All MPNet Base V2
Red Neuronal
All MPNet Base V2 es un modelo de embedding que codifica oraciones y párrafos en vectores de 768 dimensiones para búsqueda semántica.
Características
- Entrada
- texto
- Salida
- vectores (embeddings)
- Tamaño del contexto
- 512 tokens
- Dimensiones del vector
- 768
Costo del prompt
(por 1M tokens)
Cómo funciona All MPNet Base V2?
All MPNet Base V2 codifica oraciones y párrafos cortos en un espacio vectorial denso de 768 dimensiones para búsqueda de información, agrupación y evaluación de proximidad semántica. La dimensionalidad fija simplifica el almacenamiento en Qdrant, pgvector u otra base de datos vectorial. En BotHub, el modelo está disponible a través de una API única compatible con OpenAI: una sola clave para todos los modelos, por lo que puede reemplazar el embedder en su pipeline sin reescribir la integración. Pague en rublos según el uso de tokens, sin suscripciones, VPN ni tarjetas extranjeras; para empresas, están disponibles contratos y facturas. El modelo se utiliza para búsquedas en bases de conocimiento corporativas, entornos RAG de asistentes de soporte, deduplicación de tickets y agrupación de reseñas.Preguntas frecuentes sobre All MPNet Base V2
Puede usar los resultados generados con fines comerciales. Todos los derechos sobre el contenido creado le pertenecen. La única restricción: asegúrese de que la solicitud no incluya material de terceros protegido por derechos de autor. El usuario es responsable de respetar los derechos sobre los datos de entrada.
Es un modelo de embeddings: convierte texto en un vector numérico con el que se puede medir la proximidad semántica. Es adecuado para búsqueda semántica, RAG en bases de conocimiento, agrupación, deduplicación y clasificación por similitud. Contexto: 512 tokens por fragmento.
La salida no es texto, sino un vector de dimensión fija: 768 números por cada fragmento. La respuesta llega como un array JSON estándar a través de una API compatible con OpenAI, por lo que el vector puede escribirse directamente en Qdrant, pgvector u otro almacenamiento vectorial sin conversión.
El razonamiento no está previsto en este formato: el modelo no genera texto ni construye cadenas de razonamiento, sino que codifica el fragmento en un vector en una sola pasada. La calidad del resultado depende de la fragmentación (chunking), la normalización y la configuración de la búsqueda, no de la longitud del razonamiento.
En nuestros datos, el function calling y los esquemas de salida estructurada no están marcados; son herramientas de modelos generativos. La respuesta del endpoint de embeddings ya llega en JSON. Si necesita llamadas a funciones, conecte otro modelo en la misma API sin reescribir la integración.
No se admite nada que no sea texto en nuestros datos, así que considere fragmentos de texto de hasta 512 tokens. Para imágenes, audio o video, elija un modelo adecuado en BotHub; la interfaz y la clave API siguen siendo las mismas.
No tenemos datos sobre la cobertura lingüística del modelo, por lo que es más fiable probarlo con su propio corpus: recopile un pequeño conjunto de consultas y evalúe la precisión de los resultados. Hay otros modelos de embeddings en BotHub; puede compararlos a través de la misma API, con pago en rublos.