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

Sentence Transformers: multi-qa-mpnet-base-dot-v1은 문장 수준 표현 모델로 잘 알려진 제공업체인 Sentence Transformers의 임베딩 모델입니다. 이 모델은 임베딩 카테고리에 속하므로 텍스트를 생성하지 않습니다. 대신 텍스트를 저장, 비교, 검색할 수 있는 벡터로 변환합니다. 이 모델은 제공업체가 2025-11-18에 출시했습니다.

이 모델은 텍스트를 입력으로 받고 임베딩을 출력으로 반환합니다. 문장과 짧은 단락을 768차원의 고밀도 벡터 공간에 매핑하며, 다양한 콘텐츠에 걸친 질의응답 검색, 시맨틱 검색, 유사도 점수 산정에 최적화되어 있습니다. 컨텍스트 윈도우는 512 토큰이므로, 각 요청에는 긴 문서가 아니라 단일 문장이나 짧은 단락이 포함되어야 합니다. 최대 출력은 460이며, 이 경우 생성된 텍스트가 아니라 임베딩 출력과 관련됩니다.

이 모델은 질의응답 검색에 맞게 튜닝되었기 때문에 가장 직접적인 사용 사례는 문서 컬렉션 위에 검색 계층을 구축하는 것입니다. 구절을 한 번 임베딩하고, 쿼리 시점에 사용자의 질문을 임베딩한 다음, 유사도에 따라 구절의 순위를 매깁니다. 같은 특성 덕분에 정확한 키워드 중복이 아니라 의미를 기반으로 일치 항목을 찾고자 하는 시맨틱 검색과, 중복 제거나 관련 항목 그룹화처럼 두 텍스트 조각 사이의 유사도 점수 산정에도 유용합니다. 또한 짧은 텍스트의 고정 길이 벡터 표현이 필요한 클러스터링 및 분류 파이프라인에도 적합합니다.

모델 id "sentence-transformers/multi-qa-mpnet-base-dot-v1"을 사용해 api14의 OpenAI 호환 API를 통해 호출합니다. API가 OpenAI 형식을 따르므로 기존 OpenAI 클라이언트를 api14 기본 URL로 지정하고 텍스트를 임베딩 엔드포인트로 보낼 수 있습니다. 이 모델은 추가 요청 파라미터를 지원하지 않으므로 요청을 단순하게 유지하고 기본값에 의존하세요. 임베딩하려는 텍스트를 보낸 다음, 응답에서 반환된 벡터를 읽어 벡터 데이터베이스에 저장하거나 다른 벡터와 직접 비교하세요.

기억해야 할 주요 제약은 512 토큰 컨텍스트 윈도우입니다. 긴 문서는 임베딩하기 전에 문장이나 짧은 단락으로 나누어야 하며, 이에 맞게 청킹 전략을 계획해야 합니다. 작업이 벡터를 생성하는 것이 아니라 텍스트 생성, 요약 또는 질문에 대한 직접 답변을 요구한다면 임베딩 모델은 적합하지 않으며, 대신 텍스트 생성 모델을 선택해야 합니다.