all-mpnet-base-v2 is een model van Sentence Transformers dat zinnen en korte alinea's als 768-dimensionale dense vectoren representeert. Het is vanuit het MPNet-basismodel gefinetuned met contrastief leren op een verzameling van een miljard zinsparen. De maker noemt informatieopvraging, clustering en zinsgelijkenis als beoogde toepassingen.
Bereid de te vergelijken tekst voor en behoud de hoofdgedachte en onderscheidende details. Een korte sectie in een interne documentverzameling kan beschrijven hoe vervanging van apparatuur wordt aangevraagd of welke informatie een onderhoudsrapport moet bevatten. Houd de documenttitel en bronlocatie beschikbaar bij de vector.
Een met hetzelfde model ingebedde zoekvraag kan verwante secties ophalen, ook wanneer hun bewoordingen verschillen. Onderzoek die secties op de daadwerkelijke instructie die de lezer nodig heeft. Vergelijk bij een gelijkenisworkflow de kandidaatzinnen zelf na het ophalen, vooral wanneer de ene een uitzondering of voorwaarde bevat die in de andere ontbreekt.
Het referentievoorbeeld voor codering middelt contextuele tokenrepresentaties met het attention-masker en sluit padding uit van het gemiddelde. Vervolgens worden de resulterende zinsembeddings L2-genormaliseerd. Behoud beide stappen bij het produceren van vectoren voor een verzameling en voor latere zoekvragen.
Elke vector heeft 768 componenten. Cosinusgelijkenis kan die genormaliseerde representaties vergelijken, terwijl de brontekst de onderbouwing achter een resultaat levert. Het gedeelde aantal componenten maakt dit model niet compatibel met multi-qa-mpnet-base-dot-v1: die afzonderlijke editie specificeert CLS-pooling en niet-genormaliseerde vectoren voor inproductscoring.
De maker stelt dat invoer boven 384 wordpieces standaard wordt afgekapt. Houd de relevante sectie binnen die tokenizergrens. Splits een lange procedure bij betekenisvolle sectiegrenzen en voeg genoeg lokale context toe om uit te leggen waarop een stap van toepassing is. Een fragment zoals “Dien binnen vijf dagen in” heeft de gebeurtenis of het proces nodig waarmee de termijn begint.
De trainingsprocedure beperkte sequenties tot 128 tokens, los van de gepubliceerde coderingsstandaard van 384 wordpieces. Gebruik representatief materiaal bij het beoordelen van langere alinea's of woordenschat die specifiek is voor uw verzameling. Meer tekst die binnen de invoer past stelt niet vast dat elk detail een zoekresultaat even sterk beïnvloedt.
Bewaar voor zoeken de koppeling tussen vector en document, zodat gerangschikte kandidaten de oorspronkelijke secties kunnen teruggeven. In een RAG-workflow worden geselecteerde secties context voor de antwoordschrijffase. Het model levert numerieke representaties; het genereert geen antwoord met brononderbouwing en beslist niet welk document gezaghebbend is.
Vergelijk voor clustering de records in elke voorgestelde groep voordat u labels toekent. Onderhoudsnotities kunnen vergelijkbare taal bevatten maar naar verschillende apparaten of storingsomstandigheden verwijzen. Neem die onderscheidende details in de gecodeerde tekst op en onderzoek ze in het geretourneerde materiaal in plaats van alleen op een score te vertrouwen.
Dit exacte all-mpnet-base-v2-checkpoint is een Engels zinsembeddingprofiel met eigen instellingen voor mean pooling, normalisatie en standaard afkappen. Bewaar die instellingen bij de geïndexeerde verzameling en gebruik de vectoren als hulpmiddel om de bronpassages die voor de taak van belang zijn te vinden en te vergelijken.
", "aboutText": "all-mpnet-base-v2 is een model van Sentence Transformers dat zinnen en korte alinea's als 768-dimensionale dense vectoren representeert. Het is vanuit het MPNet-basismodel gefinetuned met contrastief leren op een verzameling van een miljard zinsparen. De maker noemt informatieopvraging, clustering en zinsgelijkenis als beoogde toepassingen.\n\n### Codeer een zin of korte alinea\n\nBereid de te vergelijken tekst voor en behoud de hoofdgedachte en onderscheidende details. Een korte sectie in een interne documentverzameling kan beschrijven hoe vervanging van apparatuur wordt aangevraagd of welke informatie een onderhoudsrapport moet bevatten. Houd de documenttitel en bronlocatie beschikbaar bij de vector.\n\nEen met hetzelfde model ingebedde zoekvraag kan verwante secties ophalen, ook wanneer hun bewoordingen verschillen. Onderzoek die secties op de daadwerkelijke instructie die de lezer nodig heeft. Vergelijk bij een gelijkenisworkflow de kandidaatzinnen zelf na het ophalen, vooral wanneer de ene een uitzondering of voorwaarde bevat die in de andere ontbreekt.\n\n### Mean pooling en normalisatie\n\nHet referentievoorbeeld voor codering middelt contextuele tokenrepresentaties met het attention-masker en sluit padding uit van het gemiddelde. Vervolgens worden de resulterende zinsembeddings L2-genormaliseerd. Behoud beide stappen bij het produceren van vectoren voor een verzameling en voor latere zoekvragen.\n\nElke vector heeft 768 componenten. Cosinusgelijkenis kan die genormaliseerde representaties vergelijken, terwijl de brontekst de onderbouwing achter een resultaat levert. Het gedeelde aantal componenten maakt dit model niet compatibel met multi-qa-mpnet-base-dot-v1: die afzonderlijke editie specificeert CLS-pooling en niet-genormaliseerde vectoren voor inproductscoring.\n\n### Standaard afkappen en passagevoorbereiding\n\nDe maker stelt dat invoer boven 384 wordpieces standaard wordt afgekapt. Houd de relevante sectie binnen die tokenizergrens. Splits een lange procedure bij betekenisvolle sectiegrenzen en voeg genoeg lokale context toe om uit te leggen waarop een stap van toepassing is. Een fragment zoals “Dien binnen vijf dagen in” heeft de gebeurtenis of het proces nodig waarmee de termijn begint.\n\nDe trainingsprocedure beperkte sequenties tot 128 tokens, los van de gepubliceerde coderingsstandaard van 384 wordpieces. Gebruik representatief materiaal bij het beoordelen van langere alinea's of woordenschat die specifiek is voor uw verzameling. Meer tekst die binnen de invoer past stelt niet vast dat elk detail een zoekresultaat even sterk beïnvloedt.\n\n### Informatieopvraging, groepering en vergelijking\n\nBewaar voor zoeken de koppeling tussen vector en document, zodat gerangschikte kandidaten de oorspronkelijke secties kunnen teruggeven. In een RAG-workflow worden geselecteerde secties context voor de antwoordschrijffase. Het model levert numerieke representaties; het genereert geen antwoord met brononderbouwing en beslist niet welk document gezaghebbend is.\n\nVergelijk voor clustering de records in elke voorgestelde groep voordat u labels toekent. Onderhoudsnotities kunnen vergelijkbare taal bevatten maar naar verschillende apparaten of storingsomstandigheden verwijzen. Neem die onderscheidende details in de gecodeerde tekst op en onderzoek ze in het geretourneerde materiaal in plaats van alleen op een score te vertrouwen.\n\nDit exacte all-mpnet-base-v2-checkpoint is een Engels zinsembeddingprofiel met eigen instellingen voor mean pooling, normalisatie en standaard afkappen. Bewaar die instellingen bij de geïndexeerde verzameling en gebruik de vectoren als hulpmiddel om de bronpassages die voor de taak van belang zijn te vinden en te vergelijken.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "6cebdc25d08cbe312c69a4030ca6d6d226d07e06087c3e5356008f613eccd218", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nl-be", "methods": [ { "html": "sentence-transformers/all-mpnet-base-v2Sentence Transformers all-mpnet-base-v2 zet zinnen en korte alinea's om in 768-dimensionale vectoren voor informatieopvraging, clustering en gelijkenis. Het gepubliceerde recept gebruikt mean pooling en L2-normalisatie, met standaard afkappen bij 384 wordpieces.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
all-mpnet-base-v2 is een model van Sentence Transformers dat zinnen en korte alinea's als 768-dimensionale dense vectoren representeert. Het is vanuit het MPNet-basismodel gefinetuned met contrastief leren op een verzameling van een miljard zinsparen. De maker noemt informatieopvraging, clustering en zinsgelijkenis als beoogde toepassingen.
Bereid de te vergelijken tekst voor en behoud de hoofdgedachte en onderscheidende details. Een korte sectie in een interne documentverzameling kan beschrijven hoe vervanging van apparatuur wordt aangevraagd of welke informatie een onderhoudsrapport moet bevatten. Houd de documenttitel en bronlocatie beschikbaar bij de vector.
Een met hetzelfde model ingebedde zoekvraag kan verwante secties ophalen, ook wanneer hun bewoordingen verschillen. Onderzoek die secties op de daadwerkelijke instructie die de lezer nodig heeft. Vergelijk bij een gelijkenisworkflow de kandidaatzinnen zelf na het ophalen, vooral wanneer de ene een uitzondering of voorwaarde bevat die in de andere ontbreekt.
Het referentievoorbeeld voor codering middelt contextuele tokenrepresentaties met het attention-masker en sluit padding uit van het gemiddelde. Vervolgens worden de resulterende zinsembeddings L2-genormaliseerd. Behoud beide stappen bij het produceren van vectoren voor een verzameling en voor latere zoekvragen.
Elke vector heeft 768 componenten. Cosinusgelijkenis kan die genormaliseerde representaties vergelijken, terwijl de brontekst de onderbouwing achter een resultaat levert. Het gedeelde aantal componenten maakt dit model niet compatibel met multi-qa-mpnet-base-dot-v1: die afzonderlijke editie specificeert CLS-pooling en niet-genormaliseerde vectoren voor inproductscoring.
De maker stelt dat invoer boven 384 wordpieces standaard wordt afgekapt. Houd de relevante sectie binnen die tokenizergrens. Splits een lange procedure bij betekenisvolle sectiegrenzen en voeg genoeg lokale context toe om uit te leggen waarop een stap van toepassing is. Een fragment zoals “Dien binnen vijf dagen in” heeft de gebeurtenis of het proces nodig waarmee de termijn begint.
De trainingsprocedure beperkte sequenties tot 128 tokens, los van de gepubliceerde coderingsstandaard van 384 wordpieces. Gebruik representatief materiaal bij het beoordelen van langere alinea's of woordenschat die specifiek is voor uw verzameling. Meer tekst die binnen de invoer past stelt niet vast dat elk detail een zoekresultaat even sterk beïnvloedt.
Bewaar voor zoeken de koppeling tussen vector en document, zodat gerangschikte kandidaten de oorspronkelijke secties kunnen teruggeven. In een RAG-workflow worden geselecteerde secties context voor de antwoordschrijffase. Het model levert numerieke representaties; het genereert geen antwoord met brononderbouwing en beslist niet welk document gezaghebbend is.
Vergelijk voor clustering de records in elke voorgestelde groep voordat u labels toekent. Onderhoudsnotities kunnen vergelijkbare taal bevatten maar naar verschillende apparaten of storingsomstandigheden verwijzen. Neem die onderscheidende details in de gecodeerde tekst op en onderzoek ze in het geretourneerde materiaal in plaats van alleen op een score te vertrouwen.
Dit exacte all-mpnet-base-v2-checkpoint is een Engels zinsembeddingprofiel met eigen instellingen voor mean pooling, normalisatie en standaard afkappen. Bewaar die instellingen bij de geïndexeerde verzameling en gebruik de vectoren als hulpmiddel om de bronpassages die voor de taak van belang zijn te vinden en te vergelijken.
POST /v1/embeddingstext, token_idsembedding| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten sentence-transformers/all-mpnet-base-v2 | Standaard— |
Veldinput | Typestring|string[]|integer[]|integer[][] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 Voorwaarden: Niet-lege homogene batch. Token-ID's zijn niet-negatieve gehele getallen. Invoerbudget: Maximum: 512 · Teksteenheid: UTF8-bytes · Tokeneenheid: elementen van de token-array | Standaard— |
Veldencoding_format | Typestring | VereisteOptioneel | Waarden en limieten float | Standaardfloat |
Velddimensions | Typeinteger | VereisteNiet ondersteund | Waarden en limieten Minimum: 1 | Standaard— |
Velduser | Typejson_value | VereisteOptioneel | Waarden en limieten Voorwaarden: De bron staat dit JSON-metadataveld toe; de precieze betekenis bij de achterliggende leverancier is modelspecifiek. | Standaard— |
Veldsession_id | Typejson_value | VereisteOptioneel | Waarden en limieten Voorwaarden: De bron staat dit JSON-metadataveld toe; de precieze betekenis bij de achterliggende leverancier is modelspecifiek. | Standaard— |
Veldtrace | Typejson_value | VereisteOptioneel | Waarden en limieten Voorwaarden: De bron staat dit JSON-metadataveld toe; de precieze betekenis bij de achterliggende leverancier is modelspecifiek. | Standaard— |
Veldprovider | Typeobject | VereisteOptioneel | Waarden en limieten Voorwaarden: provider.options geweigerd | Standaard— |
text_to_embedding
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, input |
Parameterinput_shapes | Contractstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parameterencoding_format | Contractfloat |
Parameterdimensions_override | Contractfalse |
Parametermax_input_budget_units | Contract512 |
Parametermultimodal_objects | Contractfalse |
Parametermaterial_types | Contracttext, token_ids |
Levenscyclus: synchronous_json
Bewaar elke vectorindex en -dimensie.
Ook bij een multimodale modelnaam zijn afbeeldingsobjecten op dit specifieke pad niet toegestaan.
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.00001 / 1K tokens Uitvoer · Uitvoertokens $0 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${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
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar elke vector met zijn index. Het aantal vectoren moet gelijk zijn aan het aantal invoeritems; de dimensies moeten consistent zijn.
Er wordt geen endpoint voor embeddingtaken toegevoegd.
| Veld | Type |
|---|---|
Veldobject | Typestring |
Veldmodel | Typestring |
Velddata[].index | Typeinteger |
Velddata[].embedding | Typefinite float[] |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra sentence-transformers/all-mpnet-base-v2
Gebruik de hierboven getoonde methodepaden.