{ "aboutHtml": "

multi-qa-mpnet-base-dot-v1 adalah model Sentence Transformers yang dirancang untuk menemukan bagian teks bagi pertanyaan atau kueri. Pelatihannya menggunakan sekitar 215 juta pasangan tanya–jawab. Setiap masukan menjadi vektor dense 768 dimensi, dengan pooling CLS dan penilaian hasil kali titik yang menentukan edisi tepat ini.

Siapkan pertanyaan dan bagian kandidat

Tulis kueri sebagai kebutuhan informasi dan siapkan entri korpus sebagai bagian teks yang dapat dibaca. Misalnya, pertanyaan tentang perubahan alamat pengiriman dapat dibandingkan dengan paragraf terpisah tentang perubahan alamat, pembatalan pesanan, dan pelacakan pengiriman. Pertahankan kondisi yang relevan dalam bagian perubahan alamat, termasuk apakah pesanan sudah dikirim.

Kodekan kueri dan bagian teks dengan model yang sama ini. Contoh yang diterbitkan melakukannya langsung, tanpa prefiks query/document, lalu mengurutkan bagian berdasarkan skor hasil kali titiknya. Pertahankan hubungan setiap vektor dengan bagian asli dan pengenal dokumen agar hasil berperingkat dapat menunjukkan materi yang benar-benar diindeks.

Pooling CLS dan edisi hasil kali titik

Resep rujukan model mengambil representasi token pertama, yang dikenal sebagai pooling CLS. Tabel teknisnya secara eksplisit menyatakan bahwa embedding tidak dinormalisasi dan mencantumkan hasil kali titik sebagai fungsi penilaian yang sesuai. Pertahankan resep tersebut saat menyiapkan koleksi dan sisi kueri.

Normalisasi L2 pada vektor ini mengubah geometri penilaiannya. Profil all-mpnet-base-v2 yang dinormalisasi menggunakan resep berbeda dan merupakan checkpoint terpisah, meskipun berbagi keluarga MPNet dan keluaran 768 komponen. Simpan edisi tepat dan fungsi perbandingan bersama koleksi tersimpan alih-alih memilihnya hanya berdasarkan panjang vektor.

Batas panjang dan bagian yang lebih panjang

Batas masukan yang dinyatakan adalah 512 unit word piece; teks lebih panjang dipotong. Pembuat juga mencatat bahwa masukan pelatihan hanya mencapai 250 unit word piece dan teks lebih panjang mungkin bekerja kurang baik. Karena itu, panjang yang diterima tokenizer dan catatan panjang pelatihan menjelaskan batas praktis berbeda.

Untuk artikel bantuan besar, siapkan bagian pendek yang menjawab pertanyaan spesifik. Pertahankan judul ketika mengidentifikasi topik, dan simpan aturan bersama pengecualian yang dibutuhkan untuk membacanya dengan benar. Satu masukan halaman penuh mungkin kehilangan materi berikutnya akibat pemotongan, sedangkan fragmen terlalu kecil dapat kehilangan kondisi yang membuatnya berguna.

Gunakan peringkat dalam temu kembali dan RAG

Vektor dense mendukung tahap awal temu kembali. Kembalikan bagian kandidat berskor tertinggi bersama rujukan sumber, lalu periksa apakah bagian tersebut menjawab pertanyaan sebenarnya. Dalam alur RAG, berikan bagian-bagian itu sebagai materi sumber kepada tahap penulisan jawaban; temu kembali sendiri tidak menyusun jawaban.

Gunakan pertanyaan yang representatif dengan bagian relevan yang diketahui untuk memilih jumlah hasil dan menilai peringkat. Sertakan contoh dengan kosakata serupa tetapi maksud berbeda, seperti mengubah alamat dibanding melihat alamat saat ini. Tafsirkan skor relatif terhadap kandidat di bawah model dan pengaturan penilaian yang sama, bukan sebagai probabilitas kebenaran yang terkalibrasi.

Keluaran berguna checkpoint ini adalah ruang embedding pertanyaan dan bagian teks untuk pencarian semantik. Vektor yang tidak dinormalisasi, pooling CLS, skor hasil kali titik, dan catatan masukan panjang yang diterbitkan merupakan detail yang perlu dipertahankan saat menyiapkan serta menggunakan hasil.

", "aboutText": "multi-qa-mpnet-base-dot-v1 adalah model Sentence Transformers yang dirancang untuk menemukan bagian teks bagi pertanyaan atau kueri. Pelatihannya menggunakan sekitar 215 juta pasangan tanya–jawab. Setiap masukan menjadi vektor dense 768 dimensi, dengan pooling CLS dan penilaian hasil kali titik yang menentukan edisi tepat ini.\n\n### Siapkan pertanyaan dan bagian kandidat\n\nTulis kueri sebagai kebutuhan informasi dan siapkan entri korpus sebagai bagian teks yang dapat dibaca. Misalnya, pertanyaan tentang perubahan alamat pengiriman dapat dibandingkan dengan paragraf terpisah tentang perubahan alamat, pembatalan pesanan, dan pelacakan pengiriman. Pertahankan kondisi yang relevan dalam bagian perubahan alamat, termasuk apakah pesanan sudah dikirim.\n\nKodekan kueri dan bagian teks dengan model yang sama ini. Contoh yang diterbitkan melakukannya langsung, tanpa prefiks query/document, lalu mengurutkan bagian berdasarkan skor hasil kali titiknya. Pertahankan hubungan setiap vektor dengan bagian asli dan pengenal dokumen agar hasil berperingkat dapat menunjukkan materi yang benar-benar diindeks.\n\n### Pooling CLS dan edisi hasil kali titik\n\nResep rujukan model mengambil representasi token pertama, yang dikenal sebagai pooling CLS. Tabel teknisnya secara eksplisit menyatakan bahwa embedding tidak dinormalisasi dan mencantumkan hasil kali titik sebagai fungsi penilaian yang sesuai. Pertahankan resep tersebut saat menyiapkan koleksi dan sisi kueri.\n\nNormalisasi L2 pada vektor ini mengubah geometri penilaiannya. Profil all-mpnet-base-v2 yang dinormalisasi menggunakan resep berbeda dan merupakan checkpoint terpisah, meskipun berbagi keluarga MPNet dan keluaran 768 komponen. Simpan edisi tepat dan fungsi perbandingan bersama koleksi tersimpan alih-alih memilihnya hanya berdasarkan panjang vektor.\n\n### Batas panjang dan bagian yang lebih panjang\n\nBatas masukan yang dinyatakan adalah 512 unit word piece; teks lebih panjang dipotong. Pembuat juga mencatat bahwa masukan pelatihan hanya mencapai 250 unit word piece dan teks lebih panjang mungkin bekerja kurang baik. Karena itu, panjang yang diterima tokenizer dan catatan panjang pelatihan menjelaskan batas praktis berbeda.\n\nUntuk artikel bantuan besar, siapkan bagian pendek yang menjawab pertanyaan spesifik. Pertahankan judul ketika mengidentifikasi topik, dan simpan aturan bersama pengecualian yang dibutuhkan untuk membacanya dengan benar. Satu masukan halaman penuh mungkin kehilangan materi berikutnya akibat pemotongan, sedangkan fragmen terlalu kecil dapat kehilangan kondisi yang membuatnya berguna.\n\n### Gunakan peringkat dalam temu kembali dan RAG\n\nVektor dense mendukung tahap awal temu kembali. Kembalikan bagian kandidat berskor tertinggi bersama rujukan sumber, lalu periksa apakah bagian tersebut menjawab pertanyaan sebenarnya. Dalam alur RAG, berikan bagian-bagian itu sebagai materi sumber kepada tahap penulisan jawaban; temu kembali sendiri tidak menyusun jawaban.\n\nGunakan pertanyaan yang representatif dengan bagian relevan yang diketahui untuk memilih jumlah hasil dan menilai peringkat. Sertakan contoh dengan kosakata serupa tetapi maksud berbeda, seperti mengubah alamat dibanding melihat alamat saat ini. Tafsirkan skor relatif terhadap kandidat di bawah model dan pengaturan penilaian yang sama, bukan sebagai probabilitas kebenaran yang terkalibrasi.\n\nKeluaran berguna checkpoint ini adalah ruang embedding pertanyaan dan bagian teks untuk pencarian semantik. Vektor yang tidak dinormalisasi, pooling CLS, skor hasil kali titik, dan catatan masukan panjang yang diterbitkan merupakan detail yang perlu dipertahankan saat menyiapkan serta menggunakan hasil.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "9187a34b62b14118b6aa04d9da2344f52881e7001b5ecc5c7c57c470d818df69", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "id", "methods": [ { "html": "
•

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

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

Mulai

Sentence Transformers multi-qa-mpnet-base-dot-v1 mengodekan pertanyaan dan bagian teks menjadi vektor 768 dimensi untuk pencarian semantik. Model menggunakan pooling CLS dan embedding yang tidak dinormalisasi untuk penilaian hasil kali titik, dengan batas masukan 512 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.

multi-qa-mpnet-base-dot-v1 adalah model Sentence Transformers yang dirancang untuk menemukan bagian teks bagi pertanyaan atau kueri. Pelatihannya menggunakan sekitar 215 juta pasangan tanya–jawab. Setiap masukan menjadi vektor dense 768 dimensi, dengan pooling CLS dan penilaian hasil kali titik yang menentukan edisi tepat ini.

Siapkan pertanyaan dan bagian kandidat

Tulis kueri sebagai kebutuhan informasi dan siapkan entri korpus sebagai bagian teks yang dapat dibaca. Misalnya, pertanyaan tentang perubahan alamat pengiriman dapat dibandingkan dengan paragraf terpisah tentang perubahan alamat, pembatalan pesanan, dan pelacakan pengiriman. Pertahankan kondisi yang relevan dalam bagian perubahan alamat, termasuk apakah pesanan sudah dikirim.

Kodekan kueri dan bagian teks dengan model yang sama ini. Contoh yang diterbitkan melakukannya langsung, tanpa prefiks query/document, lalu mengurutkan bagian berdasarkan skor hasil kali titiknya. Pertahankan hubungan setiap vektor dengan bagian asli dan pengenal dokumen agar hasil berperingkat dapat menunjukkan materi yang benar-benar diindeks.

Pooling CLS dan edisi hasil kali titik

Resep rujukan model mengambil representasi token pertama, yang dikenal sebagai pooling CLS. Tabel teknisnya secara eksplisit menyatakan bahwa embedding tidak dinormalisasi dan mencantumkan hasil kali titik sebagai fungsi penilaian yang sesuai. Pertahankan resep tersebut saat menyiapkan koleksi dan sisi kueri.

Normalisasi L2 pada vektor ini mengubah geometri penilaiannya. Profil all-mpnet-base-v2 yang dinormalisasi menggunakan resep berbeda dan merupakan checkpoint terpisah, meskipun berbagi keluarga MPNet dan keluaran 768 komponen. Simpan edisi tepat dan fungsi perbandingan bersama koleksi tersimpan alih-alih memilihnya hanya berdasarkan panjang vektor.

Batas panjang dan bagian yang lebih panjang

Batas masukan yang dinyatakan adalah 512 unit word piece; teks lebih panjang dipotong. Pembuat juga mencatat bahwa masukan pelatihan hanya mencapai 250 unit word piece dan teks lebih panjang mungkin bekerja kurang baik. Karena itu, panjang yang diterima tokenizer dan catatan panjang pelatihan menjelaskan batas praktis berbeda.

Untuk artikel bantuan besar, siapkan bagian pendek yang menjawab pertanyaan spesifik. Pertahankan judul ketika mengidentifikasi topik, dan simpan aturan bersama pengecualian yang dibutuhkan untuk membacanya dengan benar. Satu masukan halaman penuh mungkin kehilangan materi berikutnya akibat pemotongan, sedangkan fragmen terlalu kecil dapat kehilangan kondisi yang membuatnya berguna.

Gunakan peringkat dalam temu kembali dan RAG

Vektor dense mendukung tahap awal temu kembali. Kembalikan bagian kandidat berskor tertinggi bersama rujukan sumber, lalu periksa apakah bagian tersebut menjawab pertanyaan sebenarnya. Dalam alur RAG, berikan bagian-bagian itu sebagai materi sumber kepada tahap penulisan jawaban; temu kembali sendiri tidak menyusun jawaban.

Gunakan pertanyaan yang representatif dengan bagian relevan yang diketahui untuk memilih jumlah hasil dan menilai peringkat. Sertakan contoh dengan kosakata serupa tetapi maksud berbeda, seperti mengubah alamat dibanding melihat alamat saat ini. Tafsirkan skor relatif terhadap kandidat di bawah model dan pengaturan penilaian yang sama, bukan sebagai probabilitas kebenaran yang terkalibrasi.

Keluaran berguna checkpoint ini adalah ruang embedding pertanyaan dan bagian teks untuk pencarian semantik. Vektor yang tidak dinormalisasi, pooling CLS, skor hasil kali titik, dan catatan masukan panjang yang diterbitkan merupakan detail yang perlu dipertahankan saat menyiapkan serta menggunakan hasil.

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/multi-qa-mpnet-base-dot-v1
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/multi-qa-mpnet-base-dot-v1", "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/multi-qa-mpnet-base-dot-v1

Alias jalur metode

Gunakan jalur metode yang ditampilkan di atas.

ID pemanggil terkait

sentence-transformers/multi-qa-mpnet-base-dot-v1

", "method_identity": { "effective_request_model_id": "sentence-transformers/multi-qa-mpnet-base-dot-v1", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "sentence-transformers/multi-qa-mpnet-base-dot-v1", "route_label": "Ultra" }, "method_key": "Ultra|embeddings|/v1/embeddings|sentence-transformers%2Fmulti-qa-mpnet-base-dot-v1", "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/multi-qa-mpnet-base-dot-v1" ], "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/multi-qa-mpnet-base-dot-v1\", \"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/multi-qa-mpnet-base-dot-v1',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/multi-qa-mpnet-base-dot-v1", "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/multi-qa-mpnet-base-dot-v1", "nativeProvenance": { "input_facts_canonical_sha256": "0a61532fc5711595e908fc2603722ca986de583a0fe289ec7030e7136e737566", "input_html_sha256": "6574b75867b472ffb8bcc6bef6aff9392d06fe071e80da028d96fb1b3ecef3d4", "private_audit_sha256": "898e71bb4ab31570b53be7b90760d315471a5b94567c6eaf4f5a4118fdf7cbca", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/id/sentence-transformers-multi-qa-mpnet-base-dot-v1/", "description": "Sentence Transformers multi-qa-mpnet-base-dot-v1 mengodekan pertanyaan dan bagian teks menjadi vektor 768 dimensi untuk pencarian semantik. Model menggunakan pooling CLS dan embedding yang tidak dinormalisasi untuk penilaian hasil kali titik, dengan batas masukan 512 unit word piece.", "locale": "id", "md_url": "https://ailoot.ai/models/id/sentence-transformers-multi-qa-mpnet-base-dot-v1/index.md", "title": "Sentence Transformers: multi-qa-mpnet-base-dot-v1 — Ailoot", "url": "https://ailoot.ai/models/id/sentence-transformers-multi-qa-mpnet-base-dot-v1/" }, "rawModel": { "about": "multi-qa-mpnet-base-dot-v1 adalah model Sentence Transformers yang dirancang untuk menemukan bagian teks bagi pertanyaan atau kueri. Pelatihannya menggunakan sekitar 215 juta pasangan tanya–jawab. Setiap masukan menjadi vektor dense 768 dimensi, dengan pooling CLS dan penilaian hasil kali titik yang menentukan edisi tepat ini.\n\n### Siapkan pertanyaan dan bagian kandidat\n\nTulis kueri sebagai kebutuhan informasi dan siapkan entri korpus sebagai bagian teks yang dapat dibaca. Misalnya, pertanyaan tentang perubahan alamat pengiriman dapat dibandingkan dengan paragraf terpisah tentang perubahan alamat, pembatalan pesanan, dan pelacakan pengiriman. Pertahankan kondisi yang relevan dalam bagian perubahan alamat, termasuk apakah pesanan sudah dikirim.\n\nKodekan kueri dan bagian teks dengan model yang sama ini. Contoh yang diterbitkan melakukannya langsung, tanpa prefiks query/document, lalu mengurutkan bagian berdasarkan skor hasil kali titiknya. Pertahankan hubungan setiap vektor dengan bagian asli dan pengenal dokumen agar hasil berperingkat dapat menunjukkan materi yang benar-benar diindeks.\n\n### Pooling CLS dan edisi hasil kali titik\n\nResep rujukan model mengambil representasi token pertama, yang dikenal sebagai pooling CLS. Tabel teknisnya secara eksplisit menyatakan bahwa embedding tidak dinormalisasi dan mencantumkan hasil kali titik sebagai fungsi penilaian yang sesuai. Pertahankan resep tersebut saat menyiapkan koleksi dan sisi kueri.\n\nNormalisasi L2 pada vektor ini mengubah geometri penilaiannya. Profil all-mpnet-base-v2 yang dinormalisasi menggunakan resep berbeda dan merupakan checkpoint terpisah, meskipun berbagi keluarga MPNet dan keluaran 768 komponen. Simpan edisi tepat dan fungsi perbandingan bersama koleksi tersimpan alih-alih memilihnya hanya berdasarkan panjang vektor.\n\n### Batas panjang dan bagian yang lebih panjang\n\nBatas masukan yang dinyatakan adalah 512 unit word piece; teks lebih panjang dipotong. Pembuat juga mencatat bahwa masukan pelatihan hanya mencapai 250 unit word piece dan teks lebih panjang mungkin bekerja kurang baik. Karena itu, panjang yang diterima tokenizer dan catatan panjang pelatihan menjelaskan batas praktis berbeda.\n\nUntuk artikel bantuan besar, siapkan bagian pendek yang menjawab pertanyaan spesifik. Pertahankan judul ketika mengidentifikasi topik, dan simpan aturan bersama pengecualian yang dibutuhkan untuk membacanya dengan benar. Satu masukan halaman penuh mungkin kehilangan materi berikutnya akibat pemotongan, sedangkan fragmen terlalu kecil dapat kehilangan kondisi yang membuatnya berguna.\n\n### Gunakan peringkat dalam temu kembali dan RAG\n\nVektor dense mendukung tahap awal temu kembali. Kembalikan bagian kandidat berskor tertinggi bersama rujukan sumber, lalu periksa apakah bagian tersebut menjawab pertanyaan sebenarnya. Dalam alur RAG, berikan bagian-bagian itu sebagai materi sumber kepada tahap penulisan jawaban; temu kembali sendiri tidak menyusun jawaban.\n\nGunakan pertanyaan yang representatif dengan bagian relevan yang diketahui untuk memilih jumlah hasil dan menilai peringkat. Sertakan contoh dengan kosakata serupa tetapi maksud berbeda, seperti mengubah alamat dibanding melihat alamat saat ini. Tafsirkan skor relatif terhadap kandidat di bawah model dan pengaturan penilaian yang sama, bukan sebagai probabilitas kebenaran yang terkalibrasi.\n\nKeluaran berguna checkpoint ini adalah ruang embedding pertanyaan dan bagian teks untuk pencarian semantik. Vektor yang tidak dinormalisasi, pooling CLS, skor hasil kali titik, dan catatan masukan panjang yang diterbitkan merupakan detail yang perlu dipertahankan saat menyiapkan serta menggunakan hasil.", "alias_of": null, "aliases": [], "author": "Sentence Transformers", "available": null, "canonical_model": "sentence-transformers/multi-qa-mpnet-base-dot-v1", "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/multi-qa-mpnet-base-dot-v1", "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/multi-qa-mpnet-base-dot-v1" ], "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/multi-qa-mpnet-base-dot-v1\", \"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/multi-qa-mpnet-base-dot-v1',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/multi-qa-mpnet-base-dot-v1", "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/multi-qa-mpnet-base-dot-v1", "request_model_id": "sentence-transformers/multi-qa-mpnet-base-dot-v1", "route_label": "Ultra" } ], "name": "Sentence Transformers: multi-qa-mpnet-base-dot-v1", "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/multi-qa-mpnet-base-dot-v1", "short": "Sentence Transformers multi-qa-mpnet-base-dot-v1 mengodekan pertanyaan dan bagian teks menjadi vektor 768 dimensi untuk pencarian semantik. Model menggunakan pooling CLS dan embedding yang tidak dinormalisasi untuk penilaian hasil kali titik, dengan batas masukan 512 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 multi-qa-mpnet-base-dot-v1 mengodekan pertanyaan dan bagian teks menjadi vektor 768 dimensi untuk pencarian semantik. Model menggunakan pooling CLS dan embedding yang tidak dinormalisasi untuk penilaian hasil kali titik, dengan batas masukan 512 unit word piece.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "9e8a4029485e0d4d3b7ca066cc0f16ad402a22ac561f426eba195c5ff47c0397", "renderer_sha256": "2a0471475a29000c23db326ca1e315df73dee7524f6bc2907818ee3458813f2d" }, "sourceRevision": "65bf6a12382a6a5f864ad5bddc56e9ceaa7f798acca3af9b5c2338221c410bc6" }