Sentence Transformers: multi-qa-mpnet-base-dot-v1

Sentence Transformers multi-qa-mpnet-base-dot-v1 savollar va parchalarni semantik qidiruv uchun 768 o‘lchamli vektorlarga kodlaydi. U CLS pooling va skalyar ko‘paytma bilan baholashga mo‘ljallangan normallanmagan embeddinglardan foydalanadi; kirish chegarasi 512 ta word piece birligi.

Ailoot Ultra · Embeddinglar POST /v1/embeddings sentence-transformers/multi-qa-mpnet-base-dot-v1

Model haqida

Bu tavsif model imkoniyatlarini yoritadi. Ailoot da tanlangan usul uchun mavjud kirish, chiqish va parametrlar quyida keltirilgan.

multi-qa-mpnet-base-dot-v1 — savol yoki so‘rov uchun matn parchalarini topishga mo‘ljallangan Sentence Transformers modeli. O‘qitishda taxminan 215 million savol–javob jufti ishlatilgan. Har bir kirish 768 o‘lchamli zich vektorga aylanadi; CLS pooling va skalyar ko‘paytma bilan baholash aynan shu nashrni belgilaydi.

Savol va nomzod parchalarni tayyorlang

So‘rovni ma’lumotga bo‘lgan ehtiyoj sifatida yozing, korpus yozuvlarini esa o‘qiladigan matn parchalari qilib tayyorlang. Masalan, yetkazib berish manzilini o‘zgartirish haqidagi savolni manzilni o‘zgartirish, buyurtmani bekor qilish va yetkazib berishni kuzatishga oid alohida paragraflar bilan taqqoslash mumkin. Manzilni o‘zgartirish parchasida tegishli shartlarni, jumladan buyurtma allaqachon jo‘natilgan-jo‘natilmaganini saqlang.

So‘rov va parchalarni aynan shu model bilan kodlang. E’lon qilingan misol buni query/document prefiksisiz bevosita bajaradi va parchalarni skalyar ko‘paytma ballari bo‘yicha tartiblaydi. Reytinglangan natija haqiqatan indekslangan materialni ko‘rsata olishi uchun har bir vektorni asl parcha va hujjat identifikatoriga bog‘lang.

CLS pooling va skalyar ko‘paytma nashri

Modelning rasmiy usuli CLS pooling deb ataladigan birinchi token ifodasini oladi. Texnik jadval embeddinglar normallanmaganini ochiq aytadi va mos baholash funksiyasi sifatida skalyar ko‘paytmani ko‘rsatadi. To‘plam va so‘rov tomonini sozlashda shu usulni saqlang.

Bu vektorlarni L2 normallash baholash geometriyasini o‘zgartiradi. Normallangan all-mpnet-base-v2 profili boshqa usuldan foydalanadi va MPNet oilasi hamda 768 komponentli chiqishni bo‘lishsa ham alohida checkpointdir. Ularni faqat vektor uzunligidan tanlash o‘rniga, aniq nashr va taqqoslash funksiyasini saqlangan to‘plam bilan birga saqlang.

Uzunlik chegarasi va uzunroq parchalar

Ko‘rsatilgan kirish chegarasi 512 ta word piece birligi; uzunroq matn kesiladi. Ishlab chiqaruvchi o‘qitish kirishlari atigi 250 ta word piece birligigacha yetganini va uzunroq matn yomonroq natija berishi mumkinligini ham qayd etadi. Demak, tokenizer qabul qiladigan uzunlik va o‘qitish uzunligi ogohlantirishi turli amaliy chegaralarni tavsiflaydi.

Katta yordam maqolasi uchun muayyan savollarga javob beradigan qisqa bo‘limlar tayyorlang. Mavzuni aniqlasa sarlavhani saqlang; qoidani to‘g‘ri tushunishga kerakli istisno bilan birga qoldiring. Bitta to‘liq sahifali kirish kesilish tufayli keyingi materialni yo‘qotishi, haddan kichik bo‘lak esa uni foydali qiladigan shartni yo‘qotishi mumkin.

Reytingdan qidiruv va RAG’da foydalaning

Zich vektorlar birinchi qidiruv bosqichini qo‘llab-quvvatlaydi. Eng yuqori balli nomzod parchalarni manba havolalari bilan qaytaring, so‘ng haqiqiy savolni qamrashini tekshiring. RAG jarayonida shu parchalarni javob yozish bosqichiga manba materiali sifatida bering; qidiruvning o‘zi javob yozmaydi.

Natijalar sonini tanlash va reytingni baholash uchun tegishli parchalari ma’lum namunaviy savollardan foydalaning. Manzilni o‘zgartirish va joriy manzilni ko‘rish kabi lug‘ati o‘xshash, niyati boshqa misollarni kiriting. Ballarni to‘g‘rilikning kalibrlangan ehtimoli emas, bir xil model va baholash sozlamasidagi nomzodlarga nisbatan talqin qiling.

Bu checkpointning foydali chiqishi semantik qidiruv uchun savol va parcha embedding makonidir. Normallanmagan vektorlar, CLS pooling, skalyar ko‘paytma balli va e’lon qilingan uzun kirish ogohlantirishi — natijalarni tayyorlash va ishlatishda saqlanishi kerak bo‘lgan tafsilotlar.

Ailoot Ultra · Embeddinglar POST /v1/embeddings sentence-transformers/multi-qa-mpnet-base-dot-v1

sentence-transformers/multi-qa-mpnet-base-dot-v1

Sentence Transformers /sentence-transformers/multi-qa-mpnet-base-dot-v1

Boshlash

Qabul qilinadigan kirish ma’lumotlari: Matn · token_ids
Natijalar: embedding

Ailoot da mavjud · kirish ma’lumotlari va usullar

Ailoot Ultra · Embeddinglar POST /v1/embeddings

Kirish: text, token_ids
Chiqish: embedding
Chiqish formati: json

Maydon	Tur	Talab	Qiymatlar va cheklovlar	Standart
Maydon`model`	Tur`string`	TalabMajburiy	Qiymatlar va cheklovlar sentence-transformers/multi-qa-mpnet-base-dot-v1	Standart—
Maydon`input`	Tur`string\|string[]\|integer[]\|integer[][]`	TalabMajburiy	Qiymatlar va cheklovlar Elementlarning eng kam soni: 1 Shartlar: Bo‘sh bo‘lmagan, bir xil turdagi elementlardan iborat paket. Token ID lari manfiy bo‘lmagan butun sonlardir. Kirish budjeti: Eng ko‘p: 512 · Matn birligi: UTF8 baytlari · Token birligi: Tokenlar massivi elementlari	Standart—
Maydon`encoding_format`	Tur`string`	TalabIxtiyoriy	Qiymatlar va cheklovlar float	Standartfloat
Maydon`dimensions`	Tur`integer`	TalabQo‘llab-quvvatlanmaydi	Qiymatlar va cheklovlar Eng kam: 1	Standart—
Maydon`user`	Tur`json_value`	TalabIxtiyoriy	Qiymatlar va cheklovlar Shartlar: Manba ushbu JSON metama’lumot maydoniga ruxsat beradi; uning ta’minotchi xizmatidagi aniq ma’nosi modelga bog‘liq.	Standart—
Maydon`session_id`	Tur`json_value`	TalabIxtiyoriy	Qiymatlar va cheklovlar Shartlar: Manba ushbu JSON metama’lumot maydoniga ruxsat beradi; uning ta’minotchi xizmatidagi aniq ma’nosi modelga bog‘liq.	Standart—
Maydon`trace`	Tur`json_value`	TalabIxtiyoriy	Qiymatlar va cheklovlar Shartlar: Manba ushbu JSON metama’lumot maydoniga ruxsat beradi; uning ta’minotchi xizmatidagi aniq ma’nosi modelga bog‘liq.	Standart—
Maydon`provider`	Tur`object`	TalabIxtiyoriy	Qiymatlar va cheklovlar Shartlar: provider.options rad etildi	Standart—

Kirish materiallari birikmalari

text_to_embedding

Usul parametrlari va hayot sikli

Parametr	Parametr talablari
Parametr`content_type`	Parametr talablariapplication/json
Parametr`required`	Parametr talablarimodel, input
Parametr`input_shapes`	Parametr talablaristring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[]
Parametr`encoding_format`	Parametr talablarifloat
Parametr`dimensions_override`	Parametr talablarifalse
Parametr`max_input_budget_units`	Parametr talablari512
Parametr`multimodal_objects`	Parametr talablarifalse
Parametr`material_types`	Parametr talablaritext, token_ids

Hayot sikli: synchronous_json

Har bir vektorning indeksi va o‘lchamini saqlang.

Model nomida multimodal deyilgani aynan shu yo‘nalishda rasm obyektlariga ruxsat borligini anglatmaydi.

Tariflar

Tarif ma’lumotlari so‘rov imkoniyatlarini qo‘shmaydi. Qo‘llab-quvvatlanadigan parametrlar tanlangan usulda ko‘rsatilgan.

Tezkor rejim: Ko‘rsatilmagan Tezkor rejim tanlanganda
Flex rejimi: Ko‘rsatilmagan flex rejimi tanlanganda
Maksimal fikrlash darajasi: Ko‘rsatilmagan Maksimal fikrlash darajasi uchun standart (default) tuzatish qo‘llanganda

Ailoot tariflari

Sozlamalar bo‘yicha narxlar

Sozlama	Tariflar jadvali	To‘lov
SozlamaTokenlar uchun bazaviy tariflar	Tariflar jadvaliAsosiy tarif	To‘lov Kirish · Kirish tokenlari $0.00001 / 1K token Chiqish · Chiqish tokenlari $0 / 1K token Kirish · Keshdan o‘qish — / 1K token Kirish · Keshga yozish — / 1K token Kirish · Keshga yozish, 1 soat — / 1K token

Ailoot so‘rovdan oldin taxminiy summani band qiladi. Natijadan keyin o‘lchangan sarf asosidagi yakuniy to‘lovni yechadi. Oqimli javob bo‘yicha yakuniy hisob-kitob yakuniy sarf yozuviga asoslanadi. Summani band qilish va to‘lovni hisoblash tartibi →

So‘rov namunalari

Ailoot Ultra · Embeddinglar

curlPython SDK

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

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)

Natijalarni olish va saqlash

Ailoot Ultra · Embeddinglar

json

Barcha tayyor natijalarni saqlash

Qaytarilgan har bir to‘liq javob, fayl va kontent qismini saqlang.

Har bir vektorni indeksi bilan saqlang. Vektorlar soni kirish elementlari soniga teng bo‘lishi va o‘lchamlar bir xil bo‘lishi kerak.

Asl javobni tekshirish kerak bo‘lsa

Embedding vazifalari uchun endpoint qo‘shilmaydi.

Javob maydonlari

Maydon	Tur
Maydon`object`	Turstring
Maydon`model`	Turstring
Maydon`data[].index`	Turinteger
Maydon`data[].embedding`	Turfinite float[]
Maydon`usage`	Turobject

Xatolar va keyingi qadamlar

Javob	Shart	Keyingi qadam
Javob400 · `invalid_request_error`	ShartMajburiy maydonlar, material ifodasi yoki parametr qiymati noto‘g‘ri	Keyingi qadamYangi yaratish so‘rovidan oldin ko‘rsatilgan maydonlarni tuzating.

Taxalluslar

Model taxalluslari

Ailoot Ultra sentence-transformers/multi-qa-mpnet-base-dot-v1

Usul yo‘llari taxalluslari

Yuqorida ko‘rsatilgan usul yo‘llaridan foydalaning.

Chaqirish uchun tegishli ID lar

sentence-transformers/multi-qa-mpnet-base-dot-v1

FAQ · Sentence Transformers: multi-qa-mpnet-base-dot-v1

Qanday kirish ma’lumotlari va natijalar mavjud?: POST /v1/embeddings · sentence-transformers/multi-qa-mpnet-base-dot-v1: text, token_ids → embedding
So‘rov qaysi maydonlardan foydalanadi?: POST /v1/embeddings · sentence-transformers/multi-qa-mpnet-base-dot-v1: model, input, encoding_format, provider
Qanday cheklovlar amal qiladi?: POST /v1/embeddings · sentence-transformers/multi-qa-mpnet-base-dot-v1: input.budget.maximum: 512 (UTF8 baytlari); input.min_items: 1

Sentence Transformers: multi-qa-mpnet-base-dot-v1