Source: https://ailoot.ai/models/ms/sentence-transformers-all-mpnet-base-v2/
Canonical: https://ailoot.ai/models/ms/sentence-transformers-all-mpnet-base-v2/
Language: ms

# Sentence Transformers: all-mpnet-base-v2

[Markdown](https://ailoot.ai/models/ms/sentence-transformers-all-mpnet-base-v2/index.md) · [JSON](https://ailoot.ai/models/ms/sentence-transformers-all-mpnet-base-v2/facts.json)

## [Sentence Transformers: all-mpnet-base-v2](https://ailoot.ai/models/ms/sentence-transformers-all-mpnet-base-v2/)

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.

- [**Ailoot Ultra · Pembenaman** `POST /v1/embeddings` `sentence-transformers/all-mpnet-base-v2`](https://ailoot.ai/models/ms/sentence-transformers-all-mpnet-base-v2/#method-0)

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.

**Ailoot Ultra · Pembenaman** `POST /v1/embeddings` `sentence-transformers/all-mpnet-base-v2`

[`sentence-transformers/all-mpnet-base-v2`](https://ailoot.ai/models/ms/#m=sentence-transformers%2Fall-mpnet-base-v2&route=Ultra&caller=sentence-transformers%2Fall-mpnet-base-v2&fmt=embeddings)

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

### Tersedia di Ailoot · input & kaedah

**Ailoot Ultra · Pembenaman** `POST /v1/embeddings`

Input

`text`, `token_ids`

Output

`embedding`

Format output

json

| Medan | Jenis | Keperluan | Nilai & had | Lalai |
| --- | --- | --- | --- | --- |
| Medan`model` | Jenis`string` | KeperluanDiperlukan | Nilai & had sentence-transformers/all-mpnet-base-v2 | Lalai— |
| Medan`input` | Jenis`string\|string[]\|integer[]\|integer[][]` | KeperluanDiperlukan | Nilai & 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— |
| Medan`encoding_format` | Jenis`string` | KeperluanPilihan | Nilai & had float | Lalaifloat |
| Medan`dimensions` | Jenis`integer` | KeperluanTidak disokong | Nilai & had Minimum: 1 | Lalai— |
| Medan`user` | Jenis`json_value` | KeperluanPilihan | Nilai & had Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model. | Lalai— |
| Medan`session_id` | Jenis`json_value` | KeperluanPilihan | Nilai & had Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model. | Lalai— |
| Medan`trace` | Jenis`json_value` | KeperluanPilihan | Nilai & had Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model. | Lalai— |
| Medan`provider` | Jenis`object` | KeperluanPilihan | Nilai & had Syarat: provider.options ditolak | Lalai— |

Gabungan bahan input

**text\_to\_embedding**

Parameter kaedah dan kitar hayat

| Parameter | Kontrak |
| --- | --- |
| Parameter`content_type` | Kontrakapplication/json |
| Parameter`required` | Kontrakmodel, input |
| Parameter`input_shapes` | Kontrakstring, string\[\], nonnegative\_integer\_token\_array, nonnegative\_integer\_token\_array\[\] |
| Parameter`encoding_format` | Kontrakfloat |
| Parameter`dimensions_override` | Kontrakfalse |
| Parameter`max_input_budget_units` | Kontrak512 |
| Parameter`multimodal_objects` | Kontrakfalse |
| Parameter`material_types` | Kontraktext, 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

| Konfigurasi | Jadual kadar | Caj |
| --- | --- | --- |
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Caj 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 →](https://ailoot.ai/docs/ms/billing/reserve/)

### Contoh permintaan

#### Ailoot Ultra · Pembenaman

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/all-mpnet-base-v2", "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/all-mpnet-base-v2',input=["First document","Second document"])
print(result)
for item in result.data:print(item.index,item.embedding)
```

### 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

| Medan | Jenis |
| --- | --- |
| Medan`object` | Jenisstring |
| Medan`model` | Jenisstring |
| Medan`data[].index` | Jenisinteger |
| Medan`data[].embedding` | Jenisfinite float\[\] |
| Medan`usage` | Jenisobject |

Ralat dan langkah seterusnya

| Respons | Syarat | Langkah seterusnya |
| --- | --- | --- |
| Respons400 · `invalid_request_error` | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |

### Alias

#### Alias model

**Ailoot Ultra** [`sentence-transformers/all-mpnet-base-v2`](https://ailoot.ai/models/ms/#m=sentence-transformers%2Fall-mpnet-base-v2&route=Ultra&caller=sentence-transformers%2Fall-mpnet-base-v2&fmt=embeddings)

#### Alias laluan kaedah

Gunakan laluan kaedah yang dipaparkan di atas.

#### ID pemanggil berkaitan

[`sentence-transformers/all-mpnet-base-v2`](https://ailoot.ai/models/ms/#m=sentence-transformers%2Fall-mpnet-base-v2&route=Ultra&caller=sentence-transformers%2Fall-mpnet-base-v2&fmt=embeddings)

FAQ · Sentence Transformers: all-mpnet-base-v2

Apakah input dan hasil yang tersedia?

`POST /v1/embeddings` · `sentence-transformers/all-mpnet-base-v2`: `text`, `token_ids` → `embedding`

Apakah medan yang digunakan oleh permintaan?

`POST /v1/embeddings` · `sentence-transformers/all-mpnet-base-v2`: `model`, `input`, `encoding_format`, `provider`

Apakah had yang terpakai?

`POST /v1/embeddings` · `sentence-transformers/all-mpnet-base-v2`: `input.budget.maximum`: `512` (bait UTF8); `input.min_items`: `1`

Sambungkan Ailoot kepada Claude Code, OpenCode, Hermes atau aplikasi anda.

## Syarikat dan portfolio projeknya

Syarikat dan portfolio projeknya: jutaan pelanggan; jualan bernilai berbilion setiap bulan.

## Beli token dengan diskaun.

Diskaun langganan untuk penggunaan berkala. Kod promosi — sehingga 50% bagi pembelian token.

Langganan

Pilih pelan berdiskaun untuk permintaan berkala anda.

Kod promosi sehingga 50%

Masukkan kod semasa pembelian. Harga dikira semula mengikut promosi semasa.

Perbelanjaan dalam sejarah

Model, token dan jumlah disimpan bagi setiap permintaan.

[Pilih langganan](https://ailoot.ai/docs/ms/billing/subscriptions/) · [Lihat harga model](https://ailoot.ai/models/ms/)

## Sambungkan API kepada produk yang anda jual.

SaaS, aplikasi dan bot — di bawah tawaran rasmi serta perjanjian lesen Ailoot. Untuk jualan semula, mohon lesen penjual semula.

Aplikasi komersial

Tambahkan penjanaan teks, imej, video dan audio pada ciri berbayar perkhidmatan anda.

Lesen penjual semula

Hantar keterangan projek dan susunan akses. Minta terma penggunaan serta jualan semula secara bertulis.

Dokumen pada laman

Tawaran, perjanjian lesen dan dasar pemprosesan data tersedia sebelum sambungan.

[Mohon lesen penjual semula](mailto:support@ailoot.ai) · [Tawaran dan perjanjian lesen](https://ailoot.ai/legal/offer?lang=ms)

## Ailoot · Syarikat dan portfolio projeknya





Ailoot berteraskan pengalaman operasi yang mantap, pangkalan pelanggan yang besar, perkhidmatan yang stabil dan pemantauan KPI berterusan.





Syarikat dan portfolio projeknya: jutaan pelanggan; jualan bernilai berbilion setiap bulan.





Ailoot menggunakan pengalaman operasi ini untuk akses API kepada ciri AI dalam produk pelanggan, ejen, aplikasi dan automasi.