all-mpnet-base-v2 er en Sentence Transformers-modell for å representere setninger og korte avsnitt som tette vektorer med 768 dimensjoner. Den ble finjustert fra MPNet-grunnmodellen med kontrastiv læring på en samling med én milliard setningspar. Produsenten angir informasjonsgjenfinning, klyngedannelse og setningslikhet som tilsiktede bruksområder.
Forbered teksten som skal sammenlignes, og behold hovedideen og detaljene som skiller den fra annet materiale. I en intern dokumentsamling kan en kort seksjon beskrive hvordan man ber om erstatningsutstyr, eller hvilke opplysninger en vedlikeholdsrapport må inneholde. Hold dokumenttittelen og kildeplasseringen tilgjengelig ved siden av vektoren.
En forespørsel embeddet med samme modell kan gjenfinne relaterte seksjoner selv om ordlyden er forskjellig. Undersøk seksjonene for den faktiske instruksjonen leseren trenger. I en likhetsarbeidsflyt sammenligner du selve kandidatsetningene etter gjenfinning, særlig når én inneholder et unntak eller en betingelse som mangler i den andre.
Referanseeksemplet på koding beregner gjennomsnittet av kontekstuelle tokenrepresentasjoner med attention-masken og utelukker padding fra gjennomsnittet. Deretter L2-normaliseres de resulterende setningsembeddingene. Behold begge trinnene når du produserer vektorer for en samling og for senere forespørsler.
Hver vektor har 768 komponenter. Cosinuslikhet kan sammenligne disse normaliserte representasjonene, mens kildeteksten gir evidensen bak resultatet. Det felles komponentantallet gjør ikke modellen kompatibel med multi-qa-mpnet-base-dot-v1: Den separate utgaven angir CLS-pooling og unormaliserte vektorer for prikkproduktskåring.
Produsenten oppgir at inndata utover 384 orddeler avkortes som standard. Hold den relevante seksjonen innenfor denne tokenizergrensen. For en lang prosedyre deler du ved meningsfulle seksjonsgrenser og inkluderer nok lokal kontekst til å forklare hva et trinn gjelder. Et fragment som «Send inn innen fem dager» trenger hendelsen eller prosessen som starter fristen.
Treningsprosedyren begrenset sekvenser til 128 tokener, atskilt fra den publiserte kodingsstandarden på 384 orddeler. Bruk representativt materiale når du vurderer lengre avsnitt eller ordforråd som er spesifikt for samlingen. At mer tekst får plass i inndataene, fastslår ikke at hver detalj påvirker et gjenfinningsresultat like mye.
For søk bevarer du koblingen mellom vektor og dokument, slik at rangerte kandidater kan returnere originalseksjonene. I en RAG-arbeidsflyt blir utvalgte seksjoner kontekst for svarskrivingstrinnet. Modellen gir numeriske representasjoner; den genererer ikke et kildebasert svar eller avgjør hvilket dokument som er autoritativt.
Ved klyngedannelse sammenligner du postene i hver foreslåtte gruppe før etiketter tildeles. Et sett vedlikeholdsnotater kan ha lignende språk, men vise til ulike enheter eller feilbetingelser. Inkluder disse skillende detaljene i den kodede teksten og undersøk dem i det returnerte materialet fremfor å stole på en skår alene.
Dette nøyaktige all-mpnet-base-v2-checkpointet er en engelsk setningsembeddingprofil med sine egne innstillinger for gjennomsnittspooling, normalisering og standardavkorting. Hold innstillingene med den indekserte samlingen, og bruk vektorene som hjelp til å finne og sammenligne kildepassasjene som er viktige for oppgaven.
", "aboutText": "all-mpnet-base-v2 er en Sentence Transformers-modell for å representere setninger og korte avsnitt som tette vektorer med 768 dimensjoner. Den ble finjustert fra MPNet-grunnmodellen med kontrastiv læring på en samling med én milliard setningspar. Produsenten angir informasjonsgjenfinning, klyngedannelse og setningslikhet som tilsiktede bruksområder.\n\n### Kod en setning eller et kort avsnitt\n\nForbered teksten som skal sammenlignes, og behold hovedideen og detaljene som skiller den fra annet materiale. I en intern dokumentsamling kan en kort seksjon beskrive hvordan man ber om erstatningsutstyr, eller hvilke opplysninger en vedlikeholdsrapport må inneholde. Hold dokumenttittelen og kildeplasseringen tilgjengelig ved siden av vektoren.\n\nEn forespørsel embeddet med samme modell kan gjenfinne relaterte seksjoner selv om ordlyden er forskjellig. Undersøk seksjonene for den faktiske instruksjonen leseren trenger. I en likhetsarbeidsflyt sammenligner du selve kandidatsetningene etter gjenfinning, særlig når én inneholder et unntak eller en betingelse som mangler i den andre.\n\n### Gjennomsnittspooling og normalisering\n\nReferanseeksemplet på koding beregner gjennomsnittet av kontekstuelle tokenrepresentasjoner med attention-masken og utelukker padding fra gjennomsnittet. Deretter L2-normaliseres de resulterende setningsembeddingene. Behold begge trinnene når du produserer vektorer for en samling og for senere forespørsler.\n\nHver vektor har 768 komponenter. Cosinuslikhet kan sammenligne disse normaliserte representasjonene, mens kildeteksten gir evidensen bak resultatet. Det felles komponentantallet gjør ikke modellen kompatibel med multi-qa-mpnet-base-dot-v1: Den separate utgaven angir CLS-pooling og unormaliserte vektorer for prikkproduktskåring.\n\n### Standardavkorting og passasjeforberedelse\n\nProdusenten oppgir at inndata utover 384 orddeler avkortes som standard. Hold den relevante seksjonen innenfor denne tokenizergrensen. For en lang prosedyre deler du ved meningsfulle seksjonsgrenser og inkluderer nok lokal kontekst til å forklare hva et trinn gjelder. Et fragment som «Send inn innen fem dager» trenger hendelsen eller prosessen som starter fristen.\n\nTreningsprosedyren begrenset sekvenser til 128 tokener, atskilt fra den publiserte kodingsstandarden på 384 orddeler. Bruk representativt materiale når du vurderer lengre avsnitt eller ordforråd som er spesifikt for samlingen. At mer tekst får plass i inndataene, fastslår ikke at hver detalj påvirker et gjenfinningsresultat like mye.\n\n### Gjenfinning, gruppering og sammenligning\n\nFor søk bevarer du koblingen mellom vektor og dokument, slik at rangerte kandidater kan returnere originalseksjonene. I en RAG-arbeidsflyt blir utvalgte seksjoner kontekst for svarskrivingstrinnet. Modellen gir numeriske representasjoner; den genererer ikke et kildebasert svar eller avgjør hvilket dokument som er autoritativt.\n\nVed klyngedannelse sammenligner du postene i hver foreslåtte gruppe før etiketter tildeles. Et sett vedlikeholdsnotater kan ha lignende språk, men vise til ulike enheter eller feilbetingelser. Inkluder disse skillende detaljene i den kodede teksten og undersøk dem i det returnerte materialet fremfor å stole på en skår alene.\n\nDette nøyaktige all-mpnet-base-v2-checkpointet er en engelsk setningsembeddingprofil med sine egne innstillinger for gjennomsnittspooling, normalisering og standardavkorting. Hold innstillingene med den indekserte samlingen, og bruk vektorene som hjelp til å finne og sammenligne kildepassasjene som er viktige for oppgaven.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "b5da913e1021e35e982419e46f842680b2a6842d06266b9901952b2fd810c4d5", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nb", "methods": [ { "html": "sentence-transformers/all-mpnet-base-v2Sentence Transformers all-mpnet-base-v2 omdanner setninger og korte avsnitt til 768-dimensjonale vektorer for gjenfinning, klyngedannelse og likhet. Den publiserte oppskriften bruker gjennomsnittspooling og L2-normalisering, med standardavkorting ved 384 orddeler.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
all-mpnet-base-v2 er en Sentence Transformers-modell for å representere setninger og korte avsnitt som tette vektorer med 768 dimensjoner. Den ble finjustert fra MPNet-grunnmodellen med kontrastiv læring på en samling med én milliard setningspar. Produsenten angir informasjonsgjenfinning, klyngedannelse og setningslikhet som tilsiktede bruksområder.
Forbered teksten som skal sammenlignes, og behold hovedideen og detaljene som skiller den fra annet materiale. I en intern dokumentsamling kan en kort seksjon beskrive hvordan man ber om erstatningsutstyr, eller hvilke opplysninger en vedlikeholdsrapport må inneholde. Hold dokumenttittelen og kildeplasseringen tilgjengelig ved siden av vektoren.
En forespørsel embeddet med samme modell kan gjenfinne relaterte seksjoner selv om ordlyden er forskjellig. Undersøk seksjonene for den faktiske instruksjonen leseren trenger. I en likhetsarbeidsflyt sammenligner du selve kandidatsetningene etter gjenfinning, særlig når én inneholder et unntak eller en betingelse som mangler i den andre.
Referanseeksemplet på koding beregner gjennomsnittet av kontekstuelle tokenrepresentasjoner med attention-masken og utelukker padding fra gjennomsnittet. Deretter L2-normaliseres de resulterende setningsembeddingene. Behold begge trinnene når du produserer vektorer for en samling og for senere forespørsler.
Hver vektor har 768 komponenter. Cosinuslikhet kan sammenligne disse normaliserte representasjonene, mens kildeteksten gir evidensen bak resultatet. Det felles komponentantallet gjør ikke modellen kompatibel med multi-qa-mpnet-base-dot-v1: Den separate utgaven angir CLS-pooling og unormaliserte vektorer for prikkproduktskåring.
Produsenten oppgir at inndata utover 384 orddeler avkortes som standard. Hold den relevante seksjonen innenfor denne tokenizergrensen. For en lang prosedyre deler du ved meningsfulle seksjonsgrenser og inkluderer nok lokal kontekst til å forklare hva et trinn gjelder. Et fragment som «Send inn innen fem dager» trenger hendelsen eller prosessen som starter fristen.
Treningsprosedyren begrenset sekvenser til 128 tokener, atskilt fra den publiserte kodingsstandarden på 384 orddeler. Bruk representativt materiale når du vurderer lengre avsnitt eller ordforråd som er spesifikt for samlingen. At mer tekst får plass i inndataene, fastslår ikke at hver detalj påvirker et gjenfinningsresultat like mye.
For søk bevarer du koblingen mellom vektor og dokument, slik at rangerte kandidater kan returnere originalseksjonene. I en RAG-arbeidsflyt blir utvalgte seksjoner kontekst for svarskrivingstrinnet. Modellen gir numeriske representasjoner; den genererer ikke et kildebasert svar eller avgjør hvilket dokument som er autoritativt.
Ved klyngedannelse sammenligner du postene i hver foreslåtte gruppe før etiketter tildeles. Et sett vedlikeholdsnotater kan ha lignende språk, men vise til ulike enheter eller feilbetingelser. Inkluder disse skillende detaljene i den kodede teksten og undersøk dem i det returnerte materialet fremfor å stole på en skår alene.
Dette nøyaktige all-mpnet-base-v2-checkpointet er en engelsk setningsembeddingprofil med sine egne innstillinger for gjennomsnittspooling, normalisering og standardavkorting. Hold innstillingene med den indekserte samlingen, og bruk vektorene som hjelp til å finne og sammenligne kildepassasjene som er viktige for oppgaven.
POST /v1/embeddingstext, token_idsembedding| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser sentence-transformers/all-mpnet-base-v2 | Standard— |
Feltinput | Typestring|string[]|integer[]|integer[][] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 Vilkår: Ikke-tom batch med ensartede elementer. Token-ID-er er ikke-negative heltall. Inndatabudsjett: Maksimum: 512 · Tekstenhet: UTF8-byte · Tokenenhet: elementer i token-arrayet | Standard— |
Feltencoding_format | Typestring | KravValgfritt | Verdier & grenser float | Standardfloat |
Feltdimensions | Typeinteger | KravStøttes ikke | Verdier & grenser Minimum: 1 | Standard— |
Feltuser | Typejson_value | KravValgfritt | Verdier & grenser Vilkår: Kilden tillater dette JSON-metadatafeltet; den nøyaktige semantikken hos den underliggende leverandøren er modellavhengig. | Standard— |
Feltsession_id | Typejson_value | KravValgfritt | Verdier & grenser Vilkår: Kilden tillater dette JSON-metadatafeltet; den nøyaktige semantikken hos den underliggende leverandøren er modellavhengig. | Standard— |
Felttrace | Typejson_value | KravValgfritt | Verdier & grenser Vilkår: Kilden tillater dette JSON-metadatafeltet; den nøyaktige semantikken hos den underliggende leverandøren er modellavhengig. | Standard— |
Feltprovider | Typeobject | KravValgfritt | Verdier & grenser Vilkår: provider.options avvises | Standard— |
text_to_embedding
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, input |
Parameterinput_shapes | Avtalestring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parameterencoding_format | Avtalefloat |
Parameterdimensions_override | Avtalefalse |
Parametermax_input_budget_units | Avtale512 |
Parametermultimodal_objects | Avtalefalse |
Parametermaterial_types | Avtaletext, token_ids |
Livssyklus: synchronous_json
Bevar hver vektors indeks og dimensjon.
Et multimodalt modellnavn innebærer ikke at bildeobjekter er tillatt på denne nøyaktige stien.
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.00001 / 1K tokener Utdata · Utgående tokener $0 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${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\nfrom 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)\njson
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Bevar hver vektor sammen med indeksen. Antall vektorer må være lik antall inndata; dimensjonene må være konsistente.
Det innføres ikke noe endepunkt for embedding-jobber.
| Felt | Type |
|---|---|
Feltobject | Typestring |
Feltmodel | Typestring |
Feltdata[].index | Typeinteger |
Feltdata[].embedding | Typefinite float[] |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra sentence-transformers/all-mpnet-base-v2
Bruk metodestiene som vises ovenfor.