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

Sentence Transformers: multi-qa-mpnet-base-dot-v1 é um modelo de embedding da Sentence Transformers, um fornecedor conhecido pelos seus modelos de representação ao nível da frase. Enquadra-se na categoria de embeddings, o que significa que não gera texto. Em vez disso, converte texto em vetores que pode armazenar, comparar e pesquisar. O modelo foi lançado pelo fornecedor em 2025-11-18.

O modelo recebe texto como entrada e devolve embeddings como saída. Mapeia frases e parágrafos curtos para um espaço vetorial denso de 768 dimensões, e está otimizado para recuperação de perguntas e respostas, pesquisa semântica e pontuação de similaridade em conteúdos diversos. A janela de contexto é de 512 tokens, pelo que cada pedido deve conter uma única frase ou um parágrafo curto em vez de um documento longo. A saída máxima é 460, o que neste caso se refere à saída de embedding e não a texto gerado.

Como o modelo está ajustado para recuperação de perguntas e respostas, o caso de uso mais direto é construir uma camada de recuperação sobre uma coleção de documentos. Incorpora os seus excertos uma vez, incorpora a pergunta do utilizador no momento da consulta e ordena os excertos por similaridade. Esta mesma propriedade torna-o útil para pesquisa semântica, onde pretende correspondências baseadas no significado e não na sobreposição exata de palavras-chave, e para pontuação de similaridade entre dois textos, como deduplicação ou agrupamento de itens relacionados. Também se adequa a pipelines de clustering e classificação que necessitam de representações vetoriais de comprimento fixo de texto curto.

Pode chamá-lo através da API compatível com OpenAI da api14 usando o id de modelo "sentence-transformers/multi-qa-mpnet-base-dot-v1". Como a API segue o formato OpenAI, pode apontar um cliente OpenAI existente para o URL base da api14 e enviar o seu texto para o endpoint de embeddings. O modelo não suporta parâmetros de pedido adicionais, por isso mantenha os pedidos simples e confie nos valores predefinidos. Envie o texto que pretende incorporar, depois leia o vetor devolvido na resposta e armazene-o na sua base de dados vetorial ou compare-o diretamente com outros vetores.

A principal restrição a ter em conta é a janela de contexto de 512 tokens. Documentos longos terão de ser divididos em frases ou parágrafos curtos antes da incorporação, e deve planear a sua estratégia de fragmentação em conformidade. Se a sua tarefa exigir gerar texto, resumir ou responder a perguntas diretamente em vez de produzir vetores, um modelo de embeddings não é a escolha certa e deve optar por um modelo de geração de texto.