all-mpnet-base-v2 è un modello di Sentence Transformers per rappresentare frasi e brevi paragrafi come vettori densi a 768 dimensioni. È stato adattato dal modello base MPNet con apprendimento contrastivo su una raccolta di un miliardo di coppie di frasi. Il produttore identifica recupero di informazioni, clustering e similarità tra frasi come usi previsti.
Prepara il testo da confrontare mantenendo l’idea principale e i dettagli distintivi. Per una raccolta documentale interna, una sezione breve potrebbe descrivere come richiedere la sostituzione di un’apparecchiatura o quali informazioni debba contenere un rapporto di manutenzione. Mantieni disponibili il titolo del documento e la posizione nella fonte insieme al vettore.
Una query codificata con lo stesso modello può recuperare sezioni correlate anche quando la formulazione differisce. Esamina quelle sezioni per individuare l’istruzione effettiva necessaria al lettore. Per un flusso di similarità, confronta le frasi candidate stesse dopo il recupero, soprattutto quando una include un’eccezione o una condizione assente nell’altra.
L’esempio di codifica di riferimento calcola la media delle rappresentazioni contestuali dei token usando la maschera di attenzione, escludendo il padding dalla media. Applica poi la normalizzazione L2 agli embedding di frase risultanti. Preserva entrambi i passaggi quando produci vettori per una raccolta e per query successive.
Ogni vettore ha 768 componenti. La similarità del coseno può confrontare queste rappresentazioni normalizzate, mentre il testo di origine fornisce gli elementi alla base di un risultato. Il numero comune di componenti non rende questo modello compatibile con multi-qa-mpnet-base-dot-v1: quell’edizione separata specifica pooling CLS e vettori non normalizzati per punteggi a prodotto scalare.
Il produttore afferma che l’input oltre 384 unità subword viene troncato per impostazione predefinita. Mantieni la sezione pertinente entro quel confine del tokenizer. Per una procedura lunga, suddividi in corrispondenza di sezioni significative e includi abbastanza contesto locale da spiegare a che cosa si applica un passaggio. Un frammento come «Submit within five days» richiede l’evento o il processo da cui decorre la scadenza.
La procedura di addestramento limitava le sequenze a 128 token, un’impostazione distinta dal valore predefinito pubblicato di 384 unità subword per la codifica. Usa materiale rappresentativo quando valuti paragrafi più lunghi o vocabolario specifico della raccolta. Il fatto che più testo rientri nell’input non stabilisce che ogni dettaglio influenzerà allo stesso modo un risultato di recupero.
Per la ricerca, mantieni l’associazione tra vettore e documento, affinché i candidati ordinati possano restituire le sezioni originali. In un flusso RAG, le sezioni selezionate diventano contesto per la fase di scrittura della risposta. Il modello fornisce rappresentazioni numeriche; non genera una risposta basata su fonti e non decide quale documento sia autorevole.
Per il clustering, confronta i record di ogni gruppo proposto prima di assegnare etichette. Un insieme di note di manutenzione può contenere linguaggio simile ma riferirsi a dispositivi o condizioni di guasto differenti. Includi questi dettagli distintivi nel testo codificato ed esaminali nel materiale restituito, anziché affidarti soltanto a un punteggio.
Questo checkpoint esatto all-mpnet-base-v2 è un profilo inglese di embedding di frasi con proprie impostazioni di pooling medio, normalizzazione e troncamento predefinito. Mantieni tali impostazioni insieme alla raccolta indicizzata e usa i vettori come ausilio per trovare e confrontare i passaggi di origine importanti per l’attività.
", "aboutText": "all-mpnet-base-v2 è un modello di Sentence Transformers per rappresentare frasi e brevi paragrafi come vettori densi a 768 dimensioni. È stato adattato dal modello base MPNet con apprendimento contrastivo su una raccolta di un miliardo di coppie di frasi. Il produttore identifica recupero di informazioni, clustering e similarità tra frasi come usi previsti.\n\n### Codificare una frase o un breve paragrafo\n\nPrepara il testo da confrontare mantenendo l’idea principale e i dettagli distintivi. Per una raccolta documentale interna, una sezione breve potrebbe descrivere come richiedere la sostituzione di un’apparecchiatura o quali informazioni debba contenere un rapporto di manutenzione. Mantieni disponibili il titolo del documento e la posizione nella fonte insieme al vettore.\n\nUna query codificata con lo stesso modello può recuperare sezioni correlate anche quando la formulazione differisce. Esamina quelle sezioni per individuare l’istruzione effettiva necessaria al lettore. Per un flusso di similarità, confronta le frasi candidate stesse dopo il recupero, soprattutto quando una include un’eccezione o una condizione assente nell’altra.\n\n### Pooling medio e normalizzazione\n\nL’esempio di codifica di riferimento calcola la media delle rappresentazioni contestuali dei token usando la maschera di attenzione, escludendo il padding dalla media. Applica poi la normalizzazione L2 agli embedding di frase risultanti. Preserva entrambi i passaggi quando produci vettori per una raccolta e per query successive.\n\nOgni vettore ha 768 componenti. La similarità del coseno può confrontare queste rappresentazioni normalizzate, mentre il testo di origine fornisce gli elementi alla base di un risultato. Il numero comune di componenti non rende questo modello compatibile con multi-qa-mpnet-base-dot-v1: quell’edizione separata specifica pooling CLS e vettori non normalizzati per punteggi a prodotto scalare.\n\n### Troncamento predefinito e preparazione dei passaggi\n\nIl produttore afferma che l’input oltre 384 unità subword viene troncato per impostazione predefinita. Mantieni la sezione pertinente entro quel confine del tokenizer. Per una procedura lunga, suddividi in corrispondenza di sezioni significative e includi abbastanza contesto locale da spiegare a che cosa si applica un passaggio. Un frammento come «Submit within five days» richiede l’evento o il processo da cui decorre la scadenza.\n\nLa procedura di addestramento limitava le sequenze a 128 token, un’impostazione distinta dal valore predefinito pubblicato di 384 unità subword per la codifica. Usa materiale rappresentativo quando valuti paragrafi più lunghi o vocabolario specifico della raccolta. Il fatto che più testo rientri nell’input non stabilisce che ogni dettaglio influenzerà allo stesso modo un risultato di recupero.\n\n### Recupero, raggruppamento e confronto\n\nPer la ricerca, mantieni l’associazione tra vettore e documento, affinché i candidati ordinati possano restituire le sezioni originali. In un flusso RAG, le sezioni selezionate diventano contesto per la fase di scrittura della risposta. Il modello fornisce rappresentazioni numeriche; non genera una risposta basata su fonti e non decide quale documento sia autorevole.\n\nPer il clustering, confronta i record di ogni gruppo proposto prima di assegnare etichette. Un insieme di note di manutenzione può contenere linguaggio simile ma riferirsi a dispositivi o condizioni di guasto differenti. Includi questi dettagli distintivi nel testo codificato ed esaminali nel materiale restituito, anziché affidarti soltanto a un punteggio.\n\nQuesto checkpoint esatto all-mpnet-base-v2 è un profilo inglese di embedding di frasi con proprie impostazioni di pooling medio, normalizzazione e troncamento predefinito. Mantieni tali impostazioni insieme alla raccolta indicizzata e usa i vettori come ausilio per trovare e confrontare i passaggi di origine importanti per l’attività.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "e49c5cdaca95578012aaf4e8d896ef19d0f2be93bc155c2df528ab8f924b58dd", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "it", "methods": [ { "html": "sentence-transformers/all-mpnet-base-v2Sentence Transformers all-mpnet-base-v2 converte frasi e brevi paragrafi in vettori a 768 dimensioni per recupero, clustering e similarità. La ricetta pubblicata usa pooling medio e normalizzazione L2, con troncamento predefinito a 384 unità subword.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
all-mpnet-base-v2 è un modello di Sentence Transformers per rappresentare frasi e brevi paragrafi come vettori densi a 768 dimensioni. È stato adattato dal modello base MPNet con apprendimento contrastivo su una raccolta di un miliardo di coppie di frasi. Il produttore identifica recupero di informazioni, clustering e similarità tra frasi come usi previsti.
Prepara il testo da confrontare mantenendo l’idea principale e i dettagli distintivi. Per una raccolta documentale interna, una sezione breve potrebbe descrivere come richiedere la sostituzione di un’apparecchiatura o quali informazioni debba contenere un rapporto di manutenzione. Mantieni disponibili il titolo del documento e la posizione nella fonte insieme al vettore.
Una query codificata con lo stesso modello può recuperare sezioni correlate anche quando la formulazione differisce. Esamina quelle sezioni per individuare l’istruzione effettiva necessaria al lettore. Per un flusso di similarità, confronta le frasi candidate stesse dopo il recupero, soprattutto quando una include un’eccezione o una condizione assente nell’altra.
L’esempio di codifica di riferimento calcola la media delle rappresentazioni contestuali dei token usando la maschera di attenzione, escludendo il padding dalla media. Applica poi la normalizzazione L2 agli embedding di frase risultanti. Preserva entrambi i passaggi quando produci vettori per una raccolta e per query successive.
Ogni vettore ha 768 componenti. La similarità del coseno può confrontare queste rappresentazioni normalizzate, mentre il testo di origine fornisce gli elementi alla base di un risultato. Il numero comune di componenti non rende questo modello compatibile con multi-qa-mpnet-base-dot-v1: quell’edizione separata specifica pooling CLS e vettori non normalizzati per punteggi a prodotto scalare.
Il produttore afferma che l’input oltre 384 unità subword viene troncato per impostazione predefinita. Mantieni la sezione pertinente entro quel confine del tokenizer. Per una procedura lunga, suddividi in corrispondenza di sezioni significative e includi abbastanza contesto locale da spiegare a che cosa si applica un passaggio. Un frammento come «Submit within five days» richiede l’evento o il processo da cui decorre la scadenza.
La procedura di addestramento limitava le sequenze a 128 token, un’impostazione distinta dal valore predefinito pubblicato di 384 unità subword per la codifica. Usa materiale rappresentativo quando valuti paragrafi più lunghi o vocabolario specifico della raccolta. Il fatto che più testo rientri nell’input non stabilisce che ogni dettaglio influenzerà allo stesso modo un risultato di recupero.
Per la ricerca, mantieni l’associazione tra vettore e documento, affinché i candidati ordinati possano restituire le sezioni originali. In un flusso RAG, le sezioni selezionate diventano contesto per la fase di scrittura della risposta. Il modello fornisce rappresentazioni numeriche; non genera una risposta basata su fonti e non decide quale documento sia autorevole.
Per il clustering, confronta i record di ogni gruppo proposto prima di assegnare etichette. Un insieme di note di manutenzione può contenere linguaggio simile ma riferirsi a dispositivi o condizioni di guasto differenti. Includi questi dettagli distintivi nel testo codificato ed esaminali nel materiale restituito, anziché affidarti soltanto a un punteggio.
Questo checkpoint esatto all-mpnet-base-v2 è un profilo inglese di embedding di frasi con proprie impostazioni di pooling medio, normalizzazione e troncamento predefinito. Mantieni tali impostazioni insieme alla raccolta indicizzata e usa i vettori come ausilio per trovare e confrontare i passaggi di origine importanti per l’attività.
POST /v1/embeddingstext, token_idsembedding| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti sentence-transformers/all-mpnet-base-v2 | Predefinito— |
Campoinput | Tipostring|string[]|integer[]|integer[][] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 Condizioni: Batch omogeneo non vuoto. Gli ID dei token sono numeri interi non negativi. Budget di input: Massimo: 512 · Unità di testo: byte UTF8 · Unità di token: elementi dell’array di token | Predefinito— |
Campoencoding_format | Tipostring | RequisitoFacoltativo | Valori e limiti float | Predefinitofloat |
Campodimensions | Tipointeger | RequisitoNon supportato | Valori e limiti Minimo: 1 | Predefinito— |
Campouser | Tipojson_value | RequisitoFacoltativo | Valori e limiti Condizioni: La fonte consente questo campo di metadati JSON; la semantica esatta del fornitore a monte dipende dal modello. | Predefinito— |
Camposession_id | Tipojson_value | RequisitoFacoltativo | Valori e limiti Condizioni: La fonte consente questo campo di metadati JSON; la semantica esatta del fornitore a monte dipende dal modello. | Predefinito— |
Campotrace | Tipojson_value | RequisitoFacoltativo | Valori e limiti Condizioni: La fonte consente questo campo di metadati JSON; la semantica esatta del fornitore a monte dipende dal modello. | Predefinito— |
Campoprovider | Tipoobject | RequisitoFacoltativo | Valori e limiti Condizioni: provider.options rifiutato | Predefinito— |
text_to_embedding
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, input |
Parametroinput_shapes | Contrattostring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parametroencoding_format | Contrattofloat |
Parametrodimensions_override | Contrattofalse |
Parametromax_input_budget_units | Contratto512 |
Parametromultimodal_objects | Contrattofalse |
Parametromaterial_types | Contrattotext, token_ids |
Ciclo di vita: synchronous_json
Conserva l'indice e la dimensione di ogni vettore.
Il nome del modello multimodale non consente oggetti immagine su questo percorso specifico.
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
| Configurazione | Listino delle tariffe | Costo |
|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Costo Input · Token in input $0.00001 / 1K token Output · Token in output $0 / 1K token Input · Lettura dalla cache — / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${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\nfrom 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)\njson
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva ogni vettore con il suo indice. Il numero di vettori deve coincidere con il numero di input; le dimensioni devono essere coerenti.
Non viene introdotto alcun endpoint per i job di embedding.
| Campo | Tipo |
|---|---|
Campoobject | Tipostring |
Campomodel | Tipostring |
Campodata[].index | Tipointeger |
Campodata[].embedding | Tipofinite float[] |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra sentence-transformers/all-mpnet-base-v2
Usa i percorsi dei metodi indicati sopra.