All MPNet Base V2
Réseau Neuronal
All MPNet Base V2 est un modèle d'embeddings encodant des phrases et paragraphes en vecteurs de 768 dimensions pour la recherche sémantique.
Caractéristiques
- Entrée
- texte
- Sortie
- vecteurs (embeddings)
- Taille du contexte
- 512 tokens
- Dimensions du vecteur
- 768
Coût du prompt
(par 1M tokens)
Comment ça marche All MPNet Base V2?
All MPNet Base V2 encode des phrases et de courts paragraphes dans un espace vectoriel dense de 768 dimensions pour la recherche d'informations, le clustering et l'évaluation de la proximité sémantique. La dimension fixe simplifie le stockage dans Qdrant, pgvector ou une autre base de données vectorielle. Sur BotHub, le modèle est accessible via une API unique compatible OpenAI : une seule clé pour tous les modèles, permettant de remplacer l'embedder dans votre pipeline sans réécrire l'intégration. Payez en roubles à l'usage, sans abonnement, VPN ou carte étrangère ; contrats et factures disponibles pour les entreprises. Le modèle est utilisé pour la recherche dans les bases de connaissances d'entreprise, les systèmes RAG d'assistance, la déduplication de tickets et le clustering d'avis.Questions fréquentes sur All MPNet Base V2
Vous pouvez utiliser les résultats générés à des fins commerciales. Tous les droits sur le contenu créé vous appartiennent. Seule restriction : vérifiez que la requête ne contient pas de contenus protégés par le droit d'auteur appartenant à des tiers. Le respect des droits sur les données d'entrée relève de votre responsabilité.
C'est un modèle d'embeddings : il transforme le texte en vecteur numérique permettant de mesurer la proximité sémantique. Adapté à la recherche sémantique, au RAG sur base de connaissances, au clustering, à la déduplication et à la classification par similarité. Contexte : 512 jetons par fragment.
En sortie, ce n'est pas du texte, mais un vecteur de dimension fixe : 768 nombres par fragment. La réponse arrive sous forme de tableau JSON via l'API compatible OpenAI, donc le vecteur peut être directement écrit dans Qdrant, pgvector ou un autre stockage vectoriel sans conversion.
Le raisonnement n'est pas prévu par le format : le modèle ne génère pas de texte et ne construit pas de chaîne de pensée, mais encode le fragment en vecteur en un seul passage. La qualité du résultat dépend du découpage en chunks, de la normalisation et du réglage de la recherche, pas de la durée de réflexion.
Dans nos données, le 'function calling' et les schémas de sortie structurés ne sont pas indiqués ; ce sont des outils de modèles génératifs. La réponse de l'endpoint d'embeddings arrive déjà en JSON. Si vous avez besoin d'appels de fonctions, connectez un autre modèle via la même API sans réécrire l'intégration.
L'acceptation de tout autre format que le texte n'est pas indiquée dans nos données, prévoyez donc des fragments textuels jusqu'à 512 jetons. Pour les images, l'audio ou la vidéo, choisissez un modèle adapté sur BotHub ; l'interface et la clé API restent les mêmes.
Nous n'avons pas de données sur la couverture linguistique du modèle, il est donc plus fiable de le tester sur votre propre corpus : rassemblez un petit ensemble de requêtes et évaluez la précision. D'autres modèles d'embeddings sont disponibles sur BotHub ; vous pouvez les comparer via la même API, avec paiement en roubles.