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

Sentence Transformers: multi-qa-mpnet-base-dot-v1 è un modello di embedding di Sentence Transformers, un provider noto per i suoi modelli di rappresentazione a livello di frase. Appartiene alla categoria degli embeddings, il che significa che non genera testo. Converte invece il testo in vettori che puoi memorizzare, confrontare e su cui puoi effettuare ricerche. Il modello è stato rilasciato dal provider il 2025-11-18.

Il modello prende testo in input e restituisce embeddings in output. Mappa frasi e paragrafi brevi in uno spazio vettoriale denso a 768 dimensioni ed è ottimizzato per il recupero domanda-risposta, la ricerca semantica e il calcolo di similarità su contenuti diversi. La finestra di contesto è di 512 token, quindi ogni richiesta dovrebbe contenere una singola frase o un paragrafo breve anziché un documento lungo. L'output massimo è 460, che in questo caso riguarda l'output di embedding e non il testo generato.

Poiché il modello è ottimizzato per il recupero domanda-risposta, il caso d'uso più diretto è la costruzione di uno strato di recupero su una raccolta di documenti. Incorpori i tuoi passaggi una volta, incorpori la domanda dell'utente al momento della query e ordini i passaggi per similarità. La stessa proprietà lo rende utile per la ricerca semantica, dove desideri corrispondenze basate sul significato anziché sulla sovrapposizione esatta di parole chiave, e per il calcolo di similarità tra due porzioni di testo, come la deduplicazione o il raggruppamento di elementi correlati. Si adatta anche a pipeline di clustering e classificazione che necessitano di rappresentazioni vettoriali a lunghezza fissa di testi brevi.

Lo chiami tramite l'API compatibile con OpenAI di api14 usando l'id del modello "sentence-transformers/multi-qa-mpnet-base-dot-v1". Poiché l'API segue il formato OpenAI, puoi indirizzare un client OpenAI esistente verso l'URL di base di api14 e inviare il tuo testo all'endpoint degli embeddings. Il modello non supporta parametri di richiesta aggiuntivi, quindi mantieni le richieste semplici e affidati ai valori predefiniti. Invia il testo che vuoi incorporare, poi leggi il vettore restituito dalla risposta e memorizzalo nel tuo database vettoriale oppure confrontalo direttamente con altri vettori.

Il vincolo principale da tenere a mente è la finestra di contesto di 512 token. I documenti lunghi dovranno essere suddivisi in frasi o paragrafi brevi prima dell'embedding, e dovresti pianificare di conseguenza la tua strategia di suddivisione in chunk. Se il tuo compito richiede di generare testo, riassumere o rispondere direttamente a domande anziché produrre vettori, un modello di embeddings non è la scelta adatta e dovresti invece scegliere un modello di generazione di testo.