MPNet QA Embeddings (multi-qa-mpnet-base-dot-v1)

нейросеть

Модель преобразует предложения и короткие абзацы в 768-мерные плотные векторные представления, обеспечивая высокое качество семантического соответствия. Оптимизирована для извлечения ответов, семантического поиска и оценки схожести между текстами. Доступна через BotHub и подходит для FAQ-ботов, ранжирования результатов и кластеризации документов.

Главная

/

Модели

/

Модели эмбеддингов

/

MPNet QA Embeddings (multi-qa-mpnet-base-dot-v1)

Характеристики

Входные данные
текст
Результат
векторы (эмбеддинги)
Размер контекста
512 токенов
Размерность вектора
768
0,54 ₽

Стоимость промпта

(за 1M токенов)

*Указаны цены при использовании API через ECO-провайдеров.
Пример кода и API для MPNet QA Embeddings (multi-qa-mpnet-base-dot-v1)Мы предлагаем полный доступ к API OpenAI через наш сервис. Все наши конечные точки полностью соответствуют конечным точкам OpenAI, их можно использовать как с плагинами, так и при разработке собственного программного обеспечения через SDK.Создать API ключ
import OpenAI from 'openai';
const openai = new OpenAI({
  apiKey: '<your bothub access token>',
  baseURL: 'https://openai.bothub.chat/v1'
});

async function main() {
  const response = await openai.embeddings.create({
    model: 'multi-qa-mpnet-base-dot-v1',
    input: 'The food was delicious and the waiter...',
    encoding_format: 'float'
  });

  const embedding = response.data[0].embedding;

  console.log(embedding);
}
main();
illustaration

Как работает MPNet QA Embeddings (multi-qa-mpnet-base-dot-v1)?

Используйте модель через BotHub для быстрого семантического поиска и релевантного извлечения ответов.

Частые вопросы о MPNet QA Embeddings (multi-qa-mpnet-base-dot-v1)

Вы можете использовать результаты генерации в коммерческих целях. Все права на созданный контент принадлежат вам. Единственное ограничение: убедитесь, что в запросе не использовались защищённые авторским правом материалы третьих сторон. Ответственность за соблюдение прав на входные данные лежит на пользователе.

Это модель эмбеддингов от sentence-transformers, которая преобразует фрагменты текста в векторные представления. Подходит для семантического поиска, сопоставления вопросов и ответов, кластеризации документов, RAG и других задач, где требуется измерять семантическое сходство между текстами.

Модель выдаёт векторные эмбеддинги — числовые массивы, готовые для индексирования в векторных БД и сравнения по сходству. Эмбеддинги удобны для поиска, ранжирования и кластеризации. Поддерживаемая длина входа — до 512 токенов.

Это эмбеддинговая модель: она не генерирует рассуждений или развернутых ответов, а кодирует текст в векторные представления для последующей обработки. Для пошаговых рассуждений и генерации текста используйте генеративную модель, которая специально обучена на таких задачах.

В наших данных не отмечено поддержка function calling или структурированного JSON: модель возвращает эмбеддинги — числовые векторы. Вызов функций и формирование JSON-ответов реализуются на стороне вашего приложения, которое использует эти векторы для поиска, ранжирования или дальнейшей обработки.

В наших данных не отмечено приёма изображений, аудио или видео. Multi QA Mpnet Base Dot v1 предназначена для текстовых входов и выдаёт эмбеддинги. Для мультимедиа-опросов используйте специализированные мультимодальные модели, которые принимают и кодируют визуальные или звуковые данные.

В наших данных не указана конкретная поддержка русского языка. Модель ориентирована на семантические представления для поиска и сопоставления; её качество на русском зависит от обучения и ваших примеров. Рекомендуется провести тестирование на вашей коллекции документов, чтобы оценить точность.

Служба поддержкиРаботаем с 10:00 до 18:00 по МСК