Source: https://ailoot.ai/models/ru/sentence-transformers-multi-qa-mpnet-base-dot-v1/ Canonical: https://ailoot.ai/models/ru/sentence-transformers-multi-qa-mpnet-base-dot-v1/ Language: ru # Sentence Transformers: multi-qa-mpnet-base-dot-v1 [Markdown](https://ailoot.ai/models/ru/sentence-transformers-multi-qa-mpnet-base-dot-v1/index.md) · [JSON](https://ailoot.ai/models/ru/sentence-transformers-multi-qa-mpnet-base-dot-v1/facts.json) ## [Sentence Transformers: multi-qa-mpnet-base-dot-v1](https://ailoot.ai/models/ru/sentence-transformers-multi-qa-mpnet-base-dot-v1/) Sentence Transformers multi-qa-mpnet-base-dot-v1 кодирует вопросы и фрагменты в 768-мерные векторы для семантического поиска. Она использует CLS-пулинг и ненормализованные эмбеддинги для оценивания скалярным произведением с входным лимитом 512 подсловных единиц. - [**Ailoot Ultra · Эмбеддинги** `POST /v1/embeddings` `sentence-transformers/multi-qa-mpnet-base-dot-v1`](https://ailoot.ai/models/ru/sentence-transformers-multi-qa-mpnet-base-dot-v1/#method-0) О модели Описание раскрывает возможности модели. Доступные в Ailoot входные данные, результаты и параметры выбранного метода перечислены ниже. multi-qa-mpnet-base-dot-v1 — модель Sentence Transformers для поиска текстовых фрагментов по вопросу или запросу. При её обучении использовались около 215 миллионов пар «вопрос–ответ». Каждый вход превращается в 768-мерный плотный вектор; CLS-пулинг и оценивание скалярным произведением определяют это конкретное издание. #### Подготовьте вопрос и кандидатные фрагменты Сформулируйте запрос как информационную потребность, а записи корпуса подготовьте как читаемые текстовые фрагменты. Например, вопрос об изменении адреса доставки можно сравнить с отдельными абзацами об изменении адреса, отмене заказа и отслеживании доставки. Сохраняйте нужные условия во фрагменте об изменении адреса, включая то, отправлен ли заказ уже. Кодируйте запрос и фрагменты этой же моделью. Опубликованный пример делает это напрямую, без префикса query/document, и сортирует фрагменты по оценкам скалярного произведения. Сохраняйте связь каждого вектора с исходным фрагментом и идентификатором документа, чтобы ранжированный результат показывал реально проиндексированный материал. #### CLS-пулинг и издание со скалярным произведением Эталонный рецепт модели берёт представление первого токена — это называется CLS-пулингом. Техническая таблица прямо указывает, что эмбеддинги не нормализованы, и называет скалярное произведение подходящей функцией оценивания. Сохраняйте этот рецепт при настройке коллекции и стороны запросов. L2-нормализация этих векторов меняет геометрию оценивания. Нормализованный профиль all-mpnet-base-v2 использует другой рецепт и является отдельной контрольной точкой, несмотря на общее семейство MPNet и выход из 768 компонентов. Храните точное издание и функцию сравнения вместе с коллекцией, вместо выбора только по длине вектора. #### Ограничение длины и более длинные фрагменты Указанный входной лимит — 512 подсловных единиц; более длинный текст обрезается. Производитель также отмечает, что обучающие входы достигали только 250 подсловных единиц и более длинный текст может работать хуже. Поэтому принимаемая токенизатором длина и оговорка о длине обучения описывают разные практические границы. Для большой справочной статьи готовьте короткие разделы, отвечающие на конкретные вопросы. Сохраняйте заголовок, когда он обозначает тему, и правило вместе с исключением, необходимым для правильного прочтения. Один вход на целую страницу может потерять поздний материал из-за обрезки, а слишком маленький фрагмент — условие, которое делает его полезным. #### Используйте ранжирование в поиске и RAG Плотные векторы поддерживают первый этап поиска. Возвращайте кандидатные фрагменты с наибольшими оценками и ссылками на источники, затем проверяйте, отвечают ли они на реальный вопрос. В процессе RAG передавайте эти фрагменты этапу подготовки ответа как исходный материал; сам поиск не составляет ответ. Используйте репрезентативные вопросы с известными релевантными фрагментами для выбора количества результатов и оценки ранжирования. Включайте примеры с похожей лексикой, но разными намерениями, например изменение адреса и просмотр текущего адреса. Интерпретируйте оценки относительно кандидатов при одной модели и настройке оценивания, а не как калиброванные вероятности правильности. Полезный выход этой контрольной точки — пространство эмбеддингов вопросов и фрагментов для семантического поиска. Её ненормализованные векторы, CLS-пулинг, оценка скалярным произведением и опубликованная оговорка о длинных входах — детали, которые нужно сохранять при подготовке и использовании результатов. **Ailoot Ultra · Эмбеддинги** `POST /v1/embeddings` `sentence-transformers/multi-qa-mpnet-base-dot-v1` [`sentence-transformers/multi-qa-mpnet-base-dot-v1`](https://ailoot.ai/models/ru/#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` ### Начало Sentence Transformers multi-qa-mpnet-base-dot-v1 кодирует вопросы и фрагменты в 768-мерные векторы для семантического поиска. Она использует CLS-пулинг и ненормализованные эмбеддинги для оценивания скалярным произведением с входным лимитом 512 подсловных единиц. Допустимые входные данные Текст · token\_ids Результаты embedding ### Доступно в Ailoot · входные данные и методы **Ailoot Ultra · Эмбеддинги** `POST /v1/embeddings` Входные данные `text`, `token_ids` Результат `embedding` Выходной формат json | Поле | Тип | Требование | Значения и ограничения | По умолчанию | | --- | --- | --- | --- | --- | | Поле`model` | Тип`string` | ТребованиеОбязательно | Значения и ограничения sentence-transformers/multi-qa-mpnet-base-dot-v1 | По умолчанию— | | Поле`input` | Тип`string\|string[]\|integer[]\|integer[][]` | ТребованиеОбязательно | Значения и ограничения Минимум элементов: 1 Условия: Непустой однородный пакет. ID токенов — неотрицательные целые числа. Входной бюджет: Максимум: 512 · Текстовая единица: байты UTF8 · Единица токенов: элементы массива токенов | По умолчанию— | | Поле`encoding_format` | Тип`string` | ТребованиеНеобязательно | Значения и ограничения float | По умолчаниюfloat | | Поле`dimensions` | Тип`integer` | ТребованиеНе поддерживается | Значения и ограничения Минимум: 1 | По умолчанию— | | Поле`user` | Тип`json_value` | ТребованиеНеобязательно | Значения и ограничения Условия: Source допускает это поле метаданных JSON; точная семантика у исходного поставщика зависит от модели. | По умолчанию— | | Поле`session_id` | Тип`json_value` | ТребованиеНеобязательно | Значения и ограничения Условия: Source допускает это поле метаданных JSON; точная семантика у исходного поставщика зависит от модели. | По умолчанию— | | Поле`trace` | Тип`json_value` | ТребованиеНеобязательно | Значения и ограничения Условия: Source допускает это поле метаданных JSON; точная семантика у исходного поставщика зависит от модели. | По умолчанию— | | Поле`provider` | Тип`object` | ТребованиеНеобязательно | Значения и ограничения Условия: provider.options отклоняется | По умолчанию— | Сочетания входных материалов **text\_to\_embedding** Параметры и жизненный цикл метода | Параметр | Контракт | | --- | --- | | Параметр`content_type` | Контрактapplication/json | | Параметр`required` | Контрактmodel, input | | Параметр`input_shapes` | Контрактstring, string\[\], nonnegative\_integer\_token\_array, nonnegative\_integer\_token\_array\[\] | | Параметр`encoding_format` | Контрактfloat | | Параметр`dimensions_override` | Контрактfalse | | Параметр`max_input_budget_units` | Контракт512 | | Параметр`multimodal_objects` | Контрактfalse | | Параметр`material_types` | Контрактtext, token\_ids | Жизненный цикл: `synchronous_json` Сохраняйте индекс и размерность каждого вектора. Название мультимодальной модели не означает допуск объектов изображений на этом конкретном маршруте. ### Тарифы Тарифная справка не добавляет режимы запроса. Поддерживаемые параметры указаны для выбранного метода. Быстрый режим Не указано При выборе быстрого режима Режим flex Не указано При выборе режима flex Максимальная интенсивность рассуждений Не указано При максимальной интенсивности рассуждений с корректировкой по умолчанию (default) #### Ставки Ailoot #### Цены по конфигурациям | Конфигурация | Шкала ставок | Плата | | --- | --- | --- | | КонфигурацияБазовые ставки за токены | Шкала ставокБазовая ставка | Плата Вход · Входные токены **$0.00001** / 1K токенов Выход · Выходные токены **$0** / 1K токенов Вход · Чтение кэша **—** / 1K токенов Вход · Запись в кэш **—** / 1K токенов Вход · Запись в кэш, 1 час **—** / 1K токенов | Ailoot резервирует расчётную сумму перед запросом. После получения результата списывает итоговую плату по измеренному расходу. Для окончательного списания за потоковый ответ используется итоговая запись расхода. [Как работают резервирование и расчёт →](https://ailoot.ai/docs/ru/billing/reserve/) ### Примеры запросов #### Ailoot Ultra · Эмбеддинги curlPython SDK ```bash set -eu : "${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) ``` ### Получить и сохранить результаты #### Ailoot Ultra · Эмбеддинги json ##### Сохраняйте все готовые результаты Сохраняйте каждый полностью полученный ответ, файл и элемент содержимого. Сохраняйте каждый вектор с его индексом. Число векторов должно совпадать с числом входных элементов; размерности должны быть согласованы. ##### Если нужно проверить исходный ответ Отдельный эндпоинт заданий эмбеддингов не вводится. Поля ответа | Поле | Тип | | --- | --- | | Поле`object` | Типstring | | Поле`model` | Типstring | | Поле`data[].index` | Типinteger | | Поле`data[].embedding` | Типfinite float\[\] | | Поле`usage` | Типobject | Ошибки и дальнейшие шаги | Ответ | Условие | Следующий шаг | | --- | --- | --- | | Ответ400 · `invalid_request_error` | УсловиеНеверные обязательные поля, представление материалов или значение параметра | Следующий шагИсправьте указанные поля перед новым запросом на создание. | ### Псевдонимы #### Псевдонимы моделей **Ailoot Ultra** [`sentence-transformers/multi-qa-mpnet-base-dot-v1`](https://ailoot.ai/models/ru/#m=sentence-transformers%2Fmulti-qa-mpnet-base-dot-v1&route=Ultra&caller=sentence-transformers%2Fmulti-qa-mpnet-base-dot-v1&fmt=embeddings) #### Псевдонимы путей метода Используйте пути методов, указанные выше. #### Связанные ID для вызова [`sentence-transformers/multi-qa-mpnet-base-dot-v1`](https://ailoot.ai/models/ru/#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 Какие входные данные и результаты доступны? `POST /v1/embeddings` · `sentence-transformers/multi-qa-mpnet-base-dot-v1`: `text`, `token_ids` → `embedding` Какие поля использует запрос? `POST /v1/embeddings` · `sentence-transformers/multi-qa-mpnet-base-dot-v1`: `model`, `input`, `encoding_format`, `provider` Какие ограничения действуют? `POST /v1/embeddings` · `sentence-transformers/multi-qa-mpnet-base-dot-v1`: `input.budget.maximum`: `512` (байты UTF8); `input.min_items`: `1` Подключите Ailoot к Claude Code, OpenCode, Hermes или своему приложению. ## Компания и портфель её проектов Компания и портфель её проектов: миллионы клиентов; продажи на миллиарды ежемесячно. ## Покупайте токены со скидкой. Скидка по подписке для регулярной работы. Промокоды — до 50% на покупку токенов. Подписка Выберите тариф со скидкой для своих регулярных запросов. Промокод до 50% Введите код при покупке. Цена пересчитается с учётом действующей акции. Расходы в истории Модель, токены и сумма сохраняются для каждого запроса. [Выбрать подписку](https://ailoot.ai/docs/ru/billing/subscriptions/) · [Посмотреть цены моделей](https://ailoot.ai/models/ru/) ## Подключайте API к продукту, который вы продаёте. SaaS, приложения и боты — по оферте и лицензионному договору Ailoot. Для перепродажи запросите реселлерскую лицензию. Коммерческое приложение Встраивайте генерацию текста, картинок, видео и звука в платные функции своего сервиса. Лицензия для реселлера Пришлите описание проекта и схему доступа. Запросите письменные условия использования и перепродажи. Документы на сайте Оферта, лицензионный договор и политика обработки данных доступны до подключения. [Запросить реселлерскую лицензию](mailto:support@ailoot.ai) · [Оферта и лицензионный договор](https://ailoot.ai/legal/offer?lang=ru) ## Ailoot · Компания и портфель её проектов Ailoot опирается на накопленный опыт работы, большую клиентскую базу, стабильный сервис и постоянный контроль KPI. Компания и портфель её проектов: миллионы клиентов; продажи на миллиарды ежемесячно. Этот опыт Ailoot использует для API-доступа к нейросетям в продуктах клиентов, агентах, приложениях и автоматизациях.