000001", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } } ], "model_id": "sentence-transformers/all-mpnet-base-v2", "nativeProvenance": { "input_facts_canonical_sha256": "24e410ed70c088c234cfba2bd690e0f89d0c505834b6c00112928afeee7b9d65", "input_html_sha256": "a80df34d80785310221216ca809e82866909e99c4cee2bee929b9538443dd03a", "private_audit_sha256": "3953a7df7f62800f6db75e610d45b1e37667cc56d8b5aa467449c17fbfd6fceb", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/id/sentence-transformers-all-mpnet-base-v2/", "description": "Sentence Transformers all-mpnet-base-v2 mengubah kalimat dan paragraf pendek menjadi vektor 768 dimensi untuk temu kembali, pengelompokan, dan kemiripan. Resep yang diterbitkan menggunakan mean pooling dan normalisasi L2, dengan pemotongan bawaan pada 384 unit word piece.", "locale": "id", "md_url": "https://ailoot.ai/models/id/sentence-transformers-all-mpnet-base-v2/index.md", "title": "Sentence Transformers: all-mpnet-base-v2 — Ailoot", "url": "https://ailoot.ai/models/id/sentence-transformers-all-mpnet-base-v2/" }, "rawModel": { "about": "all-mpnet-base-v2 adalah model Sentence Transformers untuk merepresentasikan kalimat dan paragraf pendek sebagai vektor dense 768 dimensi. Model di-fine-tune dari model dasar MPNet menggunakan pembelajaran kontrastif pada koleksi satu miliar pasangan kalimat. Pembuat mengidentifikasi temu kembali informasi, pengelompokan, dan kemiripan kalimat sebagai penggunaan yang dituju.\n\n### Kodekan kalimat atau paragraf pendek\n\nSiapkan teks yang akan dibandingkan, dengan mempertahankan gagasan utama serta detail pembedanya. Untuk koleksi dokumen internal, bagian singkat dapat menjelaskan cara meminta penggantian peralatan atau informasi yang harus ada dalam laporan pemeliharaan. Pastikan judul dokumen dan lokasi sumber tetap tersedia di samping vektor.\n\nKueri yang dibuat embedding-nya dengan model yang sama dapat menemukan bagian terkait meskipun pilihan katanya berbeda. Periksa bagian tersebut untuk instruksi sebenarnya yang dibutuhkan pembaca. Untuk alur kemiripan, bandingkan kalimat kandidat itu sendiri setelah temu kembali, terutama ketika satu kalimat memuat pengecualian atau kondisi yang tidak ada pada kalimat lain.\n\n### Mean pooling dan normalisasi\n\nContoh pengodean rujukan merata-ratakan representasi token kontekstual dengan masker atensi, mengecualikan padding dari rata-rata. Kemudian normalisasi L2 diterapkan pada embedding kalimat hasilnya. Pertahankan kedua tahap saat membuat vektor untuk koleksi dan kueri berikutnya.\n\nSetiap vektor memiliki 768 komponen. Kemiripan kosinus dapat membandingkan representasi yang dinormalisasi tersebut, sedangkan teks sumber memberikan bukti di balik hasil. Jumlah komponen yang sama tidak membuat model ini kompatibel dengan multi-qa-mpnet-base-dot-v1: edisi terpisah tersebut menetapkan pooling CLS dan vektor yang tidak dinormalisasi untuk penilaian hasil kali titik.\n\n### Pemotongan bawaan dan persiapan bagian teks\n\nPembuat menyatakan bahwa masukan di atas 384 unit word piece dipotong secara bawaan. Pertahankan bagian relevan di dalam batas tokenizer tersebut. Untuk prosedur panjang, bagi pada batas bagian yang bermakna dan sertakan konteks lokal yang cukup untuk menjelaskan hal yang dikenai suatu tahap. Fragmen seperti “Submit within five days” membutuhkan kejadian atau proses yang memulai tenggat tersebut.\n\nProsedur pelatihan membatasi urutan pada 128 token, terpisah dari pengaturan pengodean bawaan 384 unit word piece yang diterbitkan. Gunakan materi yang representatif saat menilai paragraf lebih panjang atau kosakata khusus koleksi. Lebih banyak teks yang muat dalam masukan tidak membuktikan bahwa setiap detail memengaruhi hasil temu kembali secara setara.\n\n### Temu kembali, pengelompokan, dan perbandingan\n\nUntuk pencarian, pertahankan hubungan vektor dengan dokumen agar kandidat berperingkat dapat mengembalikan bagian asli. Dalam alur RAG, bagian terpilih menjadi konteks bagi tahap penulisan jawaban. Model memberikan representasi numerik; model tidak menghasilkan respons bersumber atau menentukan dokumen mana yang otoritatif.\n\nUntuk pengelompokan, bandingkan rekaman dalam setiap kelompok usulan sebelum memberi label. Sekumpulan catatan pemeliharaan mungkin memiliki bahasa serupa tetapi mengacu pada perangkat atau kondisi kegagalan berbeda. Sertakan detail pembeda dalam teks yang dikodekan dan periksa detail itu dalam materi yang dikembalikan alih-alih hanya mengandalkan skor.\n\nCheckpoint all-mpnet-base-v2 yang tepat ini adalah profil embedding kalimat bahasa Inggris dengan pengaturan mean pooling, normalisasi, dan pemotongan bawaannya sendiri. Simpan pengaturan tersebut bersama koleksi terindeks dan gunakan vektor sebagai bantuan untuk menemukan serta membandingkan bagian sumber yang penting bagi tugas.", "alias_of": null, "aliases": [], "author": "Sentence Transformers", "available": null, "canonical_model": "sentence-transformers/all-mpnet-base-v2", "capabilities": { "context_length": 512, "manufacturer_input": [ "text" ], "manufacturer_output": [ "embeddings" ] }, "card_routes": [ { "label": "Ultra", "rates": [ { "amount": "0.00001000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000001", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" } ], "summary": "Informasi lengkap harga konfigurasi tersedia di bagian detail." } ], "ctx": null, "entity_type": "model", "formats": [ "embeddings" ], "id": "sentence-transformers/all-mpnet-base-v2", "input": [ "text", "token_ids" ], "kind": "embedding", "max_out": null, "methods": [ { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Keep every vector with its index. Vector count must equal input count; dimensions must be consistent.", "errors": [ { "code": null, "condition": "Bidang wajib, representasi materi, atau nilai parameter tidak valid", "http_status": 400, "recovery": "Perbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Endpoint untuk tugas embedding tidak ditambahkan." }, "material_combinations": [ { "alternatives": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Simpan setiap vektor beserta index masing-masing. Jumlah vektor harus sama dengan jumlah input; dimensinya harus konsisten.", "default_dimensions": null, "family": "embedding", "fields": [ { "description": null, "name": "object", "type": "string" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "data[].index", "type": "integer" }, { "description": null, "name": "data[].embedding", "type": "finite float[]" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "sentence-transformers/all-mpnet-base-v2" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "budget": { "maximum": 512, "text_unit": "byte UTF8", "token_unit": "elemen array token" }, "conditions": "Batch homogen yang tidak kosong. ID token berupa bilangan bulat nonnegatif.", "default": null, "default_known": false, "enum": null, "enum_known": false, "min_items": 1, "name": "input", "required": true, "type": "string|string[]|integer[]|integer[][]" }, { "availability": "source_interface", "default": "float", "default_known": true, "enum": [ "float" ], "enum_known": true, "name": "encoding_format", "required": false, "type": "string" }, { "availability": "unsupported", "default": null, "default_known": false, "enum": null, "enum_known": false, "minimum": 1, "name": "dimensions", "required": false, "type": "integer" }, { "availability": "pass_through_metadata", "conditions": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "session_id", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "trace", "required": false, "type": "json_value" }, { "availability": "source_interface", "conditions": "provider.options ditolak", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "provider", "required": false, "type": "object" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "mixed input kinds", "empty input", "image/audio/file objects", "encoding_format=base64", "dimensions override" ] }, "hints": [ "Pertahankan index dan dimensi setiap vektor.", "Nama model multimodal tidak mengizinkan objek gambar pada jalur persis ini." ], "input": { "content_type": "application/json", "dimensions_override": false, "encoding_format": [ "float" ], "input_shapes": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "material_types": [ "text", "token_ids" ], "max_input_budget_units": 512, "multimodal_objects": false, "required": [ "model", "input" ] }, "lifecycle": { "mode": "synchronous_json", "unknown": "no embedding job endpoint inferred" }, "manufacturer_capability": null, "method": { "http": "POST", "path": "/v1/embeddings" }, "method_aliases": [], "operation_modes": [ "text_to_embedding" ], "output": { "default_dimensions": null, "family": "embedding", "format": "json", "http_success": 200, "vectors": "one dense float vector per input; indices/model/usage validated" } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Tarif dasar token", "units": [ { "amount": "0.00001000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000001", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "examples": [ { "code": "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\n", "label": "curl · retained exact creation", "language": "bash" }, { "code": "from 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)\n", "label": "Python SDK · all vectors", "language": "python" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "embeddings", "hints": [ "Keep every vector index and dimension.", "Multimodal model name does not admit image objects on this exact path." ], "http": "POST", "in": 0.01, "input": [ "text", "token_ids" ], "label": "Эмбеддинги", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "token", "image_input_price": null, "image_output_price": null, "per_request_price": null }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": "0.00001000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000001", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "request_model_id": "sentence-transformers/all-mpnet-base-v2", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00001000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000001", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "model_aliases": [ { "canonical_model_id": "sentence-transformers/all-mpnet-base-v2", "request_model_id": "sentence-transformers/all-mpnet-base-v2", "route_label": "Ultra" } ], "name": "Sentence Transformers: all-mpnet-base-v2", "price": { "in": 0.01, "in_label": null, "out": 0, "out_label": null, "scope_label": "Token rates", "sort_in": 0.01, "sort_out": 0, "varies": false }, "public_id": "sentence-transformers/all-mpnet-base-v2", "short": "Sentence Transformers all-mpnet-base-v2 mengubah kalimat dan paragraf pendek menjadi vektor 768 dimensi untuk temu kembali, pengelompokan, dan kemiripan. Resep yang diterbitkan menggunakan mean pooling dan normalisasi L2, dengan pemotongan bawaan pada 384 unit word piece." }, "renderer_schema": { "method_order": "Original DTO methods order; every exact route/format/path/caller survives.", "prices": "Original public DTO fields and original native display HTML; no flattened or normalized offers." }, "representation": "exact-public-dto-and-native-renderer-html", "representationNotes": { "current_reference": { "about_json_pointer": "/aboutHtml", "methods": [ { "contract_json_pointer": "/methods/0/rawMethod/contract", "html_json_pointer": "/methods/0/html", "method_ordinal": 0 } ], "role": "current-semantic-reference" }, "raw_input": { "examples_role": "historical-input-not-current-ready-examples", "json_pointers": [ "/rawModel", "/methods/0/rawMethod" ], "role": "historical-owner-input" }, "schema": "ailoot-native-model-representations-v1" }, "schema": "ailoot-static-model-facts-v1", "schema_version": 1, "shortText": "Sentence Transformers all-mpnet-base-v2 mengubah kalimat dan paragraf pendek menjadi vektor 768 dimensi untuk temu kembali, pengelompokan, dan kemiripan. Resep yang diterbitkan menggunakan mean pooling dan normalisasi L2, dengan pemotongan bawaan pada 384 unit word piece.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "d242c5eeb0abf9c17db46548ba0717f37502bcc3b76552d09d7df9a67d4a5e1f", "renderer_sha256": "2a0471475a29000c23db326ca1e315df73dee7524f6bc2907818ee3458813f2d" }, "sourceRevision": "797460c39257af8e39a26b723ec9655e1b1affa678e1b9065c4d6b11445e7afc" }