Multi Qa Mpnet Base Dot V1
Rede Neural
Multi Qa Mpnet Base Dot V1 API: modelo de embeddings que converte textos em vetores de 768 dimensões para busca semântica e tarefas de QA.
Especificações
- Entrada
- texto
- Saída
- vetores (embeddings)
- Tamanho do contexto
- 512 tokens
- Dimensões do vetor
- 768
Custo do prompt
(por 1M tokens)
Como funciona Multi Qa Mpnet Base Dot V1?
O Multi Qa Mpnet Base Dot V1 codifica frases e parágrafos curtos em um vetor denso de 768 dimensões, projetado para busca de respostas, busca semântica e avaliação de proximidade de textos. Através do BotHub, o modelo está disponível via API compatível com OpenAI: sem necessidade de VPN ou cartão internacional, com pagamento em rublos por uso (tokens) e criptografia AES-GCM. Para equipes corporativas, oferecemos contrato, fatura e painel administrativo com limites. Os vetores podem ser armazenados no Qdrant, pgvector ou outro banco de dados vetorial, permitindo busca RAG em bases de conhecimento e documentação, seleção de tickets de suporte similares, agrupamento de avaliações e logs, classificação de respostas em bots de FAQ e desduplicação de catálogos de produtos.Perguntas frequentes sobre Multi Qa Mpnet Base Dot V1
Você pode usar os resultados da geração para fins comerciais. Todos os direitos sobre o conteúdo criado pertencem a você. A única restrição: certifique-se de que a solicitação não inclua materiais de terceiros protegidos por direitos autorais. A responsabilidade pelo cumprimento dos direitos sobre os dados de entrada é do usuário.
É um encoder: transforma texto em um vetor numérico. Esses vetores são usados para busca semântica, seleção de respostas, pipelines RAG, desduplicação e agrupamento de documentos. A janela é de 512 tokens, portanto, divida textos longos em partes (chunks) de tamanho adequado.
Não há geração de texto ou imagens aqui; a saída é um embedding, um vetor de 768 números, que o modelo está otimizado para comparar via produto escalar (dot product), como sugere o 'dot' no nome. O vetor chega como uma resposta JSON padrão do endpoint e é armazenado no Qdrant, pgvector ou outro banco vetorial.
Em nossos dados, o modo de raciocínio não está marcado e, por natureza, este é um modelo encoder: ele codifica o texto em um vetor em uma única passagem, sem raciocinar ou escrever respostas. Adicione lógica e explicações usando um modelo de linguagem que opere sobre os fragmentos encontrados.
Chamada de funções e saída estruturada não estão marcadas em nossos dados. As solicitações e respostas do endpoint de embeddings são em JSON, mas o vetor em si não é uma ferramenta para 'function calling'. Se precisar de 'tool calls', adicione um modelo de texto ao lado; a API no BotHub é unificada e compatível com OpenAI.
O recebimento de arquivos além de texto não está marcado em nossos dados: você envia texto e recebe um vetor. Para cenários multimodais, escolha um modelo com suporte a esses formatos na mesma janela — não será necessário reescrever a integração, a chave e a estrutura das solicitações permanecem as mesmas.
Em nossos dados, os idiomas não estão especificados, portanto, a qualidade deve ser verificada em seu próprio corpus: colete algumas dezenas de pares pergunta-documento e veja como os resultados são classificados pela proximidade dos vetores. Se as métricas não forem satisfatórias, é fácil alternar para outro modelo de embedding no BotHub.