{ "aboutHtml": "

multi-qa-mpnet-base-dot-v1 ialah model Sentence Transformers yang direka untuk mendapatkan petikan teks bagi soalan atau pertanyaan. Latihannya menggunakan kira-kira 215 juta pasangan soalan–jawapan. Setiap input menjadi vektor padat 768 dimensi, dengan pooling CLS dan penskoran hasil darab titik menentukan edisi tepat ini.

Sediakan soalan dan petikan calon

Tulis pertanyaan sebagai keperluan maklumat dan sediakan entri korpus sebagai petikan teks yang boleh dibaca. Contohnya, soalan tentang menukar alamat penghantaran boleh dibandingkan dengan perenggan berasingan tentang perubahan alamat, pembatalan pesanan dan penjejakan penghantaran. Kekalkan syarat berkaitan dalam petikan perubahan alamat, termasuk sama ada pesanan sudah dihantar.

Kodkan pertanyaan dan petikan menggunakan model yang sama ini. Contoh yang diterbitkan melakukannya secara langsung, tanpa awalan query/document, dan menyusun petikan mengikut skor hasil darab titiknya. Pastikan setiap vektor dipautkan kepada petikan asal dan pengecam dokumen supaya hasil berperingkat dapat menunjukkan bahan yang benar-benar diindeks.

Pooling CLS dan edisi hasil darab titik

Kaedah rujukan model mengambil perwakilan token pertama, dikenali sebagai pooling CLS. Jadual teknikalnya secara jelas menyatakan bahawa embedding tidak dinormalkan dan menyenaraikan hasil darab titik sebagai fungsi penskoran yang sesuai. Kekalkan kaedah itu ketika menyediakan koleksi dan bahagian pertanyaan.

Penormalan L2 vektor ini mengubah geometri penskorannya. Profil all-mpnet-base-v2 ternormal menggunakan kaedah berbeza dan ialah checkpoint berasingan, walaupun berkongsi keluarga MPNet dan output 768 komponen. Simpan edisi tepat dan fungsi perbandingan bersama koleksi tersimpan, bukannya memilihnya berdasarkan panjang vektor sahaja.

Had panjang dan petikan lebih panjang

Had input yang dinyatakan ialah 512 unit word piece; teks lebih panjang dipotong. Pembuat turut menyatakan bahawa input latihan hanya mencapai 250 unit word piece dan teks lebih panjang mungkin berfungsi kurang baik. Oleh itu, panjang yang diterima tokenizer dan batasan panjang latihan menerangkan sempadan praktikal berbeza.

Untuk artikel bantuan besar, sediakan bahagian pendek yang menjawab soalan khusus. Kekalkan tajuk apabila ia mengenal pasti topik dan simpan peraturan bersama pengecualian yang diperlukan untuk membacanya dengan betul. Satu input halaman penuh mungkin kehilangan bahan kemudian akibat pemotongan, manakala fragmen terlalu kecil boleh kehilangan syarat yang menjadikannya berguna.

Gunakan kedudukan dalam pemerolehan semula dan RAG

Vektor padat menyokong peringkat pemerolehan semula awal. Kembalikan petikan calon berskor tertinggi bersama rujukan sumbernya, kemudian periksa sama ada petikan menjawab soalan sebenar. Dalam aliran kerja RAG, berikan petikan itu kepada peringkat penulisan jawapan sebagai bahan sumber; pemerolehan semula sendiri tidak mengarang jawapan.

Gunakan soalan yang mewakili tugas dengan petikan relevan yang diketahui untuk memilih bilangan hasil dan menilai kedudukan. Sertakan contoh dengan kosa kata serupa tetapi niat berbeza, seperti mengubah alamat berbanding melihat alamat semasa. Tafsir skor secara relatif terhadap calon di bawah model dan tetapan penskoran yang sama, bukannya sebagai kebarangkalian ketepatan terkalibrasi.

Output berguna checkpoint ini ialah ruang embedding soalan dan petikan untuk carian semantik. Vektor tidak ternormal, pooling CLS, skor hasil darab titik dan batasan input panjang yang diterbitkan ialah perincian yang perlu dikekalkan ketika menyediakan dan menggunakan hasil.

", "aboutText": "multi-qa-mpnet-base-dot-v1 ialah model Sentence Transformers yang direka untuk mendapatkan petikan teks bagi soalan atau pertanyaan. Latihannya menggunakan kira-kira 215 juta pasangan soalan–jawapan. Setiap input menjadi vektor padat 768 dimensi, dengan pooling CLS dan penskoran hasil darab titik menentukan edisi tepat ini.\n\n### Sediakan soalan dan petikan calon\n\nTulis pertanyaan sebagai keperluan maklumat dan sediakan entri korpus sebagai petikan teks yang boleh dibaca. Contohnya, soalan tentang menukar alamat penghantaran boleh dibandingkan dengan perenggan berasingan tentang perubahan alamat, pembatalan pesanan dan penjejakan penghantaran. Kekalkan syarat berkaitan dalam petikan perubahan alamat, termasuk sama ada pesanan sudah dihantar.\n\nKodkan pertanyaan dan petikan menggunakan model yang sama ini. Contoh yang diterbitkan melakukannya secara langsung, tanpa awalan query/document, dan menyusun petikan mengikut skor hasil darab titiknya. Pastikan setiap vektor dipautkan kepada petikan asal dan pengecam dokumen supaya hasil berperingkat dapat menunjukkan bahan yang benar-benar diindeks.\n\n### Pooling CLS dan edisi hasil darab titik\n\nKaedah rujukan model mengambil perwakilan token pertama, dikenali sebagai pooling CLS. Jadual teknikalnya secara jelas menyatakan bahawa embedding tidak dinormalkan dan menyenaraikan hasil darab titik sebagai fungsi penskoran yang sesuai. Kekalkan kaedah itu ketika menyediakan koleksi dan bahagian pertanyaan.\n\nPenormalan L2 vektor ini mengubah geometri penskorannya. Profil all-mpnet-base-v2 ternormal menggunakan kaedah berbeza dan ialah checkpoint berasingan, walaupun berkongsi keluarga MPNet dan output 768 komponen. Simpan edisi tepat dan fungsi perbandingan bersama koleksi tersimpan, bukannya memilihnya berdasarkan panjang vektor sahaja.\n\n### Had panjang dan petikan lebih panjang\n\nHad input yang dinyatakan ialah 512 unit word piece; teks lebih panjang dipotong. Pembuat turut menyatakan bahawa input latihan hanya mencapai 250 unit word piece dan teks lebih panjang mungkin berfungsi kurang baik. Oleh itu, panjang yang diterima tokenizer dan batasan panjang latihan menerangkan sempadan praktikal berbeza.\n\nUntuk artikel bantuan besar, sediakan bahagian pendek yang menjawab soalan khusus. Kekalkan tajuk apabila ia mengenal pasti topik dan simpan peraturan bersama pengecualian yang diperlukan untuk membacanya dengan betul. Satu input halaman penuh mungkin kehilangan bahan kemudian akibat pemotongan, manakala fragmen terlalu kecil boleh kehilangan syarat yang menjadikannya berguna.\n\n### Gunakan kedudukan dalam pemerolehan semula dan RAG\n\nVektor padat menyokong peringkat pemerolehan semula awal. Kembalikan petikan calon berskor tertinggi bersama rujukan sumbernya, kemudian periksa sama ada petikan menjawab soalan sebenar. Dalam aliran kerja RAG, berikan petikan itu kepada peringkat penulisan jawapan sebagai bahan sumber; pemerolehan semula sendiri tidak mengarang jawapan.\n\nGunakan soalan yang mewakili tugas dengan petikan relevan yang diketahui untuk memilih bilangan hasil dan menilai kedudukan. Sertakan contoh dengan kosa kata serupa tetapi niat berbeza, seperti mengubah alamat berbanding melihat alamat semasa. Tafsir skor secara relatif terhadap calon di bawah model dan tetapan penskoran yang sama, bukannya sebagai kebarangkalian ketepatan terkalibrasi.\n\nOutput berguna checkpoint ini ialah ruang embedding soalan dan petikan untuk carian semantik. Vektor tidak ternormal, pooling CLS, skor hasil darab titik dan batasan input panjang yang diterbitkan ialah perincian yang perlu dikekalkan ketika menyediakan dan menggunakan hasil.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "899dd78b7d8c4a536fe748dcbd78513e22ff3591a3beff0a1d72465d68e30ac0", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "ms", "methods": [ { "html": "
•

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

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

Pengenalan

Sentence Transformers multi-qa-mpnet-base-dot-v1 mengekod soalan dan petikan kepada vektor 768 dimensi untuk carian semantik. Ia menggunakan pooling CLS dan embedding tidak ternormal yang direka untuk penskoran hasil darab titik, dengan had input 512 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.

multi-qa-mpnet-base-dot-v1 ialah model Sentence Transformers yang direka untuk mendapatkan petikan teks bagi soalan atau pertanyaan. Latihannya menggunakan kira-kira 215 juta pasangan soalan–jawapan. Setiap input menjadi vektor padat 768 dimensi, dengan pooling CLS dan penskoran hasil darab titik menentukan edisi tepat ini.

Sediakan soalan dan petikan calon

Tulis pertanyaan sebagai keperluan maklumat dan sediakan entri korpus sebagai petikan teks yang boleh dibaca. Contohnya, soalan tentang menukar alamat penghantaran boleh dibandingkan dengan perenggan berasingan tentang perubahan alamat, pembatalan pesanan dan penjejakan penghantaran. Kekalkan syarat berkaitan dalam petikan perubahan alamat, termasuk sama ada pesanan sudah dihantar.

Kodkan pertanyaan dan petikan menggunakan model yang sama ini. Contoh yang diterbitkan melakukannya secara langsung, tanpa awalan query/document, dan menyusun petikan mengikut skor hasil darab titiknya. Pastikan setiap vektor dipautkan kepada petikan asal dan pengecam dokumen supaya hasil berperingkat dapat menunjukkan bahan yang benar-benar diindeks.

Pooling CLS dan edisi hasil darab titik

Kaedah rujukan model mengambil perwakilan token pertama, dikenali sebagai pooling CLS. Jadual teknikalnya secara jelas menyatakan bahawa embedding tidak dinormalkan dan menyenaraikan hasil darab titik sebagai fungsi penskoran yang sesuai. Kekalkan kaedah itu ketika menyediakan koleksi dan bahagian pertanyaan.

Penormalan L2 vektor ini mengubah geometri penskorannya. Profil all-mpnet-base-v2 ternormal menggunakan kaedah berbeza dan ialah checkpoint berasingan, walaupun berkongsi keluarga MPNet dan output 768 komponen. Simpan edisi tepat dan fungsi perbandingan bersama koleksi tersimpan, bukannya memilihnya berdasarkan panjang vektor sahaja.

Had panjang dan petikan lebih panjang

Had input yang dinyatakan ialah 512 unit word piece; teks lebih panjang dipotong. Pembuat turut menyatakan bahawa input latihan hanya mencapai 250 unit word piece dan teks lebih panjang mungkin berfungsi kurang baik. Oleh itu, panjang yang diterima tokenizer dan batasan panjang latihan menerangkan sempadan praktikal berbeza.

Untuk artikel bantuan besar, sediakan bahagian pendek yang menjawab soalan khusus. Kekalkan tajuk apabila ia mengenal pasti topik dan simpan peraturan bersama pengecualian yang diperlukan untuk membacanya dengan betul. Satu input halaman penuh mungkin kehilangan bahan kemudian akibat pemotongan, manakala fragmen terlalu kecil boleh kehilangan syarat yang menjadikannya berguna.

Gunakan kedudukan dalam pemerolehan semula dan RAG

Vektor padat menyokong peringkat pemerolehan semula awal. Kembalikan petikan calon berskor tertinggi bersama rujukan sumbernya, kemudian periksa sama ada petikan menjawab soalan sebenar. Dalam aliran kerja RAG, berikan petikan itu kepada peringkat penulisan jawapan sebagai bahan sumber; pemerolehan semula sendiri tidak mengarang jawapan.

Gunakan soalan yang mewakili tugas dengan petikan relevan yang diketahui untuk memilih bilangan hasil dan menilai kedudukan. Sertakan contoh dengan kosa kata serupa tetapi niat berbeza, seperti mengubah alamat berbanding melihat alamat semasa. Tafsir skor secara relatif terhadap calon di bawah model dan tetapan penskoran yang sama, bukannya sebagai kebarangkalian ketepatan terkalibrasi.

Output berguna checkpoint ini ialah ruang embedding soalan dan petikan untuk carian semantik. Vektor tidak ternormal, pooling CLS, skor hasil darab titik dan batasan input panjang yang diterbitkan ialah perincian yang perlu dikekalkan ketika menyediakan dan menggunakan hasil.

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/multi-qa-mpnet-base-dot-v1
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/multi-qa-mpnet-base-dot-v1", "input": ["First document", "Second document"]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n  --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\n

Terima dan simpan hasil

Ailoot Ultra · 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/multi-qa-mpnet-base-dot-v1

Alias laluan kaedah

Gunakan laluan kaedah yang dipaparkan di atas.

ID pemanggil berkaitan

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

", "method_identity": { "effective_request_model_id": "sentence-transformers/multi-qa-mpnet-base-dot-v1", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "sentence-transformers/multi-qa-mpnet-base-dot-v1", "route_label": "Ultra" }, "method_key": "Ultra|embeddings|/v1/embeddings|sentence-transformers%2Fmulti-qa-mpnet-base-dot-v1", "ordinal": 0, "rawMethod": { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Keep every vector with its index. Vector count must equal input count; dimensions must be consistent.", "errors": [ { "code": null, "condition": "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/multi-qa-mpnet-base-dot-v1" ], "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/multi-qa-mpnet-base-dot-v1\", \"input\": [\"First document\", \"Second document\"]}')\n\nPath(\"request.json\").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path(\"result.json\").read_text())\nfor x in r.get(\"data\",[]): print(json.dumps({\"index\":x.get(\"index\"),\"embedding\":x.get(\"embedding\")}))\nPY_RESULT\n", "label": "curl · retained exact creation", "language": "bash" }, { "code": "from openai import OpenAI\nimport os\n\nclient=OpenAI(base_url=\"https://api.ailoot.ai/v1\",api_key=os.environ[\"AILOOT_API_KEY\"],max_retries=0)\nresult=client.embeddings.create(model='sentence-transformers/multi-qa-mpnet-base-dot-v1',input=[\"First document\",\"Second document\"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\n", "label": "Python SDK · all vectors", "language": "python" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "embeddings", "hints": [ "Keep every vector index and dimension.", "Multimodal model name does not admit image objects on this exact path." ], "http": "POST", "in": 0.01, "input": [ "text", "token_ids" ], "label": "Эмбеддинги", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "token", "image_input_price": null, "image_output_price": null, "per_request_price": null }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": "0.00001000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000001", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "request_model_id": "sentence-transformers/multi-qa-mpnet-base-dot-v1", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00001000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000001", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } } ], "model_id": "sentence-transformers/multi-qa-mpnet-base-dot-v1", "nativeProvenance": { "input_facts_canonical_sha256": "aa8d5796b7014a5d5c7a6b78f1b735650bf5103d96a5942ce0afbf16f877b84f", "input_html_sha256": "e6a693a1d96901d5dea603186f4cf86008efa4f521ae71c5c8bcd87e2242f414", "private_audit_sha256": "1af9507c1600905d4c29fe150b89ccefc12cbcacf3e20f0b2158e0a89230df16", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/ms/sentence-transformers-multi-qa-mpnet-base-dot-v1/", "description": "Sentence Transformers multi-qa-mpnet-base-dot-v1 mengekod soalan dan petikan kepada vektor 768 dimensi untuk carian semantik. Ia menggunakan pooling CLS dan embedding tidak ternormal yang direka untuk penskoran hasil darab titik, dengan had input 512 unit word piece.", "locale": "ms", "md_url": "https://ailoot.ai/models/ms/sentence-transformers-multi-qa-mpnet-base-dot-v1/index.md", "title": "Sentence Transformers: multi-qa-mpnet-base-dot-v1 — Ailoot", "url": "https://ailoot.ai/models/ms/sentence-transformers-multi-qa-mpnet-base-dot-v1/" }, "rawModel": { "about": "multi-qa-mpnet-base-dot-v1 ialah model Sentence Transformers yang direka untuk mendapatkan petikan teks bagi soalan atau pertanyaan. Latihannya menggunakan kira-kira 215 juta pasangan soalan–jawapan. Setiap input menjadi vektor padat 768 dimensi, dengan pooling CLS dan penskoran hasil darab titik menentukan edisi tepat ini.\n\n### Sediakan soalan dan petikan calon\n\nTulis pertanyaan sebagai keperluan maklumat dan sediakan entri korpus sebagai petikan teks yang boleh dibaca. Contohnya, soalan tentang menukar alamat penghantaran boleh dibandingkan dengan perenggan berasingan tentang perubahan alamat, pembatalan pesanan dan penjejakan penghantaran. Kekalkan syarat berkaitan dalam petikan perubahan alamat, termasuk sama ada pesanan sudah dihantar.\n\nKodkan pertanyaan dan petikan menggunakan model yang sama ini. Contoh yang diterbitkan melakukannya secara langsung, tanpa awalan query/document, dan menyusun petikan mengikut skor hasil darab titiknya. Pastikan setiap vektor dipautkan kepada petikan asal dan pengecam dokumen supaya hasil berperingkat dapat menunjukkan bahan yang benar-benar diindeks.\n\n### Pooling CLS dan edisi hasil darab titik\n\nKaedah rujukan model mengambil perwakilan token pertama, dikenali sebagai pooling CLS. Jadual teknikalnya secara jelas menyatakan bahawa embedding tidak dinormalkan dan menyenaraikan hasil darab titik sebagai fungsi penskoran yang sesuai. Kekalkan kaedah itu ketika menyediakan koleksi dan bahagian pertanyaan.\n\nPenormalan L2 vektor ini mengubah geometri penskorannya. Profil all-mpnet-base-v2 ternormal menggunakan kaedah berbeza dan ialah checkpoint berasingan, walaupun berkongsi keluarga MPNet dan output 768 komponen. Simpan edisi tepat dan fungsi perbandingan bersama koleksi tersimpan, bukannya memilihnya berdasarkan panjang vektor sahaja.\n\n### Had panjang dan petikan lebih panjang\n\nHad input yang dinyatakan ialah 512 unit word piece; teks lebih panjang dipotong. Pembuat turut menyatakan bahawa input latihan hanya mencapai 250 unit word piece dan teks lebih panjang mungkin berfungsi kurang baik. Oleh itu, panjang yang diterima tokenizer dan batasan panjang latihan menerangkan sempadan praktikal berbeza.\n\nUntuk artikel bantuan besar, sediakan bahagian pendek yang menjawab soalan khusus. Kekalkan tajuk apabila ia mengenal pasti topik dan simpan peraturan bersama pengecualian yang diperlukan untuk membacanya dengan betul. Satu input halaman penuh mungkin kehilangan bahan kemudian akibat pemotongan, manakala fragmen terlalu kecil boleh kehilangan syarat yang menjadikannya berguna.\n\n### Gunakan kedudukan dalam pemerolehan semula dan RAG\n\nVektor padat menyokong peringkat pemerolehan semula awal. Kembalikan petikan calon berskor tertinggi bersama rujukan sumbernya, kemudian periksa sama ada petikan menjawab soalan sebenar. Dalam aliran kerja RAG, berikan petikan itu kepada peringkat penulisan jawapan sebagai bahan sumber; pemerolehan semula sendiri tidak mengarang jawapan.\n\nGunakan soalan yang mewakili tugas dengan petikan relevan yang diketahui untuk memilih bilangan hasil dan menilai kedudukan. Sertakan contoh dengan kosa kata serupa tetapi niat berbeza, seperti mengubah alamat berbanding melihat alamat semasa. Tafsir skor secara relatif terhadap calon di bawah model dan tetapan penskoran yang sama, bukannya sebagai kebarangkalian ketepatan terkalibrasi.\n\nOutput berguna checkpoint ini ialah ruang embedding soalan dan petikan untuk carian semantik. Vektor tidak ternormal, pooling CLS, skor hasil darab titik dan batasan input panjang yang diterbitkan ialah perincian yang perlu dikekalkan ketika menyediakan dan menggunakan hasil.", "alias_of": null, "aliases": [], "author": "Sentence Transformers", "available": null, "canonical_model": "sentence-transformers/multi-qa-mpnet-base-dot-v1", "capabilities": { "context_length": 512, "manufacturer_input": [ "text" ], "manufacturer_output": [ "embeddings" ] }, "card_routes": [ { "label": "Ultra", "rates": [ { "amount": "0.00001000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000001", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" } ], "summary": "Maklumat lengkap tentang harga konfigurasi terdapat dalam butiran." } ], "ctx": null, "entity_type": "model", "formats": [ "embeddings" ], "id": "sentence-transformers/multi-qa-mpnet-base-dot-v1", "input": [ "text", "token_ids" ], "kind": "embedding", "max_out": null, "methods": [ { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Keep every vector with its index. Vector count must equal input count; dimensions must be consistent.", "errors": [ { "code": null, "condition": "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/multi-qa-mpnet-base-dot-v1" ], "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/multi-qa-mpnet-base-dot-v1\", \"input\": [\"First document\", \"Second document\"]}')\n\nPath(\"request.json\").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path(\"result.json\").read_text())\nfor x in r.get(\"data\",[]): print(json.dumps({\"index\":x.get(\"index\"),\"embedding\":x.get(\"embedding\")}))\nPY_RESULT\n", "label": "curl · retained exact creation", "language": "bash" }, { "code": "from openai import OpenAI\nimport os\n\nclient=OpenAI(base_url=\"https://api.ailoot.ai/v1\",api_key=os.environ[\"AILOOT_API_KEY\"],max_retries=0)\nresult=client.embeddings.create(model='sentence-transformers/multi-qa-mpnet-base-dot-v1',input=[\"First document\",\"Second document\"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\n", "label": "Python SDK · all vectors", "language": "python" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "embeddings", "hints": [ "Keep every vector index and dimension.", "Multimodal model name does not admit image objects on this exact path." ], "http": "POST", "in": 0.01, "input": [ "text", "token_ids" ], "label": "Эмбеддинги", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "token", "image_input_price": null, "image_output_price": null, "per_request_price": null }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": "0.00001000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000001", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "request_model_id": "sentence-transformers/multi-qa-mpnet-base-dot-v1", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00001000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000001", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "model_aliases": [ { "canonical_model_id": "sentence-transformers/multi-qa-mpnet-base-dot-v1", "request_model_id": "sentence-transformers/multi-qa-mpnet-base-dot-v1", "route_label": "Ultra" } ], "name": "Sentence Transformers: multi-qa-mpnet-base-dot-v1", "price": { "in": 0.01, "in_label": null, "out": 0, "out_label": null, "scope_label": "Token rates", "sort_in": 0.01, "sort_out": 0, "varies": false }, "public_id": "sentence-transformers/multi-qa-mpnet-base-dot-v1", "short": "Sentence Transformers multi-qa-mpnet-base-dot-v1 mengekod soalan dan petikan kepada vektor 768 dimensi untuk carian semantik. Ia menggunakan pooling CLS dan embedding tidak ternormal yang direka untuk penskoran hasil darab titik, dengan had input 512 unit word piece." }, "renderer_schema": { "method_order": "Original DTO methods order; every exact route/format/path/caller survives.", "prices": "Original public DTO fields and original native display HTML; no flattened or normalized offers." }, "representation": "exact-public-dto-and-native-renderer-html", "representationNotes": { "current_reference": { "about_json_pointer": "/aboutHtml", "methods": [ { "contract_json_pointer": "/methods/0/rawMethod/contract", "html_json_pointer": "/methods/0/html", "method_ordinal": 0 } ], "role": "current-semantic-reference" }, "raw_input": { "examples_role": "historical-input-not-current-ready-examples", "json_pointers": [ "/rawModel", "/methods/0/rawMethod" ], "role": "historical-owner-input" }, "schema": "ailoot-native-model-representations-v1" }, "schema": "ailoot-static-model-facts-v1", "schema_version": 1, "shortText": "Sentence Transformers multi-qa-mpnet-base-dot-v1 mengekod soalan dan petikan kepada vektor 768 dimensi untuk carian semantik. Ia menggunakan pooling CLS dan embedding tidak ternormal yang direka untuk penskoran hasil darab titik, dengan had input 512 unit word piece.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "b199296ce29c0b8d20bd5b4f264ac5756c787f8b6786fa022ee4b09a059a6270", "renderer_sha256": "1dab5ba62521e9568c8b7c82005622cabbf330a075df7cce1f83274a04009460" }, "sourceRevision": "85a9c7228acf262e5bd6682e40b5ef23697454a1e63bc97c51caecdb2bc8b88b" }