{ "aboutHtml": "

all-mpnet-base-v2 ialah model Sentence Transformers untuk mewakili ayat dan perenggan pendek sebagai vektor padat 768 dimensi. Ia ditala halus daripada model asas MPNet dengan pembelajaran kontrastif pada koleksi satu bilion pasangan ayat. Pembuat mengenal pasti pemerolehan semula maklumat, pengelompokan dan keserupaan ayat sebagai kegunaan yang dimaksudkan.

Kodkan ayat atau perenggan pendek

Sediakan teks yang patut dibandingkan, sambil mengekalkan idea utama dan perincian yang membezakannya. Untuk koleksi dokumen dalaman, bahagian pendek mungkin menerangkan cara meminta penggantian peralatan atau maklumat yang mesti ada dalam laporan penyelenggaraan. Pastikan tajuk dokumen dan lokasi sumber tersedia bersama vektor.

Pertanyaan yang dihasilkan embeddingnya dengan model sama boleh mendapatkan bahagian berkaitan walaupun ungkapannya berbeza. Periksa bahagian itu untuk arahan sebenar yang diperlukan pembaca. Untuk aliran kerja keserupaan, bandingkan ayat calon itu sendiri selepas pemerolehan semula, khususnya apabila satu ayat mempunyai pengecualian atau syarat yang tiada dalam ayat lain.

Mean pooling dan penormalan

Contoh pengekodan rujukan mempuratakan perwakilan token berkonteks menggunakan topeng perhatian, dengan mengecualikan padding daripada purata. Kemudian ia menormalkan embedding ayat hasil mengikut L2. Kekalkan kedua-dua langkah ketika menghasilkan vektor untuk koleksi dan pertanyaan kemudian.

Setiap vektor mempunyai 768 komponen. Keserupaan kosinus boleh membandingkan perwakilan ternormal itu, manakala teks sumber membekalkan bukti di sebalik hasil. Bilangan komponen yang sama tidak menjadikan model ini serasi dengan multi-qa-mpnet-base-dot-v1: edisi berasingan itu menetapkan pooling CLS dan vektor tidak ternormal untuk penskoran hasil darab titik.

Pemotongan lalai dan penyediaan petikan

Pembuat menyatakan bahawa input melebihi 384 unit word piece dipotong secara lalai. Pastikan bahagian berkaitan berada dalam sempadan tokenizer itu. Untuk prosedur panjang, bahagikan mengikut sempadan bahagian bermakna dan sertakan konteks setempat yang mencukupi untuk menjelaskan perkara yang terpakai bagi sesuatu langkah. Fragmen seperti “Submit within five days” memerlukan peristiwa atau proses yang memulakan tarikh akhir itu.

Prosedur latihan mengehadkan jujukan kepada 128 token, berasingan daripada tetapan pengekodan lalai 384 unit word piece yang diterbitkan. Gunakan bahan yang mewakili tugas ketika menilai perenggan lebih panjang atau kosa kata khusus koleksi anda. Lebih banyak teks yang muat dalam input tidak membuktikan bahawa setiap perincian akan mempengaruhi hasil pemerolehan semula secara sama rata.

Pemerolehan semula, pengelompokan dan perbandingan

Untuk carian, simpan perkaitan vektor dengan dokumen supaya calon berperingkat dapat mengembalikan bahagian asal. Dalam aliran kerja RAG, bahagian terpilih menjadi konteks untuk peringkat penulisan jawapan. Model membekalkan perwakilan berangka; ia tidak menjana respons bersumber atau memutuskan dokumen mana yang berautoriti.

Untuk pengelompokan, bandingkan rekod dalam setiap kumpulan cadangan sebelum memberikan label. Set nota penyelenggaraan mungkin mengandungi bahasa serupa tetapi merujuk peranti atau keadaan kegagalan berbeza. Sertakan perincian pembeza itu dalam teks yang dikodkan dan periksanya dalam bahan yang dikembalikan, bukannya bergantung pada skor sahaja.

Checkpoint all-mpnet-base-v2 tepat ini ialah profil embedding ayat bahasa Inggeris dengan tetapan mean pooling, penormalan dan pemotongan lalainya sendiri. Simpan tetapan itu bersama koleksi berindeks dan gunakan vektor sebagai bantuan untuk mencari serta membandingkan petikan sumber yang penting kepada tugas.

", "aboutText": "all-mpnet-base-v2 ialah model Sentence Transformers untuk mewakili ayat dan perenggan pendek sebagai vektor padat 768 dimensi. Ia ditala halus daripada model asas MPNet dengan pembelajaran kontrastif pada koleksi satu bilion pasangan ayat. Pembuat mengenal pasti pemerolehan semula maklumat, pengelompokan dan keserupaan ayat sebagai kegunaan yang dimaksudkan.\n\n### Kodkan ayat atau perenggan pendek\n\nSediakan teks yang patut dibandingkan, sambil mengekalkan idea utama dan perincian yang membezakannya. Untuk koleksi dokumen dalaman, bahagian pendek mungkin menerangkan cara meminta penggantian peralatan atau maklumat yang mesti ada dalam laporan penyelenggaraan. Pastikan tajuk dokumen dan lokasi sumber tersedia bersama vektor.\n\nPertanyaan yang dihasilkan embeddingnya dengan model sama boleh mendapatkan bahagian berkaitan walaupun ungkapannya berbeza. Periksa bahagian itu untuk arahan sebenar yang diperlukan pembaca. Untuk aliran kerja keserupaan, bandingkan ayat calon itu sendiri selepas pemerolehan semula, khususnya apabila satu ayat mempunyai pengecualian atau syarat yang tiada dalam ayat lain.\n\n### Mean pooling dan penormalan\n\nContoh pengekodan rujukan mempuratakan perwakilan token berkonteks menggunakan topeng perhatian, dengan mengecualikan padding daripada purata. Kemudian ia menormalkan embedding ayat hasil mengikut L2. Kekalkan kedua-dua langkah ketika menghasilkan vektor untuk koleksi dan pertanyaan kemudian.\n\nSetiap vektor mempunyai 768 komponen. Keserupaan kosinus boleh membandingkan perwakilan ternormal itu, manakala teks sumber membekalkan bukti di sebalik hasil. Bilangan komponen yang sama tidak menjadikan model ini serasi dengan multi-qa-mpnet-base-dot-v1: edisi berasingan itu menetapkan pooling CLS dan vektor tidak ternormal untuk penskoran hasil darab titik.\n\n### Pemotongan lalai dan penyediaan petikan\n\nPembuat menyatakan bahawa input melebihi 384 unit word piece dipotong secara lalai. Pastikan bahagian berkaitan berada dalam sempadan tokenizer itu. Untuk prosedur panjang, bahagikan mengikut sempadan bahagian bermakna dan sertakan konteks setempat yang mencukupi untuk menjelaskan perkara yang terpakai bagi sesuatu langkah. Fragmen seperti “Submit within five days” memerlukan peristiwa atau proses yang memulakan tarikh akhir itu.\n\nProsedur latihan mengehadkan jujukan kepada 128 token, berasingan daripada tetapan pengekodan lalai 384 unit word piece yang diterbitkan. Gunakan bahan yang mewakili tugas ketika menilai perenggan lebih panjang atau kosa kata khusus koleksi anda. Lebih banyak teks yang muat dalam input tidak membuktikan bahawa setiap perincian akan mempengaruhi hasil pemerolehan semula secara sama rata.\n\n### Pemerolehan semula, pengelompokan dan perbandingan\n\nUntuk carian, simpan perkaitan vektor dengan dokumen supaya calon berperingkat dapat mengembalikan bahagian asal. Dalam aliran kerja RAG, bahagian terpilih menjadi konteks untuk peringkat penulisan jawapan. Model membekalkan perwakilan berangka; ia tidak menjana respons bersumber atau memutuskan dokumen mana yang berautoriti.\n\nUntuk pengelompokan, bandingkan rekod dalam setiap kumpulan cadangan sebelum memberikan label. Set nota penyelenggaraan mungkin mengandungi bahasa serupa tetapi merujuk peranti atau keadaan kegagalan berbeza. Sertakan perincian pembeza itu dalam teks yang dikodkan dan periksanya dalam bahan yang dikembalikan, bukannya bergantung pada skor sahaja.\n\nCheckpoint all-mpnet-base-v2 tepat ini ialah profil embedding ayat bahasa Inggeris dengan tetapan mean pooling, penormalan dan pemotongan lalainya sendiri. Simpan tetapan itu bersama koleksi berindeks dan gunakan vektor sebagai bantuan untuk mencari serta membandingkan petikan sumber yang penting kepada tugas.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "057d2238f043a0f207790e4c74a4d315a114bf4ef5761275814b0b2def0c3de7", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "ms", "methods": [ { "html": "
•

Sentence Transformers: all-mpnet-base-v2

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

Pengenalan

Sentence Transformers all-mpnet-base-v2 menukarkan ayat dan perenggan pendek kepada vektor 768 dimensi untuk pemerolehan semula, pengelompokan dan keserupaan. Kaedah yang diterbitkan menggunakan mean pooling serta penormalan L2, dengan pemotongan lalai pada 384 unit word piece.

Input yang diterima
Teks · token_ids
Hasil
embedding
Tentang model

Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.

all-mpnet-base-v2 ialah model Sentence Transformers untuk mewakili ayat dan perenggan pendek sebagai vektor padat 768 dimensi. Ia ditala halus daripada model asas MPNet dengan pembelajaran kontrastif pada koleksi satu bilion pasangan ayat. Pembuat mengenal pasti pemerolehan semula maklumat, pengelompokan dan keserupaan ayat sebagai kegunaan yang dimaksudkan.

Kodkan ayat atau perenggan pendek

Sediakan teks yang patut dibandingkan, sambil mengekalkan idea utama dan perincian yang membezakannya. Untuk koleksi dokumen dalaman, bahagian pendek mungkin menerangkan cara meminta penggantian peralatan atau maklumat yang mesti ada dalam laporan penyelenggaraan. Pastikan tajuk dokumen dan lokasi sumber tersedia bersama vektor.

Pertanyaan yang dihasilkan embeddingnya dengan model sama boleh mendapatkan bahagian berkaitan walaupun ungkapannya berbeza. Periksa bahagian itu untuk arahan sebenar yang diperlukan pembaca. Untuk aliran kerja keserupaan, bandingkan ayat calon itu sendiri selepas pemerolehan semula, khususnya apabila satu ayat mempunyai pengecualian atau syarat yang tiada dalam ayat lain.

Mean pooling dan penormalan

Contoh pengekodan rujukan mempuratakan perwakilan token berkonteks menggunakan topeng perhatian, dengan mengecualikan padding daripada purata. Kemudian ia menormalkan embedding ayat hasil mengikut L2. Kekalkan kedua-dua langkah ketika menghasilkan vektor untuk koleksi dan pertanyaan kemudian.

Setiap vektor mempunyai 768 komponen. Keserupaan kosinus boleh membandingkan perwakilan ternormal itu, manakala teks sumber membekalkan bukti di sebalik hasil. Bilangan komponen yang sama tidak menjadikan model ini serasi dengan multi-qa-mpnet-base-dot-v1: edisi berasingan itu menetapkan pooling CLS dan vektor tidak ternormal untuk penskoran hasil darab titik.

Pemotongan lalai dan penyediaan petikan

Pembuat menyatakan bahawa input melebihi 384 unit word piece dipotong secara lalai. Pastikan bahagian berkaitan berada dalam sempadan tokenizer itu. Untuk prosedur panjang, bahagikan mengikut sempadan bahagian bermakna dan sertakan konteks setempat yang mencukupi untuk menjelaskan perkara yang terpakai bagi sesuatu langkah. Fragmen seperti “Submit within five days” memerlukan peristiwa atau proses yang memulakan tarikh akhir itu.

Prosedur latihan mengehadkan jujukan kepada 128 token, berasingan daripada tetapan pengekodan lalai 384 unit word piece yang diterbitkan. Gunakan bahan yang mewakili tugas ketika menilai perenggan lebih panjang atau kosa kata khusus koleksi anda. Lebih banyak teks yang muat dalam input tidak membuktikan bahawa setiap perincian akan mempengaruhi hasil pemerolehan semula secara sama rata.

Pemerolehan semula, pengelompokan dan perbandingan

Untuk carian, simpan perkaitan vektor dengan dokumen supaya calon berperingkat dapat mengembalikan bahagian asal. Dalam aliran kerja RAG, bahagian terpilih menjadi konteks untuk peringkat penulisan jawapan. Model membekalkan perwakilan berangka; ia tidak menjana respons bersumber atau memutuskan dokumen mana yang berautoriti.

Untuk pengelompokan, bandingkan rekod dalam setiap kumpulan cadangan sebelum memberikan label. Set nota penyelenggaraan mungkin mengandungi bahasa serupa tetapi merujuk peranti atau keadaan kegagalan berbeza. Sertakan perincian pembeza itu dalam teks yang dikodkan dan periksanya dalam bahan yang dikembalikan, bukannya bergantung pada skor sahaja.

Checkpoint all-mpnet-base-v2 tepat ini ialah profil embedding ayat bahasa Inggeris dengan tetapan mean pooling, penormalan dan pemotongan lalainya sendiri. Simpan tetapan itu bersama koleksi berindeks dan gunakan vektor sebagai bantuan untuk mencari serta membandingkan petikan sumber yang penting kepada tugas.

Tersedia di Ailoot · input & kaedah

Ailoot Ultra · Pembenaman POST /v1/embeddings
Input
text, token_ids
Output
embedding
Format output
json
MedanJenisKeperluanNilai & hadLalai
MedanmodelJenisstringKeperluanDiperlukanNilai & had
sentence-transformers/all-mpnet-base-v2
Lalai—
MedaninputJenisstring|string[]|integer[]|integer[][]KeperluanDiperlukanNilai & had
Item minimum: 1
Syarat: Kelompok homogen yang tidak kosong. ID token ialah integer bukan negatif.
Bajet input: Maksimum: 512 · Unit teks: bait UTF8 · Unit token: elemen tatasusunan token
Lalai—
Medanencoding_formatJenisstringKeperluanPilihanNilai & had
float
Lalaifloat
MedandimensionsJenisintegerKeperluanTidak disokongNilai & had
Minimum: 1
Lalai—
MedanuserJenisjson_valueKeperluanPilihanNilai & had
Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.
Lalai—
Medansession_idJenisjson_valueKeperluanPilihanNilai & had
Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.
Lalai—
MedantraceJenisjson_valueKeperluanPilihanNilai & had
Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.
Lalai—
MedanproviderJenisobjectKeperluanPilihanNilai & had
Syarat: provider.options ditolak
Lalai—
Gabungan bahan input

text_to_embedding

Parameter kaedah dan kitar hayat
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

Kitar hayat: synchronous_json

Simpan setiap indeks dan dimensi vektor.

Nama model multimodal tidak bermakna objek imej dibenarkan pada laluan khusus ini.

Pelan harga

Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.

Mod pantas
Tidak dinyatakan Apabila mod pantas dipilih
Mod flex
Tidak dinyatakan Apabila mod flex dipilih
Usaha penaakulan maksimum
Tidak dinyatakan Apabila usaha penaakulan maksimum menggunakan pelarasan default

Kadar Ailoot

Harga mengikut konfigurasi

KonfigurasiJadual kadarCaj
KonfigurasiKadar asas tokenJadual kadarKadar asasCaj
Input · Token input $0.00001 / 1K token
Output · Token output $0 / 1K token
Input · Bacaan cache — / 1K token
Input · Penulisan cache — / 1K token
Input · Penulisan cache, 1 jam — / 1K token

Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →

Contoh permintaan

Ailoot Ultra · Pembenaman

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 · Pembenaman

json

Simpan semua hasil yang selesai

Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.

Simpan setiap vektor bersama indeksnya. Bilangan vektor mesti sama dengan bilangan input; dimensi mesti konsisten.

Jika respons asal perlu disemak

Tiada titik akhir tugas pembenaman diperkenalkan.

Medan respons
MedanJenis
MedanobjectJenisstring
MedanmodelJenisstring
Medandata[].indexJenisinteger
Medandata[].embeddingJenisfinite float[]
MedanusageJenisobject
Ralat dan langkah seterusnya
ResponsSyaratLangkah seterusnya
Respons400 · invalid_request_errorSyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sahLangkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu.

Alias

Alias model

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

Alias laluan kaedah

Gunakan laluan kaedah yang dipaparkan di atas.

ID pemanggil berkaitan

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": "Medan wajib, perwakilan bahan atau nilai parameter tidak sah", "http_status": 400, "recovery": "Betulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Tiada titik akhir tugas pembenaman diperkenalkan." }, "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 bersama indeksnya. Bilangan vektor mesti sama dengan bilangan input; dimensi mesti 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": "bait UTF8", "token_unit": "elemen tatasusunan token" }, "conditions": "Kelompok homogen yang tidak kosong. ID token ialah integer bukan negatif.", "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 membenarkan medan metadata JSON ini; semantik tepat di pihak huluan 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 membenarkan medan metadata JSON ini; semantik tepat di pihak huluan 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 membenarkan medan metadata JSON ini; semantik tepat di pihak huluan 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": [ "Simpan setiap indeks dan dimensi vektor.", "Nama model multimodal tidak bermakna objek imej dibenarkan pada laluan khusus 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": "Kadar asas 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": "4799ab22e4d4a928f31e1f3f3f372843ab0f28c33e48b3e40465904afb9d03dc", "input_html_sha256": "7b0bb6f388c7d5c89dc73ae396a7a759beacba0a0a5d15fc53d19b515f553b58", "private_audit_sha256": "586792205588969552e7e9469f4b282138e1f8c8df6d7df4d60e9fb45a622c71", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/ms/sentence-transformers-all-mpnet-base-v2/", "description": "Sentence Transformers all-mpnet-base-v2 menukarkan ayat dan perenggan pendek kepada vektor 768 dimensi untuk pemerolehan semula, pengelompokan dan keserupaan. Kaedah yang diterbitkan menggunakan mean pooling serta penormalan L2, dengan pemotongan lalai pada 384 unit word piece.", "locale": "ms", "md_url": "https://ailoot.ai/models/ms/sentence-transformers-all-mpnet-base-v2/index.md", "title": "Sentence Transformers: all-mpnet-base-v2 — Ailoot", "url": "https://ailoot.ai/models/ms/sentence-transformers-all-mpnet-base-v2/" }, "rawModel": { "about": "all-mpnet-base-v2 ialah model Sentence Transformers untuk mewakili ayat dan perenggan pendek sebagai vektor padat 768 dimensi. Ia ditala halus daripada model asas MPNet dengan pembelajaran kontrastif pada koleksi satu bilion pasangan ayat. Pembuat mengenal pasti pemerolehan semula maklumat, pengelompokan dan keserupaan ayat sebagai kegunaan yang dimaksudkan.\n\n### Kodkan ayat atau perenggan pendek\n\nSediakan teks yang patut dibandingkan, sambil mengekalkan idea utama dan perincian yang membezakannya. Untuk koleksi dokumen dalaman, bahagian pendek mungkin menerangkan cara meminta penggantian peralatan atau maklumat yang mesti ada dalam laporan penyelenggaraan. Pastikan tajuk dokumen dan lokasi sumber tersedia bersama vektor.\n\nPertanyaan yang dihasilkan embeddingnya dengan model sama boleh mendapatkan bahagian berkaitan walaupun ungkapannya berbeza. Periksa bahagian itu untuk arahan sebenar yang diperlukan pembaca. Untuk aliran kerja keserupaan, bandingkan ayat calon itu sendiri selepas pemerolehan semula, khususnya apabila satu ayat mempunyai pengecualian atau syarat yang tiada dalam ayat lain.\n\n### Mean pooling dan penormalan\n\nContoh pengekodan rujukan mempuratakan perwakilan token berkonteks menggunakan topeng perhatian, dengan mengecualikan padding daripada purata. Kemudian ia menormalkan embedding ayat hasil mengikut L2. Kekalkan kedua-dua langkah ketika menghasilkan vektor untuk koleksi dan pertanyaan kemudian.\n\nSetiap vektor mempunyai 768 komponen. Keserupaan kosinus boleh membandingkan perwakilan ternormal itu, manakala teks sumber membekalkan bukti di sebalik hasil. Bilangan komponen yang sama tidak menjadikan model ini serasi dengan multi-qa-mpnet-base-dot-v1: edisi berasingan itu menetapkan pooling CLS dan vektor tidak ternormal untuk penskoran hasil darab titik.\n\n### Pemotongan lalai dan penyediaan petikan\n\nPembuat menyatakan bahawa input melebihi 384 unit word piece dipotong secara lalai. Pastikan bahagian berkaitan berada dalam sempadan tokenizer itu. Untuk prosedur panjang, bahagikan mengikut sempadan bahagian bermakna dan sertakan konteks setempat yang mencukupi untuk menjelaskan perkara yang terpakai bagi sesuatu langkah. Fragmen seperti “Submit within five days” memerlukan peristiwa atau proses yang memulakan tarikh akhir itu.\n\nProsedur latihan mengehadkan jujukan kepada 128 token, berasingan daripada tetapan pengekodan lalai 384 unit word piece yang diterbitkan. Gunakan bahan yang mewakili tugas ketika menilai perenggan lebih panjang atau kosa kata khusus koleksi anda. Lebih banyak teks yang muat dalam input tidak membuktikan bahawa setiap perincian akan mempengaruhi hasil pemerolehan semula secara sama rata.\n\n### Pemerolehan semula, pengelompokan dan perbandingan\n\nUntuk carian, simpan perkaitan vektor dengan dokumen supaya calon berperingkat dapat mengembalikan bahagian asal. Dalam aliran kerja RAG, bahagian terpilih menjadi konteks untuk peringkat penulisan jawapan. Model membekalkan perwakilan berangka; ia tidak menjana respons bersumber atau memutuskan dokumen mana yang berautoriti.\n\nUntuk pengelompokan, bandingkan rekod dalam setiap kumpulan cadangan sebelum memberikan label. Set nota penyelenggaraan mungkin mengandungi bahasa serupa tetapi merujuk peranti atau keadaan kegagalan berbeza. Sertakan perincian pembeza itu dalam teks yang dikodkan dan periksanya dalam bahan yang dikembalikan, bukannya bergantung pada skor sahaja.\n\nCheckpoint all-mpnet-base-v2 tepat ini ialah profil embedding ayat bahasa Inggeris dengan tetapan mean pooling, penormalan dan pemotongan lalainya sendiri. Simpan tetapan itu bersama koleksi berindeks dan gunakan vektor sebagai bantuan untuk mencari serta membandingkan petikan sumber yang penting kepada 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": "Maklumat lengkap tentang harga konfigurasi terdapat dalam butiran." } ], "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": "Medan wajib, perwakilan bahan atau nilai parameter tidak sah", "http_status": 400, "recovery": "Betulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Tiada titik akhir tugas pembenaman diperkenalkan." }, "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 bersama indeksnya. Bilangan vektor mesti sama dengan bilangan input; dimensi mesti 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": "bait UTF8", "token_unit": "elemen tatasusunan token" }, "conditions": "Kelompok homogen yang tidak kosong. ID token ialah integer bukan negatif.", "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 membenarkan medan metadata JSON ini; semantik tepat di pihak huluan 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 membenarkan medan metadata JSON ini; semantik tepat di pihak huluan 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 membenarkan medan metadata JSON ini; semantik tepat di pihak huluan 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": [ "Simpan setiap indeks dan dimensi vektor.", "Nama model multimodal tidak bermakna objek imej dibenarkan pada laluan khusus 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": "Kadar asas 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 menukarkan ayat dan perenggan pendek kepada vektor 768 dimensi untuk pemerolehan semula, pengelompokan dan keserupaan. Kaedah yang diterbitkan menggunakan mean pooling serta penormalan L2, dengan pemotongan lalai 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 menukarkan ayat dan perenggan pendek kepada vektor 768 dimensi untuk pemerolehan semula, pengelompokan dan keserupaan. Kaedah yang diterbitkan menggunakan mean pooling serta penormalan L2, dengan pemotongan lalai pada 384 unit word piece.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "73ba8329f421dbb20b122dbf6f460b19f11f9632fbe106cc11002c6ca2509417", "renderer_sha256": "1dab5ba62521e9568c8b7c82005622cabbf330a075df7cce1f83274a04009460" }, "sourceRevision": "02008f4509b11f03fe72782d2b3c2fa3b2496e661cb1d53ab807594be6a5fa6d" }