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

Sentence Transformers : multi-qa-mpnet-base-dot-v1 est un modèle d'embedding de Sentence Transformers, un fournisseur connu pour ses modèles de représentation au niveau des phrases. Il appartient à la catégorie des embeddings, ce qui signifie qu'il ne génère pas de texte. Il convertit plutôt le texte en vecteurs que vous pouvez stocker, comparer et interroger. Le modèle a été publié par le fournisseur le 2025-11-18.

Le modèle prend du texte en entrée et renvoie des embeddings en sortie. Il projette des phrases et de courts paragraphes dans un espace vectoriel dense de 768 dimensions, et il est optimisé pour la recherche de questions-réponses, la recherche sémantique et le calcul de similarité sur des contenus variés. La fenêtre de contexte est de 512 jetons, donc chaque requête doit contenir une seule phrase ou un court paragraphe plutôt qu'un long document. La sortie maximale est de 460, ce qui dans ce cas concerne la sortie d'embedding plutôt que le texte généré.

Comme le modèle est ajusté pour la recherche de questions-réponses, le cas d'usage le plus direct est la construction d'une couche de recherche sur une collection de documents. Vous intégrez vos passages une fois, vous intégrez la question de l'utilisateur au moment de la requête, puis vous classez les passages par similarité. Cette même propriété le rend utile pour la recherche sémantique, où vous souhaitez des correspondances basées sur le sens plutôt que sur une correspondance exacte de mots-clés, ainsi que pour le calcul de similarité entre deux textes, par exemple la déduplication ou le regroupement d'éléments liés. Il convient également aux pipelines de clustering et de classification qui nécessitent des représentations vectorielles de longueur fixe pour des textes courts.

Vous l'appelez via l'API compatible OpenAI d'api14 en utilisant l'identifiant de modèle "sentence-transformers/multi-qa-mpnet-base-dot-v1". Comme l'API suit le format OpenAI, vous pouvez pointer un client OpenAI existant vers l'URL de base d'api14 et envoyer votre texte au point de terminaison des embeddings. Le modèle ne prend en charge aucun paramètre de requête supplémentaire, donc gardez les requêtes simples et fiez-vous aux valeurs par défaut. Envoyez le texte que vous souhaitez intégrer, puis lisez le vecteur renvoyé dans la réponse et stockez-le dans votre base de données vectorielle ou comparez-le directement à d'autres vecteurs.

La principale contrainte à garder à l'esprit est la fenêtre de contexte de 512 jetons. Les longs documents devront être découpés en phrases ou en courts paragraphes avant l'embedding, et vous devez planifier votre stratégie de découpage en conséquence. Si votre tâche nécessite de générer du texte, de résumer ou de répondre directement à des questions plutôt que de produire des vecteurs, un modèle d'embedding n'est pas adapté et vous devriez choisir un modèle de génération de texte à la place.