Sentence Transformers: all-mpnet-base-v2 e Sentence Transformers: multi-qa-mpnet-base-dot-v1 sono entrambi modelli di embedding pubblicati sotto l'etichetta del provider Sentence Transformers. Entrambi sono elencati con la stessa finestra di rilascio del provider, all-mpnet-base-v2 il 2025-11-17 e multi-qa-mpnet-base-dot-v1 il 2025-11-18. Nessuno è un modello di chat o di completamento. Ognuno prende del testo in ingresso e restituisce embedding in uscita, quindi qualunque cosa gli invii ritorna come vettori anziché parole generate. Su api14 si trovano nella categoria embeddings, il che significa che li chiami per trasformare il testo in numeri che puoi memorizzare, confrontare o cercare.
I due modelli sono simili nella struttura. Entrambi accettano il testo come unica modalità di input e producono embedding come unica modalità di output. Entrambi hanno una lunghezza di contesto di 512 token, quindi la quantità di testo che puoi passare in una singola richiesta è la stessa per entrambi. Nessuno elenca parametri supportati, quindi non c'è campionamento, temperatura o manopola simile da regolare. Il confronto qualitativo indica il prezzo di input come un pareggio, il che significa che i due hanno circa lo stesso prezzo sul lato dell'input, e i campi di confronto rimanenti non sono significativamente diversi o sono sconosciuti. La differenza pratica tra di loro non è nella dimensione della finestra, nella modalità o nel prezzo. È in ciò che ogni modello è stato costruito per fare bene, con all-mpnet-base-v2 posizionato come modello di embedding di frasi a scopo generale e multi-qa-mpnet-base-dot-v1 posizionato attorno al recupero per risposte a domande.
Per uno sviluppatore che sceglie tra i due, è il compito che decide. Se stai creando embedding di testo generico per somiglianza semantica, clustering, de-duplicazione, raggruppamento di argomenti o un indice di recupero ampio su contenuti misti, all-mpnet-base-v2 è il default naturale perché è l'opzione a scopo generale. Se il tuo carico di lavoro è il recupero per risposte a domande, dove le query sono domande e i passaggi che cerchi sono risposte, multi-qa-mpnet-base-dot-v1 è quello costruito per quella forma di corrispondenza. Il limite di 512 token si applica a entrambi, quindi i documenti lunghi necessitano di chunking in entrambi i casi, e la scelta non cambia la tua strategia di chunking. Poiché il prezzo di input è un pareggio, il costo non è il fattore decisivo tra questi due.
Chiamare uno dei due modelli tramite api14 funziona allo stesso modo. L'API è compatibile con OpenAI, quindi punti il tuo client esistente su api14, invii il tuo testo all'endpoint degli embeddings e leggi i vettori. L'unica cosa che cambia tra i due è la stringa dell'id del modello. Usa sentence-transformers/all-mpnet-base-v2 per il modello generale e sentence-transformers/multi-qa-mpnet-base-dot-v1 per il modello di risposte a domande. Il tuo corpo di richiesta, l'autenticazione e l'analisi della risposta rimangono identici, quindi puoi passare da uno all'altro modificando un campo e rieseguendo il tuo pipeline.
C'è un caso per mantenere entrambi. Se esegui un indice di ricerca semantica generale e un percorso separato di recupero per risposte a domande, puoi servire ciascuno con il modello adatto, condividendo un unico client e un'unica integrazione. Poiché i due hanno circa lo stesso prezzo in input e condividono la stessa lunghezza di contesto e modalità, eseguire entrambi non costringe a un compromesso nella forma della richiesta. Inizia con il modello che corrisponde al tuo compito principale e aggiungi l'altro solo se hai un secondo carico di lavoro che si adatta meglio ad esso.