api14
Skaffa API-nyckel

Vi använder cookies. Cookies och webbläsarlagring håller dig inloggad och kommer ihåg dina preferenser. Med ditt tillstånd mäter vi också hur webbplatsen används. Du kan när som helst. Läs vår cookiepolicy.

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

sentence-transformers/multi-qa-mpnet-base-dot-v1
EmbeddingsIndata: text1KTillagd 18 nov. 2025
Öppna i playgroundSkaffa en API-nyckel för Sentence Transformers: multi-qa-mpnet-base-dot-v1

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

Körs på ditt saldo till priserna ovan. Nya konton börjar med gratis användning.

Logga in för att använda dettaSkapa gratiskonto

Resultaten visas här.

5 av 5 gratis meddelanden kvar i dag, ett gratis konto ger dig gratis användning och en API-nyckel.Skapa gratiskontoLogga inSessionskostnad 0,00 US$

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

  • Indatapriset är 75% lägre än medianen för 34 Embeddings-modeller.

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

Sentence Transformers: multi-qa-mpnet-base-dot-v1 är en inbäddningsmodell från Sentence Transformers, en leverantör känd för sina modeller för meningsrepresentation. Den tillhör kategorin inbäddningar, vilket innebär att den inte genererar text. I stället omvandlar den text till vektorer som du kan lagra, jämföra och söka i. Modellen släpptes av leverantören den 2025-11-18.

Modellen tar text som indata och returnerar inbäddningar som utdata. Den mappar meningar och korta stycken till ett 768-dimensionellt tätt vektorrum, och den är optimerad för fråga-och-svar-hämtning, semantisk sökning och likhetspoäng över olika innehåll. Kontextfönstret är 512 token, så varje begäran bör innehålla en enda mening eller ett kort stycke snarare än ett långt dokument. Den maximala utdatan är 460, vilket i det här fallet avser inbäddningsutdatan snarare än genererad text.

Eftersom modellen är finjusterad för fråga-och-svar-hämtning är det mest direkta användningsfallet att bygga ett hämtningslager över en dokumentsamling. Du bäddar in dina passager en gång, bäddar in användarens fråga vid frågetillfället och rangordnar passagerna efter likhet. Samma egenskap gör den användbar för semantisk sökning, där du vill ha träffar baserade på betydelse snarare än exakt nyckelordsöverlappning, och för likhetspoäng mellan två textstycken, till exempel deduplicering eller gruppering av relaterade objekt. Den passar också för klustrings- och klassificeringspipelines som behöver vektorrepresentationer med fast längd av kort text.

Du anropar den via api14:s OpenAI-kompatibla API med modell-id:t "sentence-transformers/multi-qa-mpnet-base-dot-v1". Eftersom API:et följer OpenAI-formatet kan du peka en befintlig OpenAI-klient mot api14:s bas-URL och skicka din text till inbäddningsändpunkten. Modellen stöder inga ytterligare begärandeparametrar, så håll begärandena enkla och förlita dig på standardvärdena. Skicka texten du vill bädda in och läs sedan den returnerade vektorn från svaret och lagra den i din vektordatabas eller jämför den direkt mot andra vektorer.

Den främsta begränsningen att ha i åtanke är kontextfönstret på 512 token. Långa dokument behöver delas upp i meningar eller korta stycken före inbäddning, och du bör planera din chunkningsstrategi därefter. Om din uppgift kräver att generera text, sammanfatta eller svara på frågor direkt i stället för att producera vektorer, är en inbäddningsmodell inte rätt val och du bör välja en textgenereringsmodell i stället.

Så anropar du Sentence Transformers: multi-qa-mpnet-base-dot-v1 API

  1. Skapa en API-nyckel i din kontrollpanel.
  2. Installera det officiella openai-SDK:t för ditt språk.
  3. Sätt baseURL till https://api14.com/api/v1 och model till "sentence-transformers/multi-qa-mpnet-base-dot-v1".
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));

Specifikationer

Kontextlängd
512
Max utdata
460
Indata
text
Utdata
embeddings

Anrop på api14 · senaste 7 dagarna

10-1710-1810-1910-2010-2110-2210-23

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

Vad kostar Sentence Transformers: multi-qa-mpnet-base-dot-v1 API?
Sentence Transformers: multi-qa-mpnet-base-dot-v1 kostar Indata 0,02 US$ / 1M tokens. Det dras från ditt USD-saldo endast för lyckade anrop; misslyckade anrop är gratis.
Hur stort är kontextfönstret för Sentence Transformers: multi-qa-mpnet-base-dot-v1?
Sentence Transformers: multi-qa-mpnet-base-dot-v1 läser upp till 512 tokens per anrop, prompt, historik och dokument tillsammans. Den skriver upp till 460 utdata-tokens per svar.
Vad kan Sentence Transformers: multi-qa-mpnet-base-dot-v1 göra?
Sentence Transformers: multi-qa-mpnet-base-dot-v1 tar emot text och returnerar embeddings.
Hur anropar jag Sentence Transformers: multi-qa-mpnet-base-dot-v1 från min kod?
Peka valfritt OpenAI-SDK mot https://api14.com/api/v1 och sätt model till "sentence-transformers/multi-qa-mpnet-base-dot-v1", inga andra kodändringar. Kopiera ett färdigt exempel från kodpanelen på den här sidan.
Vilka alternativ finns till Sentence Transformers: multi-qa-mpnet-base-dot-v1?
Jämförbara Embeddings-modeller till ett liknande pris: Thenlper: GTE-Base, Intfloat: E5-Base-v2, Sentence Transformers: paraphrase-MiniLM-L6-v2. Alla körs via samma API-nyckel, så att byta är en sträng.

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

Ny tråd

Den här communityn har inga trådar ännu. Starta den första om Sentence Transformers: multi-qa-mpnet-base-dot-v1.