Multi Qa Mpnet Base Dot V1
Réseau Neuronal
API Multi Qa Mpnet Base Dot V1 : modèle d'embeddings transformant les textes en vecteurs 768D pour la recherche sémantique et le QA.
Caractéristiques
- Entrée
- texte
- Sortie
- vecteurs (embeddings)
- Taille du contexte
- 512 tokens
- Dimensions du vecteur
- 768
Coût du prompt
(par 1M tokens)
Comment ça marche Multi Qa Mpnet Base Dot V1?
Multi Qa Mpnet Base Dot V1 encode des phrases et courts paragraphes en vecteurs denses de dimension 768, conçus pour la recherche de réponses, la recherche sémantique et l'évaluation de similarité textuelle. Via BotHub, le modèle est accessible via une API unique compatible OpenAI : sans VPN ni carte étrangère, avec paiement en roubles à l'usage et chiffrement AES-GCM. Pour les équipes, nous proposons contrat, facturation et panneau d'administration avec limites. Les vecteurs s'intègrent dans Qdrant, pgvector ou tout autre stockage vectoriel, permettant ensuite la recherche RAG dans les bases de connaissances et documentations, la sélection de tickets de support similaires, la classification d'avis et de logs, le classement de réponses dans les FAQ-bots et la déduplication de fiches produits.Questions fréquentes sur Multi Qa Mpnet Base Dot V1
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 encodeur : il transforme le texte en vecteur numérique. Ces vecteurs permettent la recherche sémantique, la sélection de réponses, les pipelines RAG, la déduplication et la classification de documents. Fenêtre de 512 tokens : divisez les longs textes en segments appropriés.
Il n'y a pas de génération de texte ou d'image ici. En sortie, vous obtenez un embedding, un vecteur de 768 nombres, optimisé pour la comparaison par produit scalaire (d'où le 'dot' dans le nom). Le vecteur est renvoyé via une réponse JSON standard et peut être stocké dans Qdrant, pgvector ou une autre base vectorielle.
Le mode de raisonnement n'est pas indiqué dans nos données. Par nature, c'est un modèle encodeur : il code le texte en vecteur en un seul passage, sans réfléchir ni rédiger de réponse. Ajoutez logique et explications via un modèle de langage travaillant sur les fragments trouvés.
L'appel de fonctions et la sortie structurée ne sont pas indiqués. Les requêtes/réponses sont en JSON, mais le vecteur lui-même n'est pas un outil de 'function calling'. Pour des 'tool calls', utilisez un modèle textuel à côté ; l'API BotHub est unique et compatible OpenAI.
La réception de fichiers autres que du texte n'est pas indiquée : vous fournissez du texte et recevez un vecteur. Pour des scénarios multimodaux, choisissez un modèle supportant ces formats dans la même fenêtre ; l'intégration reste identique, la clé et la structure des requêtes ne changent pas.
Les langues ne sont pas spécifiées dans nos données, testez donc la qualité sur votre propre corpus : rassemblez quelques dizaines de paires question-document et vérifiez le classement par similarité vectorielle. Si les métriques ne conviennent pas, il est facile de passer à un autre modèle d'embedding sur BotHub.