Source: https://ailoot.ai/models/it/sentence-transformers-multi-qa-mpnet-base-dot-v1/ Canonical: https://ailoot.ai/models/it/sentence-transformers-multi-qa-mpnet-base-dot-v1/ Language: it # Sentence Transformers: multi-qa-mpnet-base-dot-v1 [Markdown](https://ailoot.ai/models/it/sentence-transformers-multi-qa-mpnet-base-dot-v1/index.md) · [JSON](https://ailoot.ai/models/it/sentence-transformers-multi-qa-mpnet-base-dot-v1/facts.json) ## [Sentence Transformers: multi-qa-mpnet-base-dot-v1](https://ailoot.ai/models/it/sentence-transformers-multi-qa-mpnet-base-dot-v1/) Sentence Transformers multi-qa-mpnet-base-dot-v1 codifica domande e passaggi in vettori a 768 dimensioni per la ricerca semantica. Usa pooling CLS ed embedding non normalizzati progettati per punteggi tramite prodotto scalare, con un limite di input di 512 unità subword. - [**Ailoot Ultra · Embedding** `POST /v1/embeddings` `sentence-transformers/multi-qa-mpnet-base-dot-v1`](https://ailoot.ai/models/it/sentence-transformers-multi-qa-mpnet-base-dot-v1/#method-0) Informazioni sul modello 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. multi-qa-mpnet-base-dot-v1 è un modello di Sentence Transformers progettato per recuperare passaggi testuali per una domanda o una query. Il suo addestramento ha usato circa 215 milioni di coppie domanda–risposta. Ogni input diventa un vettore denso a 768 dimensioni, con pooling CLS e punteggio tramite prodotto scalare che definiscono questa esatta edizione. #### Preparare una domanda e passaggi candidati Scrivi la query come bisogno informativo e prepara le voci del corpus come passaggi testuali leggibili. Per esempio, una domanda sulla modifica di un indirizzo di consegna può essere confrontata con paragrafi separati su cambi di indirizzo, annullamento dell’ordine e tracciamento della consegna. Mantieni le condizioni pertinenti nel passaggio sul cambio di indirizzo, compreso il fatto che l’ordine sia già stato spedito o meno. Codifica query e passaggi con questo stesso modello. L’esempio pubblicato lo fa direttamente, senza un prefisso di query o documento, e ordina i passaggi secondo i punteggi del prodotto scalare. Mantieni ogni vettore collegato al passaggio originale e all’identificatore del documento, affinché il risultato ordinato possa mostrare il materiale effettivamente indicizzato. #### Pooling CLS e l’edizione a prodotto scalare La ricetta di riferimento del modello prende la rappresentazione del primo token, nota come pooling CLS. La sua tabella tecnica afferma esplicitamente che gli embedding non sono normalizzati e indica il prodotto scalare come funzione di punteggio adatta. Preserva quella ricetta quando imposti la raccolta e il lato delle query. La normalizzazione L2 di questi vettori ne cambia la geometria dei punteggi. Il profilo normalizzato all-mpnet-base-v2 usa una ricetta diversa ed è un checkpoint separato, nonostante condivida la famiglia MPNet e un output a 768 componenti. Mantieni l’edizione esatta e la funzione di confronto insieme alla raccolta memorizzata, anziché sceglierle soltanto dalla lunghezza dei vettori. #### Limite di lunghezza e passaggi più lunghi Il limite di input dichiarato è di 512 unità subword; il testo più lungo viene troncato. Il produttore osserva inoltre che gli input di addestramento raggiungevano soltanto 250 unità subword e che il testo più lungo può funzionare meno bene. La lunghezza accettata dal tokenizer e l’avvertenza sulla lunghezza di addestramento descrivono quindi confini pratici differenti. Per un articolo di aiuto esteso, prepara sezioni brevi che rispondano a domande specifiche. Conserva un titolo quando identifica l’argomento e mantieni una regola con l’eccezione necessaria per leggerla correttamente. Un unico input di pagina intera può perdere materiale successivo per troncamento, mentre un frammento troppo piccolo può perdere la condizione che lo rende utile. #### Usare l’ordinamento nel recupero e nel RAG I vettori densi supportano una prima fase di recupero. Restituisci i passaggi candidati con i punteggi più alti insieme ai riferimenti alle fonti, quindi esamina se affrontano la domanda effettiva. In un flusso RAG, fornisci quei passaggi come materiale di origine alla fase di scrittura della risposta; il recupero stesso non compone la risposta. Usa domande rappresentative con passaggi pertinenti noti per scegliere il numero di risultati e valutare l’ordinamento. Includi esempi con vocabolario simile ma intento diverso, come modificare un indirizzo rispetto a visualizzare quello attuale. Interpreta i punteggi relativamente ai candidati sotto lo stesso modello e la stessa configurazione di punteggio, anziché come probabilità calibrate di correttezza. L’output utile di questo checkpoint è uno spazio di embedding per domande e passaggi destinato alla ricerca semantica. Vettori non normalizzati, pooling CLS, punteggio a prodotto scalare e l’avvertenza pubblicata sugli input lunghi sono i dettagli da preservare quando si preparano e si usano i risultati. **Ailoot Ultra · Embedding** `POST /v1/embeddings` `sentence-transformers/multi-qa-mpnet-base-dot-v1` [`sentence-transformers/multi-qa-mpnet-base-dot-v1`](https://ailoot.ai/models/it/#m=sentence-transformers%2Fmulti-qa-mpnet-base-dot-v1&route=Ultra&caller=sentence-transformers%2Fmulti-qa-mpnet-base-dot-v1&fmt=embeddings) Sentence Transformers /`sentence-transformers/multi-qa-mpnet-base-dot-v1` ### Introduzione Sentence Transformers multi-qa-mpnet-base-dot-v1 codifica domande e passaggi in vettori a 768 dimensioni per la ricerca semantica. Usa pooling CLS ed embedding non normalizzati progettati per punteggi tramite prodotto scalare, con un limite di input di 512 unità subword. Input accettati Testo · token\_ids Risultati embedding ### Disponibile in Ailoot · input e metodi **Ailoot Ultra · Embedding** `POST /v1/embeddings` Tipi di input `text`, `token_ids` Tipi di output `embedding` Formato di output json | Campo | Tipo | Requisito | Valori e limiti | Predefinito | | --- | --- | --- | --- | --- | | Campo`model` | Tipo`string` | RequisitoObbligatorio | Valori e limiti sentence-transformers/multi-qa-mpnet-base-dot-v1 | Predefinito— | | Campo`input` | Tipo`string\|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— | | Campo`encoding_format` | Tipo`string` | RequisitoFacoltativo | Valori e limiti float | Predefinitofloat | | Campo`dimensions` | Tipo`integer` | RequisitoNon supportato | Valori e limiti Minimo: 1 | Predefinito— | | Campo`user` | Tipo`json_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— | | Campo`session_id` | Tipo`json_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— | | Campo`trace` | Tipo`json_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— | | Campo`provider` | Tipo`object` | RequisitoFacoltativo | Valori e limiti Condizioni: provider.options rifiutato | Predefinito— | Combinazioni di materiali in input **text\_to\_embedding** Parametri e ciclo di vita del metodo | Parametro | Contratto | | --- | --- | | Parametro`content_type` | Contrattoapplication/json | | Parametro`required` | Contrattomodel, input | | Parametro`input_shapes` | Contrattostring, string\[\], nonnegative\_integer\_token\_array, nonnegative\_integer\_token\_array\[\] | | Parametro`encoding_format` | Contrattofloat | | Parametro`dimensions_override` | Contrattofalse | | Parametro`max_input_budget_units` | Contratto512 | | Parametro`multimodal_objects` | Contrattofalse | | Parametro`material_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. ### Tariffe Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato. Modalità rapida Non specificato Quando è selezionata la modalità rapida Modalità flex Non specificato Quando è selezionata la modalità flex Sforzo massimo di ragionamento Non specificato Quando lo sforzo massimo di ragionamento usa l'adeguamento predefinito (default) #### Tariffe Ailoot #### Prezzi per configurazione | 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 **$0** / 1K token Input · Lettura dalla cache **—** / 1K token Input · Scrittura nella cache **—** / 1K token Input · Scrittura nella cache, 1 ora **—** / 1K token | Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. [Come funzionano la prenotazione e l’addebito finale →](https://ailoot.ai/docs/it/billing/reserve/) ### Esempi di richieste #### Ailoot Ultra · Embedding curlPython SDK ```bash set -eu : "${AILOOT_API_KEY:?Set your Ailoot API key}" python3 - <<'PY_REQUEST' import json,os from pathlib import Path p=json.loads('{"model": "sentence-transformers/multi-qa-mpnet-base-dot-v1", "input": ["First document", "Second document"]}') Path("request.json").write_text(json.dumps(p,ensure_ascii=False)) PY_REQUEST curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \ -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \ --data-binary @request.json -D response-headers.txt -o result.json python3 - <<'PY_RESULT' import json from pathlib import Path r=json.loads(Path("result.json").read_text()) for x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")})) PY_RESULT ``` ```python from openai import OpenAI import os client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0) result=client.embeddings.create(model='sentence-transformers/multi-qa-mpnet-base-dot-v1',input=["First document","Second document"]) print(result) for item in result.data:print(item.index,item.embedding) ``` ### Ricevi e salva i risultati #### Ailoot Ultra · Embedding json ##### Conserva tutti i risultati completati 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. ##### Se occorre verificare la risposta originale Non viene introdotto alcun endpoint per i job di embedding. Campi della risposta | Campo | Tipo | | --- | --- | | Campo`object` | Tipostring | | Campo`model` | Tipostring | | Campo`data[].index` | Tipointeger | | Campo`data[].embedding` | Tipofinite float\[\] | | Campo`usage` | Tipoobject | Errori e passaggi successivi | 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. | ### Alias #### Alias del modello **Ailoot Ultra** [`sentence-transformers/multi-qa-mpnet-base-dot-v1`](https://ailoot.ai/models/it/#m=sentence-transformers%2Fmulti-qa-mpnet-base-dot-v1&route=Ultra&caller=sentence-transformers%2Fmulti-qa-mpnet-base-dot-v1&fmt=embeddings) #### Alias dei percorsi dei metodi Usa i percorsi dei metodi indicati sopra. #### ID di chiamata correlati [`sentence-transformers/multi-qa-mpnet-base-dot-v1`](https://ailoot.ai/models/it/#m=sentence-transformers%2Fmulti-qa-mpnet-base-dot-v1&route=Ultra&caller=sentence-transformers%2Fmulti-qa-mpnet-base-dot-v1&fmt=embeddings) FAQ · Sentence Transformers: multi-qa-mpnet-base-dot-v1 Quali input e risultati sono disponibili? `POST /v1/embeddings` · `sentence-transformers/multi-qa-mpnet-base-dot-v1`: `text`, `token_ids` → `embedding` Quali campi usa la richiesta? `POST /v1/embeddings` · `sentence-transformers/multi-qa-mpnet-base-dot-v1`: `model`, `input`, `encoding_format`, `provider` Quali limiti si applicano? `POST /v1/embeddings` · `sentence-transformers/multi-qa-mpnet-base-dot-v1`: `input.budget.maximum`: `512` (byte UTF8); `input.min_items`: `1` Collega Ailoot a Claude Code, OpenCode, Hermes o alla tua applicazione. ## L’azienda e il suo portafoglio di progetti L’azienda e il suo portafoglio di progetti: milioni di clienti; vendite nell’ordine dei miliardi ogni mese. ## Acquista token con uno sconto. Sconto con abbonamento per lavoro regolare. Codici fino al 50% sull’acquisto di token. Abbonamento Scegli un piano scontato per richieste regolari. Codice fino al 50% Inserisci il codice all’acquisto. Il prezzo si aggiorna secondo la promozione. Spese nella cronologia Modello, token e importo sono salvati per ogni richiesta. [Scegli abbonamento](https://ailoot.ai/docs/it/billing/subscriptions/) · [Consulta prezzi dei modelli](https://ailoot.ai/models/it/) ## Collega l’API al prodotto che vendi. SaaS, app e bot secondo offerta e accordo di licenza Ailoot. Per rivendere, richiedi una licenza reseller. Applicazione commerciale Integra generazione di testo, immagini, video e suono nelle funzioni a pagamento. Licenza reseller Invia descrizione del progetto e schema di accesso. Richiedi condizioni scritte per uso e rivendita. Documenti sul sito Offerta, accordo di licenza e politica sui dati sono disponibili prima della connessione. [Richiedi licenza reseller](mailto:support@ailoot.ai) · [Offerta e accordo di licenza](https://ailoot.ai/legal/offer?lang=it) ## Ailoot · L’azienda e il suo portafoglio di progetti Ailoot si basa su un’esperienza operativa consolidata, un’ampia base di clienti, un servizio stabile e un controllo costante dei KPI. L’azienda e il suo portafoglio di progetti: milioni di clienti; vendite nell’ordine dei miliardi ogni mese. Ailoot mette questa esperienza operativa al servizio dell’accesso API alle funzioni AI nei prodotti dei clienti, negli agenti, nelle applicazioni e nelle automazioni.