Sentence Transformers: all-mpnet-base-v2 tegen Sentence Transformers: multi-qa-mpnet-base-dot-v1
Een vergelijking naast elkaar van Sentence Transformers: all-mpnet-base-v2 (US$ 0,02 / 1M tekstdelen (≈ € 0,02)) en Sentence Transformers: multi-qa-mpnet-base-dot-v1 (US$ 0,02 / 1M tekstdelen (≈ € 0,02)) met actuele USD-prijzen en mogelijkheden uit de catalogus van api14. Beide werken via dezelfde OpenAI-compatibele API.
Specificaties
| Sentence Transformers: all-mpnet-base-v2 | Sentence Transformers: multi-qa-mpnet-base-dot-v1 | |
|---|---|---|
| Aanbieder | Sentence Transformers | Sentence Transformers |
| Invoer | US$ 0,02 / 1M tekstdelen (≈ € 0,02) | US$ 0,02 / 1M tekstdelen (≈ € 0,02) |
| Contextvenster | 512 | 512 |
| Maximale output | 460 | 460 |
| Invoer | text | text |
| Uitvoer | embeddings | embeddings |
| tool-aanroepen | ||
| Gestructureerde output | ||
| Instelbaar redeneren | ||
| Toegevoegd | 17 nov 2025 | 18 nov 2025 |
Belangrijkste verschillen
- Beide hebben ongeveer dezelfde inputprijs.
In detail
Sentence Transformers: all-mpnet-base-v2 en Sentence Transformers: multi-qa-mpnet-base-dot-v1 zijn beide embedding-modellen die zijn gepubliceerd onder het providerlabel Sentence Transformers. Beide staan vermeld met hetzelfde releasevenster van de provider, all-mpnet-base-v2 op 2025-11-17 en multi-qa-mpnet-base-dot-v1 op 2025-11-18. Geen van beide is een chat- of completion-model. Elk model neemt tekst als invoer en geeft embeddings als uitvoer terug, dus wat je erheen stuurt komt terug als vectoren in plaats van gegenereerde woorden. Op api14 vallen ze in de categorie embeddings, wat betekent dat je ze aanroept om tekst om te zetten in getallen die je kunt opslaan, vergelijken of doorzoeken.
De twee modellen lijken qua vorm op elkaar. Beide accepteren tekst als hun enige invoermodaliteit en beide produceren embeddings als hun enige uitvoermodaliteit. Beide hebben een contextlengte van 512 tokens, dus de hoeveelheid tekst die je in één verzoek kunt doorgeven is aan beide kanten hetzelfde. Geen van beide vermeldt ondersteunde parameters, dus er is geen sampling, temperature of een vergelijkbare knop om aan te draaien. De kwalitatieve vergelijking markeert de invoerprijs als gelijk, wat betekent dat de twee ongeveer dezelfde prijs hebben aan de invoerkant, en de overige vergelijkingsvelden zijn niet wezenlijk verschillend of onbekend. Het praktische verschil tussen hen zit niet in venstergrootte, modaliteit of prijs. Het zit in waar elk model goed voor is gebouwd, waarbij all-mpnet-base-v2 is gepositioneerd als een algemeen sentence embedding-model en multi-qa-mpnet-base-dot-v1 is gepositioneerd rond question answering-retrieval.
Voor een ontwikkelaar die tussen hen kiest, beslist de taak het. Als je algemene tekst embedt voor semantische gelijkenis, clustering, deduplicatie, topicgroepering of een brede retrieval-index over gemengde content, is all-mpnet-base-v2 de natuurlijke standaardkeuze omdat het de algemene optie is. Als je workload question answering-retrieval is, waarbij queries vragen zijn en de passages die je doorzoekt antwoorden zijn, is multi-qa-mpnet-base-dot-v1 degene die is gebouwd voor dat soort matching. De limiet van 512 tokens geldt voor beide, dus lange documenten moeten sowieso worden opgedeeld in chunks, en de keuze verandert je chunking-strategie niet. Omdat de invoerprijs gelijk is, is kosten niet de beslissende factor tussen deze twee.
Het aanroepen van een van beide modellen via api14 werkt hetzelfde. De API is OpenAI-compatibel, dus je richt je bestaande client op api14, stuurt je tekst naar het embeddings-endpoint en leest de vectoren terug. Het enige dat tussen de twee verandert is de model-id-string. Gebruik sentence-transformers/all-mpnet-base-v2 voor het algemene model en sentence-transformers/multi-qa-mpnet-base-dot-v1 voor het question answering-model. Je request body, authenticatie en het parsen van de response blijven identiek, dus je kunt wisselen door één veld te bewerken en je pipeline opnieuw te draaien.
Wissel met één string
Beide modellen gebruiken hetzelfde endpoint en dezelfde verzoekstructuur. Verander de waarde van model van "sentence-transformers/all-mpnet-base-v2" naar "sentence-transformers/multi-qa-mpnet-base-dot-v1", prompts, streaming en tools blijven werken.
import OpenAI from "openai";
const client = new OpenAI({
baseURL: "https://api14.com/api/v1",
apiKey: process.env.API14_API_KEY,
});
const result = await client.embeddings.create({
"model": "sentence-transformers/multi-qa-mpnet-base-dot-v1",
"input": [
"The quick brown fox",
"Lorem ipsum"
]
});
console.log(result.data.map((d) => d.embedding.length));
Meer vergelijkingen
- Amazon: Titan Multimodal Embeddings G1 tegen Amazon: Titan Embeddings G1 - Text
- Amazon: Titan Multimodal Embeddings G1 tegen Amazon: Titan Text Embeddings V2
- Amazon: Titan Multimodal Embeddings G1 tegen Cohere: Embed 5 Fast
- Amazon: Titan Multimodal Embeddings G1 tegen Cohere: Embed 5 Pro
- Amazon: Titan Embeddings G1 - Text tegen Amazon: Titan Text Embeddings V2
- Amazon: Titan Embeddings G1 - Text tegen Cohere: Embed 5 Fast
- Amazon: Titan Embeddings G1 - Text tegen Cohere: Embed 5 Pro
- Amazon: Titan Text Embeddings V2 tegen Cohere: Embed 5 Fast