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

Sentence Transformers: multi-qa-mpnet-base-dot-v1 ist ein Embedding-Modell von Sentence Transformers, einem Anbieter, der für seine Modelle zur Darstellung auf Satzebene bekannt ist. Es gehört zur Kategorie der Embeddings, was bedeutet, dass es keinen Text generiert. Stattdessen wandelt es Text in Vektoren um, die Sie speichern, vergleichen und durchsuchen können. Das Modell wurde vom Anbieter am 2025-11-18 veröffentlicht.

Das Modell nimmt Text als Eingabe und gibt Embeddings als Ausgabe zurück. Es bildet Sätze und kurze Absätze auf einen 768-dimensionalen dichten Vektorraum ab und ist für Frage-und-Antwort-Retrieval, semantische Suche und Ähnlichkeitsbewertung über verschiedene Inhalte hinweg optimiert. Das Kontextfenster beträgt 512 Token, daher sollte jede Anfrage einen einzelnen Satz oder einen kurzen Absatz enthalten und kein langes Dokument. Die maximale Ausgabe beträgt 460, was sich in diesem Fall auf die Embedding-Ausgabe und nicht auf generierten Text bezieht.

Da das Modell für Frage-und-Antwort-Retrieval abgestimmt ist, ist der direkteste Anwendungsfall der Aufbau einer Retrieval-Schicht über einer Dokumentsammlung. Sie betten Ihre Passagen einmal ein, betten die Frage des Nutzers zur Abfragezeit ein und ordnen die Passagen nach Ähnlichkeit. Dieselbe Eigenschaft macht es nützlich für die semantische Suche, bei der Sie Treffer basierend auf Bedeutung statt auf exakter Keyword-Überschneidung wünschen, sowie für die Ähnlichkeitsbewertung zwischen zwei Textstücken, etwa zur Deduplizierung oder Gruppierung verwandter Elemente. Es eignet sich auch für Clustering- und Klassifizierungs-Pipelines, die Vektordarstellungen fester Länge von kurzem Text benötigen.

Sie rufen es über die OpenAI-kompatible API von api14 mit der Modell-ID "sentence-transformers/multi-qa-mpnet-base-dot-v1" auf. Da die API dem OpenAI-Format folgt, können Sie einen vorhandenen OpenAI-Client auf die Basis-URL von api14 richten und Ihren Text an den Embeddings-Endpunkt senden. Das Modell unterstützt keine zusätzlichen Anfrageparameter, halten Sie Anfragen daher einfach und verlassen Sie sich auf die Standardwerte. Senden Sie den Text, den Sie einbetten möchten, lesen Sie dann den zurückgegebenen Vektor aus der Antwort und speichern Sie ihn in Ihrer Vektordatenbank oder vergleichen Sie ihn direkt mit anderen Vektoren.

Die wichtigste Einschränkung, die Sie beachten sollten, ist das Kontextfenster von 512 Token. Lange Dokumente müssen vor dem Einbetten in Sätze oder kurze Absätze aufgeteilt werden, und Sie sollten Ihre Chunking-Strategie entsprechend planen. Wenn Ihre Aufgabe das Generieren von Text, das Zusammenfassen oder das direkte Beantworten von Fragen erfordert und nicht das Erzeugen von Vektoren, ist ein Embeddings-Modell nicht die richtige Wahl, und Sie sollten stattdessen ein Textgenerierungsmodell wählen.