Source: https://ailoot.ai/models/pt-pt/sentence-transformers-multi-qa-mpnet-base-dot-v1/ Canonical: https://ailoot.ai/models/pt-pt/sentence-transformers-multi-qa-mpnet-base-dot-v1/ Language: pt-pt # Sentence Transformers: multi-qa-mpnet-base-dot-v1 [Markdown](https://ailoot.ai/models/pt-pt/sentence-transformers-multi-qa-mpnet-base-dot-v1/index.md) · [JSON](https://ailoot.ai/models/pt-pt/sentence-transformers-multi-qa-mpnet-base-dot-v1/facts.json) ## [Sentence Transformers: multi-qa-mpnet-base-dot-v1](https://ailoot.ai/models/pt-pt/sentence-transformers-multi-qa-mpnet-base-dot-v1/) Sentence Transformers multi-qa-mpnet-base-dot-v1 codifica perguntas e passagens em vetores de 768 dimensões para pesquisa semântica. Utiliza CLS pooling e embeddings não normalizados concebidos para pontuação por produto escalar, com um limite de entrada de 512 segmentos de palavra. - [**Ailoot Ultra · Embeddings** `POST /v1/embeddings` `sentence-transformers/multi-qa-mpnet-base-dot-v1`](https://ailoot.ai/models/pt-pt/sentence-transformers-multi-qa-mpnet-base-dot-v1/#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. multi-qa-mpnet-base-dot-v1 é um modelo de Sentence Transformers concebido para recuperar passagens de texto para uma pergunta ou consulta. O seu treino utilizou cerca de 215 milhões de pares de pergunta e resposta. Cada entrada torna-se um vetor denso de 768 dimensões, sendo o CLS pooling e a pontuação por produto escalar características que definem esta edição exata. #### Prepare uma pergunta e passagens candidatas Escreva a consulta como a necessidade de informação e prepare as entradas do corpus como passagens de texto legíveis. Por exemplo, uma pergunta sobre a alteração de uma morada de entrega pode ser comparada com parágrafos separados sobre alterações de morada, cancelamento de encomendas e acompanhamento de entregas. Mantenha as condições relevantes na passagem sobre a alteração de morada, incluindo se a encomenda já foi expedida. Codifique a consulta e as passagens com este mesmo modelo. O exemplo publicado faz isso diretamente, sem um prefixo de consulta/documento, e ordena as passagens pelas respetivas pontuações de produto escalar. Mantenha cada vetor ligado à sua passagem original e ao identificador do documento, para que o resultado ordenado possa mostrar o material efetivamente indexado. #### CLS pooling e a edição de produto escalar A receita de referência do modelo utiliza a representação do primeiro token, conhecida como CLS pooling. A sua tabela técnica indica explicitamente que os embeddings não são normalizados e apresenta o produto escalar como função de pontuação adequada. Preserve essa receita ao configurar a coleção e o lado da consulta. Aplicar normalização L2 a estes vetores altera a geometria da sua pontuação. O perfil normalizado all-mpnet-base-v2 utiliza uma receita diferente e é um checkpoint separado, apesar de partilhar a família MPNet e uma saída de 768 componentes. Mantenha a edição exata e a função de comparação associadas à coleção armazenada, em vez de as escolher apenas a partir do comprimento do vetor. #### Limite de comprimento e passagens mais longas O limite de entrada indicado é de 512 segmentos de palavra, ou word pieces; texto mais longo é truncado. O fabricante também observa que as entradas de treino atingiam apenas 250 segmentos de palavra e que texto mais longo pode funcionar menos bem. O comprimento aceite pelo tokenizador e a ressalva sobre o comprimento de treino descrevem, por isso, limites práticos diferentes. Para um artigo de ajuda extenso, prepare secções curtas que respondam a perguntas específicas. Conserve um título quando este identifica o tema e mantenha uma regra junto da exceção necessária para a interpretar corretamente. Uma entrada com uma página inteira pode perder o material posterior devido ao truncamento, enquanto um fragmento demasiado pequeno pode perder a condição que o torna útil. #### Utilize a ordenação na recuperação e no RAG Os vetores densos suportam uma primeira etapa de recuperação. Devolva as passagens candidatas com maior pontuação juntamente com as referências às suas fontes e, depois, examine se respondem à pergunta real. Num fluxo RAG, forneça essas passagens à etapa de redação da resposta como material de origem; a recuperação, por si só, não compõe a resposta. Utilize perguntas representativas com passagens relevantes conhecidas para escolher o número de resultados e avaliar a ordenação. Inclua exemplos com vocabulário semelhante mas intenção diferente, como alterar uma morada em vez de consultar a morada atual. Interprete as pontuações relativamente aos candidatos sob o mesmo modelo e configuração de pontuação, em vez de as tratar como probabilidades calibradas de correção. A saída útil deste checkpoint é um espaço de embeddings de perguntas e passagens para pesquisa semântica. Os seus vetores não normalizados, o CLS pooling, a pontuação por produto escalar e a ressalva publicada sobre entradas longas são os detalhes a preservar ao preparar e utilizar os resultados. **Ailoot Ultra · Embeddings** `POST /v1/embeddings` `sentence-transformers/multi-qa-mpnet-base-dot-v1` [`sentence-transformers/multi-qa-mpnet-base-dot-v1`](https://ailoot.ai/models/pt-pt/#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` ### Introdução Sentence Transformers multi-qa-mpnet-base-dot-v1 codifica perguntas e passagens em vetores de 768 dimensões para pesquisa semântica. Utiliza CLS pooling e embeddings não normalizados concebidos para pontuação por produto escalar, com um limite de entrada de 512 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/multi-qa-mpnet-base-dot-v1 | 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/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) ``` ### 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/multi-qa-mpnet-base-dot-v1`](https://ailoot.ai/models/pt-pt/#m=sentence-transformers%2Fmulti-qa-mpnet-base-dot-v1&route=Ultra&caller=sentence-transformers%2Fmulti-qa-mpnet-base-dot-v1&fmt=embeddings) #### Aliases dos caminhos dos métodos Use os caminhos dos métodos indicados acima. #### IDs de chamada relacionados [`sentence-transformers/multi-qa-mpnet-base-dot-v1`](https://ailoot.ai/models/pt-pt/#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 Que entradas e resultados estão disponíveis? `POST /v1/embeddings` · `sentence-transformers/multi-qa-mpnet-base-dot-v1`: `text`, `token_ids` → `embedding` Que campos utiliza o pedido? `POST /v1/embeddings` · `sentence-transformers/multi-qa-mpnet-base-dot-v1`: `model`, `input`, `encoding_format`, `provider` Que limites se aplicam? `POST /v1/embeddings` · `sentence-transformers/multi-qa-mpnet-base-dot-v1`: `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.