Source: https://ailoot.ai/models/ms/sentence-transformers-multi-qa-mpnet-base-dot-v1/
Canonical: https://ailoot.ai/models/ms/sentence-transformers-multi-qa-mpnet-base-dot-v1/
Language: ms

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

[Markdown](https://ailoot.ai/models/ms/sentence-transformers-multi-qa-mpnet-base-dot-v1/index.md) · [JSON](https://ailoot.ai/models/ms/sentence-transformers-multi-qa-mpnet-base-dot-v1/facts.json)

## [Sentence Transformers: multi-qa-mpnet-base-dot-v1](https://ailoot.ai/models/ms/sentence-transformers-multi-qa-mpnet-base-dot-v1/)

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.

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

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.

**Ailoot Ultra · Pembenaman** `POST /v1/embeddings` `sentence-transformers/multi-qa-mpnet-base-dot-v1`

[`sentence-transformers/multi-qa-mpnet-base-dot-v1`](https://ailoot.ai/models/ms/#m=sentence-transformers%2Fmulti-qa-mpnet-base-dot-v1&route=Ultra&caller=sentence-transformers%2Fmulti-qa-mpnet-base-dot-v1&fmt=embeddings)

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

### 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

### 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/multi-qa-mpnet-base-dot-v1 | 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/multi-qa-mpnet-base-dot-v1", "input": ["First document", "Second document"]}')

Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
r=json.loads(Path("result.json").read_text())
for x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))
PY_RESULT
```

```python
from openai import OpenAI
import os

client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)
result=client.embeddings.create(model='sentence-transformers/multi-qa-mpnet-base-dot-v1',input=["First document","Second document"])
print(result)
for item in result.data:print(item.index,item.embedding)
```

### 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/multi-qa-mpnet-base-dot-v1`](https://ailoot.ai/models/ms/#m=sentence-transformers%2Fmulti-qa-mpnet-base-dot-v1&route=Ultra&caller=sentence-transformers%2Fmulti-qa-mpnet-base-dot-v1&fmt=embeddings)

#### Alias laluan kaedah

Gunakan laluan kaedah yang dipaparkan di atas.

#### ID pemanggil berkaitan

[`sentence-transformers/multi-qa-mpnet-base-dot-v1`](https://ailoot.ai/models/ms/#m=sentence-transformers%2Fmulti-qa-mpnet-base-dot-v1&route=Ultra&caller=sentence-transformers%2Fmulti-qa-mpnet-base-dot-v1&fmt=embeddings)

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

Apakah input dan hasil yang tersedia?

`POST /v1/embeddings` · `sentence-transformers/multi-qa-mpnet-base-dot-v1`: `text`, `token_ids` → `embedding`

Apakah medan yang digunakan oleh permintaan?

`POST /v1/embeddings` · `sentence-transformers/multi-qa-mpnet-base-dot-v1`: `model`, `input`, `encoding_format`, `provider`

Apakah had yang terpakai?

`POST /v1/embeddings` · `sentence-transformers/multi-qa-mpnet-base-dot-v1`: `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.