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

Sentence Transformers: multi-qa-mpnet-base-dot-v1 to model embeddingowy od Sentence Transformers, dostawcy znanego z modeli reprezentacji na poziomie zdań. Należy do kategorii embeddings, co oznacza, że nie generuje tekstu. Zamiast tego konwertuje tekst na wektory, które można przechowywać, porównywać i przeszukiwać. Model został udostępniony przez dostawcę 2025-11-18.

Model przyjmuje tekst jako dane wejściowe i zwraca embeddingi jako dane wyjściowe. Mapuje zdania i krótkie akapity do 768-wymiarowej gęstej przestrzeni wektorowej i jest zoptymalizowany pod wyszukiwanie pytań i odpowiedzi, wyszukiwanie semantyczne oraz ocenę podobieństwa w różnorodnych treściach. Okno kontekstu wynosi 512 tokenów, więc każde żądanie powinno zawierać pojedyncze zdanie lub krótki akapit, a nie długi dokument. Maksymalne dane wyjściowe to 460, co w tym przypadku odnosi się do danych wyjściowych embeddingu, a nie do generowanego tekstu.

Ponieważ model jest dostrojony pod wyszukiwanie pytań i odpowiedzi, najbardziej bezpośrednim przypadkiem użycia jest budowa warstwy wyszukiwania na kolekcji dokumentów. Fragmenty osadza się raz, pytanie użytkownika osadza się w momencie zapytania, a fragmenty są szeregowane według podobieństwa. Ta sama właściwość czyni go przydatnym do wyszukiwania semantycznego, w którym zależy na dopasowaniach opartych na znaczeniu, a nie na dokładnym pokryciu słów kluczowych, oraz do oceny podobieństwa między dwoma fragmentami tekstu, na przykład przy deduplikacji lub grupowaniu powiązanych elementów. Pasuje również do potoków klastrowania i klasyfikacji, które potrzebują reprezentacji wektorowych o stałej długości dla krótkich tekstów.

Wywołuje się go przez API zgodne z OpenAI w api14, używając identyfikatora modelu "sentence-transformers/multi-qa-mpnet-base-dot-v1". Ponieważ API jest zgodne z formatem OpenAI, można skierować istniejącego klienta OpenAI na bazowy adres URL api14 i wysłać tekst do punktu końcowego embeddings. Model nie obsługuje dodatkowych parametrów żądania, więc należy utrzymywać żądania proste i polegać na wartościach domyślnych. Wysyła się tekst do osadzenia, a następnie odczytuje zwrócony wektor z odpowiedzi i przechowuje go w bazie danych wektorów lub porównuje bezpośrednio z innymi wektorami.

Głównym ograniczeniem, o którym należy pamiętać, jest okno kontekstu 512 tokenów. Długie dokumenty trzeba podzielić na zdania lub krótkie akapity przed osadzeniem, a strategię dzielenia na fragmenty należy zaplanować odpowiednio. Jeśli zadanie wymaga generowania tekstu, streszczania lub bezpośredniego odpowiadania na pytania, a nie tworzenia wektorów, model embeddingowy nie jest właściwym wyborem i należy zamiast tego wybrać model generowania tekstu.