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

Sentence Transformers: multi-qa-mpnet-base-dot-v1 is een embeddingmodel van Sentence Transformers, een provider die bekend staat om zijn modellen voor representatie op zinsniveau. Het valt in de categorie embeddings, wat betekent dat het geen tekst genereert. In plaats daarvan zet het tekst om in vectoren die je kunt opslaan, vergelijken en doorzoeken. Het model werd door de provider uitgebracht op 2025-11-18.

Het model neemt tekst als invoer en retourneert embeddings als uitvoer. Het brengt zinnen en korte alinea's in kaart in een 768-dimensionale dichte vectorruimte, en het is geoptimaliseerd voor vraag-en-antwoord-retrieval, semantisch zoeken en similarity scoring over uiteenlopende content. Het contextvenster is 512 tokens, dus elke aanvraag moet één zin of een korte alinea bevatten in plaats van een lang document. De maximale uitvoer is 460, wat in dit geval betrekking heeft op de embedding-uitvoer en niet op gegenereerde tekst.

Omdat het model is afgestemd op vraag-en-antwoord-retrieval, is het meest directe gebruiksscenario het bouwen van een retrieval-laag over een documentcollectie. Je embedt je passages één keer, embedt de vraag van de gebruiker op het moment van de query, en rangschikt passages op similariteit. Diezelfde eigenschap maakt het nuttig voor semantisch zoeken, waarbij je matches wilt op basis van betekenis in plaats van exacte keyword-overlap, en voor similarity scoring tussen twee stukken tekst, zoals deduplicatie of het groeperen van gerelateerde items. Het past ook bij clustering- en classificatiepijplijnen die vectorrepresentaties van vaste lengte van korte tekst nodig hebben.

Je roept het aan via de OpenAI-compatibele API van api14 met het model-id "sentence-transformers/multi-qa-mpnet-base-dot-v1". Omdat de API het OpenAI-formaat volgt, kun je een bestaande OpenAI-client op de api14 base URL richten en je tekst naar het embeddings-endpoint sturen. Het model ondersteunt geen aanvullende requestparameters, dus houd aanvragen eenvoudig en vertrouw op de standaardwaarden. Stuur de tekst die je wilt embedden, lees vervolgens de geretourneerde vector uit de response en sla deze op in je vectordatabase of vergelijk deze direct met andere vectoren.

De belangrijkste beperking om in gedachten te houden is het contextvenster van 512 tokens. Lange documenten moeten worden opgesplitst in zinnen of korte alinea's voordat ze worden geëmbed, en je moet je chunking-strategie daarop afstemmen. Als je taak het genereren van tekst, samenvatten of direct beantwoorden van vragen vereist in plaats van het produceren van vectoren, dan is een embeddingsmodel niet de juiste keuze en kun je beter een tekstgeneratiemodel kiezen.