Multi Qa Mpnet Base Dot V1
Red Neuronal
Multi Qa Mpnet Base Dot V1 API: modelo de embeddings que convierte textos en vectores de 768 dimensiones para búsqueda semántica y QA.
Características
- Entrada
- texto
- Salida
- vectores (embeddings)
- Tamaño del contexto
- 512 tokens
- Dimensiones del vector
- 768
Costo del prompt
(por 1M tokens)
Cómo funciona Multi Qa Mpnet Base Dot V1?
Multi Qa Mpnet Base Dot V1 codifica frases y párrafos cortos en un vector denso de 768 dimensiones, diseñado para búsqueda de respuestas, búsqueda semántica y evaluación de similitud de textos. A través de BotHub, el modelo está disponible mediante una API compatible con OpenAI: sin VPN ni tarjetas extranjeras, con pago en rublos por uso de tokens y cifrado AES-GCM. Para equipos corporativos, ofrecemos contrato, facturación y panel de administración con límites. Los vectores se almacenan en Qdrant, pgvector u otro almacenamiento vectorial, permitiendo búsquedas RAG en bases de conocimiento y documentación, selección de tickets de soporte similares, agrupación de reseñas y registros, clasificación de respuestas en bots de FAQ y deduplicación de fichas de productos.Preguntas frecuentes sobre Multi Qa Mpnet Base Dot V1
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 codificador: convierte texto en un vector numérico. Estos vectores se utilizan para búsqueda semántica, selección de respuestas a preguntas, pipelines RAG, deduplicación y agrupación de documentos. La ventana es de 512 tokens, por lo que debe dividir los textos largos en fragmentos de tamaño adecuado.
No genera texto ni imágenes; la salida es un embedding, un vector de 768 números que el modelo está optimizado para comparar mediante producto escalar, como sugiere 'dot' en el nombre. El vector llega como una respuesta JSON estándar del endpoint y se almacena en Qdrant, pgvector u otra base de datos vectorial.
En nuestros datos no se indica un modo de razonamiento; por naturaleza, es un modelo codificador: codifica el texto en un vector en una sola pasada, sin razonar ni escribir respuestas. Añada lógica y explicaciones mediante un modelo de lenguaje que trabaje sobre los fragmentos encontrados.
La llamada a funciones y la salida estructurada no están indicadas en nuestros datos. Las solicitudes y respuestas del endpoint de embeddings están en JSON, pero el vector en sí no es una herramienta para 'function calling'. Si necesita 'tool calls', utilice un modelo de texto; la API en BotHub es unificada y compatible con OpenAI.
La recepción de archivos distintos al texto no está indicada en nuestros datos: usted envía texto y recibe un vector. Para escenarios multimodales, seleccione en la misma ventana un modelo compatible con dichos formatos; no tendrá que reescribir la integración, ya que la clave y la estructura de las solicitudes siguen siendo las mismas.
En nuestros datos no se especifican los idiomas, por lo que debe verificar la calidad con su propio corpus: recopile varias docenas de pares pregunta-documento y observe cómo se clasifica la salida según la proximidad de los vectores. Si las métricas no son satisfactorias, es fácil cambiar a otro modelo de embedding en BotHub.