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

Sentence Transformers: multi-qa-mpnet-base-dot-v1 es un modelo de embeddings de Sentence Transformers, un proveedor conocido por sus modelos de representación a nivel de frase. Se sitúa en la categoría de embeddings, lo que significa que no genera texto. En su lugar, convierte el texto en vectores que puedes almacenar, comparar y sobre los que puedes buscar. El modelo fue publicado por el proveedor el 2025-11-18.

El modelo toma texto como entrada y devuelve embeddings como salida. Asigna frases y párrafos cortos a un espacio vectorial denso de 768 dimensiones, y está optimizado para la recuperación de preguntas y respuestas, la búsqueda semántica y la puntuación de similitud en contenido diverso. La ventana de contexto es de 512 tokens, por lo que cada solicitud debe contener una sola frase o un párrafo corto en lugar de un documento largo. La salida máxima es 460, que en este caso se refiere a la salida de embeddings en lugar de texto generado.

Debido a que el modelo está ajustado para la recuperación de preguntas y respuestas, el caso de uso más directo es construir una capa de recuperación sobre una colección de documentos. Incrustas tus pasajes una vez, incrustas la pregunta del usuario en el momento de la consulta y clasificas los pasajes por similitud. Esta misma propiedad lo hace útil para la búsqueda semántica, donde deseas coincidencias basadas en el significado en lugar de la coincidencia exacta de palabras clave, y para la puntuación de similitud entre dos fragmentos de texto, como la deduplicación o la agrupación de elementos relacionados. También encaja en canalizaciones de agrupamiento y clasificación que necesitan representaciones vectoriales de longitud fija de texto corto.

Lo llamas a través de la API compatible con OpenAI de api14 usando el id de modelo "sentence-transformers/multi-qa-mpnet-base-dot-v1". Debido a que la API sigue el formato de OpenAI, puedes apuntar un cliente de OpenAI existente a la URL base de api14 y enviar tu texto al endpoint de embeddings. El modelo no admite parámetros de solicitud adicionales, así que mantén las solicitudes simples y confía en los valores predeterminados. Envía el texto que deseas incrustar, luego lee el vector devuelto en la respuesta y guárdalo en tu base de datos vectorial o compáralo directamente con otros vectores.

La principal restricción a tener en cuenta es la ventana de contexto de 512 tokens. Los documentos largos deberán dividirse en frases o párrafos cortos antes de incrustarlos, y debes planificar tu estrategia de fragmentación en consecuencia. Si tu tarea requiere generar texto, resumir o responder preguntas directamente en lugar de producir vectores, un modelo de embeddings no es la opción adecuada y deberías elegir un modelo de generación de texto en su lugar.