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

Sentence Transformers: multi-qa-mpnet-base-dot-v1 adalah model embedding dari Sentence Transformers, penyedia yang dikenal karena model representasi tingkat kalimatnya. Model ini berada dalam kategori embeddings, yang berarti model ini tidak menghasilkan teks. Sebaliknya, model ini mengubah teks menjadi vektor yang dapat Anda simpan, bandingkan, dan telusuri. Model ini dirilis oleh penyedia pada 2025-11-18.

Model ini menerima teks sebagai input dan mengembalikan embeddings sebagai output. Model ini memetakan kalimat dan paragraf pendek ke ruang vektor padat 768 dimensi, dan dioptimalkan untuk pengambilan tanya jawab, pencarian semantik, dan penilaian kemiripan di berbagai konten. Jendela konteksnya adalah 512 token, jadi setiap permintaan sebaiknya berisi satu kalimat atau paragraf pendek, bukan dokumen panjang. Output maksimum adalah 460, yang dalam hal ini berkaitan dengan output embedding, bukan teks yang dihasilkan.

Karena model ini disetel untuk pengambilan tanya jawab, kasus penggunaan yang paling langsung adalah membangun lapisan pengambilan di atas kumpulan dokumen. Anda menyematkan bagian-bagian dokumen satu kali, menyematkan pertanyaan pengguna saat waktu kueri, dan mengurutkan bagian dokumen berdasarkan kemiripan. Properti yang sama membuatnya berguna untuk pencarian semantik, di mana Anda menginginkan kecocokan berdasarkan makna, bukan tumpang tindih kata kunci yang persis, dan untuk penilaian kemiripan antara dua potong teks, seperti deduplikasi atau pengelompokan item terkait. Model ini juga cocok untuk pipeline clustering dan klasifikasi yang membutuhkan representasi vektor dengan panjang tetap dari teks pendek.

Anda memanggilnya melalui API yang kompatibel dengan OpenAI dari api14 menggunakan model id "sentence-transformers/multi-qa-mpnet-base-dot-v1". Karena API ini mengikuti format OpenAI, Anda dapat mengarahkan klien OpenAI yang sudah ada ke base URL api14 dan mengirim teks Anda ke endpoint embeddings. Model ini tidak mendukung parameter permintaan tambahan, jadi buat permintaan tetap sederhana dan andalkan nilai default. Kirim teks yang ingin Anda sematkan, lalu baca vektor yang dikembalikan dari respons dan simpan di basis data vektor Anda atau bandingkan langsung dengan vektor lain.

Batasan utama yang perlu diingat adalah jendela konteks 512 token. Dokumen panjang perlu dipecah menjadi kalimat atau paragraf pendek sebelum disematkan, dan Anda harus merencanakan strategi pemotongan Anda sesuai dengan itu. Jika tugas Anda membutuhkan pembuatan teks, peringkasan, atau menjawab pertanyaan secara langsung, bukan menghasilkan vektor, model embeddings bukan pilihan yang tepat dan Anda sebaiknya memilih model pembuatan teks sebagai gantinya.