Source: https://ailoot.ai/models/zh-hant-tw/sentence-transformers-multi-qa-mpnet-base-dot-v1/
Canonical: https://ailoot.ai/models/zh-hant-tw/sentence-transformers-multi-qa-mpnet-base-dot-v1/
Language: zh-hant-tw

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

[Markdown](https://ailoot.ai/models/zh-hant-tw/sentence-transformers-multi-qa-mpnet-base-dot-v1/index.md) · [JSON](https://ailoot.ai/models/zh-hant-tw/sentence-transformers-multi-qa-mpnet-base-dot-v1/facts.json)

## [Sentence Transformers: multi-qa-mpnet-base-dot-v1](https://ailoot.ai/models/zh-hant-tw/sentence-transformers-multi-qa-mpnet-base-dot-v1/)

Sentence Transformers multi-qa-mpnet-base-dot-v1 將問題與段落編碼成 768 維向量，用於語意搜尋。它採用 CLS 池化及為內積評分設計的未正規化嵌入，輸入上限為 512 個 word piece。

- [**Ailoot Ultra · 嵌入向量** `POST /v1/embeddings` `sentence-transformers/multi-qa-mpnet-base-dot-v1`](https://ailoot.ai/models/zh-hant-tw/sentence-transformers-multi-qa-mpnet-base-dot-v1/#method-0)

關於模型

此說明介紹模型的能力。Ailoot 可用的輸入、輸出與選項，依所選方法列於下方。

multi-qa-mpnet-base-dot-v1 是用於依問題或查詢檢索文字段落的 Sentence Transformers 模型。訓練使用約 2 億 1,500 萬組問答配對。每個輸入都會轉成 768 維稠密向量，CLS 池化與內積評分是這個確切版本的特性。

#### 準備問題與候選段落

請將查詢寫成資訊需求，並將語料庫項目準備成可閱讀的文字段落。例如，變更配送地址的問題，可以與分別說明地址變更、取消訂單及配送追蹤的段落比較。請在地址變更段落中保留相關條件，包括訂單是否已出貨。

請使用同一模型編碼查詢與段落。公開範例直接編碼，未加上 query/document 前綴，並依內積分數排序段落。請讓每個向量持續連結至原始段落及文件識別碼，讓排名結果能顯示實際建立索引的資料。

#### CLS 池化與內積版本

模型的參考方式取用第一個 token 的表示，稱為 CLS 池化。技術表明確指出嵌入未經正規化，並將內積列為適合的評分函數。設定資料集合端與查詢端時，請保留這個方式。

對這些向量進行 L2 正規化，會改變其評分幾何關係。採用正規化的 all-mpnet-base-v2 規格使用不同方式，是另一個檢查點，儘管同屬 MPNet 家族且輸出都有 768 個分量。請將確切版本與比較函數和已儲存的資料集合一起管理，不要只根據向量長度選擇。

#### 長度限制與較長段落

列出的輸入上限為 512 個 word piece，較長文字會被截斷。製造商也指出，訓練輸入最長只有 250 個 word piece，較長文字的效果可能較差。因此，tokenizer 接受的長度與訓練長度的注意事項，描述的是不同的實際邊界。

大型說明文章請準備成回答特定問題的短節。若標題有助於識別主題，請予以保留，並將規則與正確理解它所需的例外放在一起。整頁作為單一輸入，可能因截斷而失去後面的資料；過小的片段則可能失去使它有用的條件。

#### 在檢索與 RAG 中使用排名

稠密向量支援第一階段檢索。請將分數最高的候選段落連同來源參照回傳，再檢視是否回應實際問題。在 RAG 工作流程中，請將這些段落作為來源資料交給答案撰寫階段；檢索本身不會撰寫答案。

請使用已知相關段落的代表性問題，選擇結果數量並評估排名。也請包含詞彙相似但意圖不同的例子，例如修改地址與查看目前地址。請將分數解讀為相同模型與評分設定下候選項之間的相對值，而非正確性的校準機率。

這個檢查點的有用輸出，是語意搜尋用的問題與段落嵌入空間。準備與使用結果時，須保留未正規化向量、CLS 池化、內積分數，以及公開的長輸入注意事項。

**Ailoot Ultra · 嵌入向量** `POST /v1/embeddings` `sentence-transformers/multi-qa-mpnet-base-dot-v1`

[`sentence-transformers/multi-qa-mpnet-base-dot-v1`](https://ailoot.ai/models/zh-hant-tw/#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`

### 入門

Sentence Transformers multi-qa-mpnet-base-dot-v1 將問題與段落編碼成 768 維向量，用於語意搜尋。它採用 CLS 池化及為內積評分設計的未正規化嵌入，輸入上限為 512 個 word piece。

接受的輸入

文字 · token\_ids

結果

embedding

### Ailoot 可用 · 輸入與方法

**Ailoot Ultra · 嵌入向量** `POST /v1/embeddings`

輸入

`text`, `token_ids`

輸出

`embedding`

輸出格式

json

| 欄位 | 類型 | 要求 | 值與限制 | 預設值 |
| --- | --- | --- | --- | --- |
| 欄位`model` | 類型`string` | 要求必填 | 值與限制 sentence-transformers/multi-qa-mpnet-base-dot-v1 | 預設值— |
| 欄位`input` | 類型`string\|string[]\|integer[]\|integer[][]` | 要求必填 | 值與限制 項目數下限: 1 條件: 批次不得為空，且各項目類型須一致。Token ID 須為非負整數。 輸入額度： 最大值: 512 · 文字單位: UTF8 位元組 · Token 單位: token 陣列元素 | 預設值— |
| 欄位`encoding_format` | 類型`string` | 要求選填 | 值與限制 float | 預設值float |
| 欄位`dimensions` | 類型`integer` | 要求不支援 | 值與限制 最小值: 1 | 預設值— |
| 欄位`user` | 類型`json_value` | 要求選填 | 值與限制 條件: 來源允許此 JSON 中繼資料欄位；確切的上游語意依模型而異。 | 預設值— |
| 欄位`session_id` | 類型`json_value` | 要求選填 | 值與限制 條件: 來源允許此 JSON 中繼資料欄位；確切的上游語意依模型而異。 | 預設值— |
| 欄位`trace` | 類型`json_value` | 要求選填 | 值與限制 條件: 來源允許此 JSON 中繼資料欄位；確切的上游語意依模型而異。 | 預設值— |
| 欄位`provider` | 類型`object` | 要求選填 | 值與限制 條件: provider.options 遭拒絕 | 預設值— |

輸入素材組合

**text\_to\_embedding**

方法參數與生命週期

| 參數 | 規格 |
| --- | --- |
| 參數`content_type` | 規格application/json |
| 參數`required` | 規格model, input |
| 參數`input_shapes` | 規格string, string\[\], nonnegative\_integer\_token\_array, nonnegative\_integer\_token\_array\[\] |
| 參數`encoding_format` | 規格float |
| 參數`dimensions_override` | 規格false |
| 參數`max_input_budget_units` | 規格512 |
| 參數`multimodal_objects` | 規格false |
| 參數`material_types` | 規格text, token\_ids |

生命週期： `synchronous_json`

保留每個向量的索引與維度。

即使模型名稱標示為多模態，此指定路徑也不接受圖片物件。

### 方案

費率資訊不會增加請求選項。支援的參數列於所選方法中。

快速模式

未指定 選取快速模式時

flex 模式

未指定 選取 flex 模式時

最高推理強度

未指定 最高推理強度採用 default 調整值時

#### Ailoot 費率

#### 各設定的價格

| 設定 | 費率表 | 費用 |
| --- | --- | --- |
| 設定詞元基本費率 | 費率表基本費率 | 費用 輸入 · 輸入 Token **$0.00001** / 1K Token 輸出 · 輸出 Token **$0** / 1K Token 輸入 · 讀取快取 **—** / 1K Token 輸入 · 寫入快取 **—** / 1K Token 輸入 · 寫入快取，1 小時 **—** / 1K Token |

Ailoot 會在請求前預留估算金額。取得結果後，依實測用量結算最終費用。串流結算採用最終用量紀錄。[預留金額與結算的運作方式 →](https://ailoot.ai/docs/zh-hant-tw/billing/reserve/)

### 請求範例

#### Ailoot Ultra · 嵌入向量

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)
```

### 接收並儲存結果

#### Ailoot Ultra · 嵌入向量

json

##### 保留所有已完成的結果

請保留所有完整傳回的回應、檔案與內容區塊。

保留每個向量及其索引。向量數量必須與輸入數量相同，且維度必須一致。

##### 需要檢查原始回應時

此流程未引入嵌入向量任務端點。

回應欄位

| 欄位 | 類型 |
| --- | --- |
| 欄位`object` | 類型string |
| 欄位`model` | 類型string |
| 欄位`data[].index` | 類型integer |
| 欄位`data[].embedding` | 類型finite float\[\] |
| 欄位`usage` | 類型object |

錯誤與後續步驟

| 回應 | 條件 | 下一步 |
| --- | --- | --- |
| 回應400 · `invalid_request_error` | 條件必要欄位、素材表示方式或參數值無效 | 下一步提出新的建立請求前，先修正指定欄位。 |

### 別名

#### 模型別名

**Ailoot Ultra** [`sentence-transformers/multi-qa-mpnet-base-dot-v1`](https://ailoot.ai/models/zh-hant-tw/#m=sentence-transformers%2Fmulti-qa-mpnet-base-dot-v1&route=Ultra&caller=sentence-transformers%2Fmulti-qa-mpnet-base-dot-v1&fmt=embeddings)

#### 方法路徑別名

請使用上方列出的 API 方法路徑。

#### 相關呼叫用 ID

[`sentence-transformers/multi-qa-mpnet-base-dot-v1`](https://ailoot.ai/models/zh-hant-tw/#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

可以使用哪些輸入與結果？

`POST /v1/embeddings` · `sentence-transformers/multi-qa-mpnet-base-dot-v1`: `text`, `token_ids` → `embedding`

請求使用哪些欄位？

`POST /v1/embeddings` · `sentence-transformers/multi-qa-mpnet-base-dot-v1`: `model`, `input`, `encoding_format`, `provider`

適用哪些限制？

`POST /v1/embeddings` · `sentence-transformers/multi-qa-mpnet-base-dot-v1`: `input.budget.maximum`: `512` (UTF8 位元組); `input.min_items`: `1`

將 Ailoot 串接 Claude Code、OpenCode、Hermes 或自己的應用程式。

## 公司及其專案組合

公司及其專案組合：數百萬客戶，每月銷售額達數十億。

## 優惠購買 token。

訂閱優惠適合持續工作，折扣碼購買 token 最高可折 50%。

訂閱

為定期請求選擇優惠方案。

最高 50% 折扣碼

購買時輸入代碼，價格依活動重算。

歷史中的費用

每次請求保存模型、token 與金額。

[選擇訂閱](https://ailoot.ai/docs/zh-hant-tw/billing/subscriptions/) · [查看模型價格](https://ailoot.ai/models/zh-hant-tw/)

## 將 API 加入 你銷售的產品。

依 Ailoot 正式服務條款與授權合約串接 SaaS、應用程式與機器人；轉售請申請經銷授權。

商用應用程式

在付費功能加入文字、圖片、影片與聲音生成。

經銷授權

提供專案說明與存取方式，要求書面使用和轉售條件。

網站文件

串接前可閱讀正式服務條款、授權合約與資料處理政策。

[申請經銷授權](mailto:support@ailoot.ai) · [正式服務條款與授權合約](https://ailoot.ai/legal/offer?lang=zh-hant-tw)

## Ailoot · 公司及其專案組合





Ailoot以累積的營運經驗、廣大的客戶群、穩定的服務及持續的KPI管理為基礎。





公司及其專案組合：數百萬客戶，每月銷售額達數十億。





Ailoot將這些營運經驗用於API存取，讓客戶的產品、代理、應用程式及自動化流程使用AI功能。