Source: https://ailoot.ai/models/pt-pt/sentence-transformers-all-mpnet-base-v2/ Canonical: https://ailoot.ai/models/pt-pt/sentence-transformers-all-mpnet-base-v2/ Language: pt-pt # Sentence Transformers: all-mpnet-base-v2 [Markdown](https://ailoot.ai/models/pt-pt/sentence-transformers-all-mpnet-base-v2/index.md) · [JSON](https://ailoot.ai/models/pt-pt/sentence-transformers-all-mpnet-base-v2/facts.json) ## [Sentence Transformers: all-mpnet-base-v2](https://ailoot.ai/models/pt-pt/sentence-transformers-all-mpnet-base-v2/) Sentence Transformers all-mpnet-base-v2 converte frases e parágrafos curtos em vetores de 768 dimensões para recuperação, agrupamento e similaridade. A receita publicada utiliza mean pooling e normalização L2, com truncamento predefinido aos 384 segmentos de palavra. - [**Ailoot Ultra · Embeddings** `POST /v1/embeddings` `sentence-transformers/all-mpnet-base-v2`](https://ailoot.ai/models/pt-pt/sentence-transformers-all-mpnet-base-v2/#method-0) Sobre o modelo Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo. all-mpnet-base-v2 é um modelo de Sentence Transformers para representar frases e parágrafos curtos como vetores densos de 768 dimensões. Foi ajustado a partir do modelo base MPNet com aprendizagem contrastiva numa coleção de mil milhões de pares de frases. O fabricante identifica a recuperação de informação, o agrupamento e a similaridade entre frases como utilizações previstas. #### Codifique uma frase ou um parágrafo curto Prepare o texto a comparar, mantendo a ideia principal e os detalhes que o distinguem. Numa coleção de documentos internos, uma secção curta pode descrever como pedir a substituição de um equipamento ou que informações deve conter um relatório de manutenção. Mantenha o título do documento e a localização da fonte disponíveis juntamente com o vetor. Uma consulta com embedding gerado pelo mesmo modelo pode recuperar secções relacionadas mesmo quando a formulação difere. Examine essas secções para encontrar a instrução de que o leitor realmente precisa. Num fluxo de similaridade, compare as próprias frases candidatas após a recuperação, sobretudo quando uma inclui uma exceção ou condição ausente da outra. #### Mean pooling e normalização O exemplo de codificação de referência calcula a média das representações contextuais dos tokens com a máscara de atenção, excluindo o preenchimento da média. Depois aplica normalização L2 aos embeddings de frase resultantes. Preserve ambos os passos ao produzir vetores para uma coleção e para consultas posteriores. Cada vetor tem 768 componentes. A similaridade do cosseno pode comparar essas representações normalizadas, enquanto o texto de origem fornece a evidência por trás de um resultado. A contagem de componentes em comum não torna este modelo compatível com multi-qa-mpnet-base-dot-v1: essa edição separada especifica CLS pooling e vetores não normalizados para pontuação por produto escalar. #### Truncamento predefinido e preparação de passagens O fabricante indica que a entrada para além de 384 segmentos de palavra, ou word pieces, é truncada por predefinição. Mantenha a secção relevante dentro desse limite do tokenizador. Para um procedimento longo, divida em limites de secção significativos e inclua contexto local suficiente para explicar a que se aplica um passo. Um fragmento como «Submeter no prazo de cinco dias» precisa do evento ou processo que inicia esse prazo. O procedimento de treino limitou as sequências a 128 tokens, o que é distinto do valor predefinido publicado de 384 segmentos de palavra para codificação. Utilize material representativo ao avaliar parágrafos mais longos ou vocabulário específico da sua coleção. Caber mais texto na entrada não demonstra que todos os detalhes influenciarão igualmente um resultado de recuperação. #### Recuperação, agrupamento e comparação Para pesquisa, mantenha a associação entre vetor e documento, para que os candidatos ordenados possam devolver as secções originais. Num fluxo RAG, as secções selecionadas tornam-se contexto para a etapa de redação da resposta. O modelo fornece representações numéricas; não gera uma resposta fundamentada em fontes nem decide que documento é a autoridade relevante. Para agrupamento, compare os registos de cada grupo proposto antes de atribuir etiquetas. Um conjunto de notas de manutenção pode conter linguagem semelhante mas referir-se a dispositivos ou condições de falha diferentes. Inclua esses detalhes distintivos no texto codificado e examine-os no material devolvido, em vez de depender apenas de uma pontuação. Este checkpoint exato all-mpnet-base-v2 é um perfil de embeddings de frases em inglês com as suas próprias definições de mean pooling, normalização e truncamento predefinido. Mantenha essas definições associadas à coleção indexada e utilize os vetores como apoio para encontrar e comparar as passagens de origem que importam para a tarefa. **Ailoot Ultra · Embeddings** `POST /v1/embeddings` `sentence-transformers/all-mpnet-base-v2` [`sentence-transformers/all-mpnet-base-v2`](https://ailoot.ai/models/pt-pt/#m=sentence-transformers%2Fall-mpnet-base-v2&route=Ultra&caller=sentence-transformers%2Fall-mpnet-base-v2&fmt=embeddings) Sentence Transformers /`sentence-transformers/all-mpnet-base-v2` ### Introdução Sentence Transformers all-mpnet-base-v2 converte frases e parágrafos curtos em vetores de 768 dimensões para recuperação, agrupamento e similaridade. A receita publicada utiliza mean pooling e normalização L2, com truncamento predefinido aos 384 segmentos de palavra. Entradas aceites Texto · token\_ids Resultados embedding ### Disponível no Ailoot · entradas e métodos **Ailoot Ultra · Embeddings** `POST /v1/embeddings` Entrada `text`, `token_ids` Saída `embedding` Formato de saída json | Campo | Tipo | Requisito | Valores e limites | Predefinição | | --- | --- | --- | --- | --- | | Campo`model` | Tipo`string` | RequisitoObrigatório | Valores e limites sentence-transformers/all-mpnet-base-v2 | Predefinição— | | Campo`input` | Tipo`string\|string[]\|integer[]\|integer[][]` | RequisitoObrigatório | Valores e limites Número mínimo de elementos: 1 Condições: Lote homogéneo não vazio. Os IDs de tokens são números inteiros não negativos. Orçamento de entrada: Máximo: 512 · Unidade de texto: bytes UTF8 · Unidade de tokens: elementos do array de tokens | Predefinição— | | Campo`encoding_format` | Tipo`string` | RequisitoOpcional | Valores e limites float | Predefiniçãofloat | | Campo`dimensions` | Tipo`integer` | RequisitoNão suportado | Valores e limites Mínimo: 1 | Predefinição— | | Campo`user` | Tipo`json_value` | RequisitoOpcional | Valores e limites Condições: A fonte permite este campo de metadados JSON; a semântica exata a montante depende do modelo. | Predefinição— | | Campo`session_id` | Tipo`json_value` | RequisitoOpcional | Valores e limites Condições: A fonte permite este campo de metadados JSON; a semântica exata a montante depende do modelo. | Predefinição— | | Campo`trace` | Tipo`json_value` | RequisitoOpcional | Valores e limites Condições: A fonte permite este campo de metadados JSON; a semântica exata a montante depende do modelo. | Predefinição— | | Campo`provider` | Tipo`object` | RequisitoOpcional | Valores e limites Condições: provider.options rejeitado | Predefinição— | Combinações de materiais de entrada **text\_to\_embedding** Parâmetros e ciclo de vida do método | Parâmetro | Contrato | | --- | --- | | Parâmetro`content_type` | Contratoapplication/json | | Parâmetro`required` | Contratomodel, input | | Parâmetro`input_shapes` | Contratostring, string\[\], nonnegative\_integer\_token\_array, nonnegative\_integer\_token\_array\[\] | | Parâmetro`encoding_format` | Contratofloat | | Parâmetro`dimensions_override` | Contratofalse | | Parâmetro`max_input_budget_units` | Contrato512 | | Parâmetro`multimodal_objects` | Contratofalse | | Parâmetro`material_types` | Contratotext, token\_ids | Ciclo de vida: `synchronous_json` Guarde o índice e a dimensão de cada vetor. O nome do modelo multimodal não permite objetos de imagem neste caminho exato. ### Tarifários As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado. Modo rápido Não especificado Quando o modo rápido está selecionado Modo flex Não especificado Quando o modo flex está selecionado Esforço máximo de raciocínio Não especificado Quando o esforço máximo de raciocínio usa o ajuste predefinido (default) #### Tarifas Ailoot #### Preços por configuração | Configuração | Tabela de tarifas | Custo | | --- | --- | --- | | ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Custo Entrada · Tokens de entrada **$0.00001** / 1K tokens Saída · Tokens de saída **$0** / 1K tokens Entrada · Leitura da cache **—** / 1K tokens Entrada · Escrita na cache **—** / 1K tokens Entrada · Escrita na cache, 1 hora **—** / 1K tokens | O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. [Como funcionam a reserva e a liquidação →](https://ailoot.ai/docs/pt-pt/billing/reserve/) ### Exemplos de pedidos #### Ailoot Ultra · Embeddings curlPython SDK ```bash set -eu : "${AILOOT_API_KEY:?Set your Ailoot API key}" python3 - <<'PY_REQUEST' import json,os from pathlib import Path p=json.loads('{"model": "sentence-transformers/all-mpnet-base-v2", "input": ["First document", "Second document"]}') Path("request.json").write_text(json.dumps(p,ensure_ascii=False)) PY_REQUEST curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \ -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \ --data-binary @request.json -D response-headers.txt -o result.json python3 - <<'PY_RESULT' import json from pathlib import Path r=json.loads(Path("result.json").read_text()) for x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")})) PY_RESULT ``` ```python from openai import OpenAI import os client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0) result=client.embeddings.create(model='sentence-transformers/all-mpnet-base-v2',input=["First document","Second document"]) print(result) for item in result.data:print(item.index,item.embedding) ``` ### Receber e guardar os resultados #### Ailoot Ultra · Embeddings json ##### Guardar todos os resultados concluídos Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra. Guarde cada vetor com o respetivo índice. O número de vetores tem de ser igual ao número de entradas; as dimensões têm de ser consistentes. ##### Se for necessário verificar a resposta original Não é introduzido nenhum endpoint de tarefas de embeddings. Campos da resposta | Campo | Tipo | | --- | --- | | Campo`object` | Tipostring | | Campo`model` | Tipostring | | Campo`data[].index` | Tipointeger | | Campo`data[].embedding` | Tipofinite float\[\] | | Campo`usage` | Tipoobject | Erros e passos seguintes | Resposta | Condição | Passo seguinte | | --- | --- | --- | | Resposta400 · `invalid_request_error` | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. | ### Aliases #### Aliases do modelo **Ailoot Ultra** [`sentence-transformers/all-mpnet-base-v2`](https://ailoot.ai/models/pt-pt/#m=sentence-transformers%2Fall-mpnet-base-v2&route=Ultra&caller=sentence-transformers%2Fall-mpnet-base-v2&fmt=embeddings) #### Aliases dos caminhos dos métodos Use os caminhos dos métodos indicados acima. #### IDs de chamada relacionados [`sentence-transformers/all-mpnet-base-v2`](https://ailoot.ai/models/pt-pt/#m=sentence-transformers%2Fall-mpnet-base-v2&route=Ultra&caller=sentence-transformers%2Fall-mpnet-base-v2&fmt=embeddings) FAQ · Sentence Transformers: all-mpnet-base-v2 Que entradas e resultados estão disponíveis? `POST /v1/embeddings` · `sentence-transformers/all-mpnet-base-v2`: `text`, `token_ids` → `embedding` Que campos utiliza o pedido? `POST /v1/embeddings` · `sentence-transformers/all-mpnet-base-v2`: `model`, `input`, `encoding_format`, `provider` Que limites se aplicam? `POST /v1/embeddings` · `sentence-transformers/all-mpnet-base-v2`: `input.budget.maximum`: `512` (bytes UTF8); `input.min_items`: `1` Ligue o Ailoot ao Claude Code, OpenCode, Hermes ou à sua aplicação. ## A empresa e a sua carteira de projetos A empresa e a sua carteira de projetos: milhões de clientes; vendas mensais na ordem dos milhares de milhões. ## Compre tokens com desconto. Desconto por subscrição para trabalho regular. Códigos promocionais — até 50% na compra de tokens. Subscrição Escolha um plano com desconto para os pedidos regulares. Código promocional até 50% Introduza o código na compra. O preço é recalculado conforme a campanha em vigor. Custos no histórico O modelo, os tokens e o montante são guardados para cada pedido. [Escolher subscrição](https://ailoot.ai/docs/pt-pt/billing/subscriptions/) · [Ver preços dos modelos](https://ailoot.ai/models/pt-pt/) ## Ligue a API ao produto que vende. SaaS, aplicações e bots — ao abrigo da oferta e do contrato de licença Ailoot. Para revenda, peça uma licença de revendedor. Aplicação comercial Integre geração de texto, imagens, vídeo e som nas funcionalidades pagas do seu serviço. Licença de revendedor Envie uma descrição do projeto e do modelo de acesso. Peça condições escritas de utilização e revenda. Documentos no site A oferta, o contrato de licença e a política de tratamento de dados estão disponíveis antes da ligação. [Pedir licença de revendedor](mailto:support@ailoot.ai) · [Oferta e contrato de licença](https://ailoot.ai/legal/offer?lang=pt-pt) ## Ailoot · A empresa e a sua carteira de projetos A Ailoot assenta numa experiência operacional consolidada, numa ampla base de clientes, num serviço estável e no acompanhamento contínuo dos KPI. A empresa e a sua carteira de projetos: milhões de clientes; vendas mensais na ordem dos milhares de milhões. A Ailoot aplica essa experiência operacional ao acesso por API a funcionalidades de IA nos produtos dos clientes, agentes, aplicações e automatizações.