Multi Qa Mpnet Base Dot V1
нейросеть
Multi Qa Mpnet Base Dot V1 API — модель эмбеддингов, которая преобразует тексты в 768-мерные векторы для семантического поиска и QA-задач
Характеристики
- Входные данные
- текст
- Результат
- векторы (эмбеддинги)
- Размер контекста
- 512 токенов
- Размерность вектора
- 768
Стоимость промпта
(за 1M токенов)
Как работает Multi Qa Mpnet Base Dot V1?
Multi Qa Mpnet Base Dot V1 кодирует предложения и короткие абзацы в плотный вектор размерностью 768 и рассчитан на поиск ответов, семантический поиск и оценку близости текстов. Через BotHub модель доступна по единому OpenAI-совместимому API: без VPN и зарубежной карты, с оплатой в рублях по факту за токены и шифрованием AES-GCM, а корпоративным командам — договор, счёт и админ-панель с лимитами. Векторы ложатся в Qdrant, pgvector или другое векторное хранилище, а дальше — RAG-поиск по базе знаний и документации, подбор похожих тикетов в поддержке, кластеризация отзывов и логов, ранжирование ответов в FAQ-ботах и дедупликация карточек товаров.Частые вопросы о Multi Qa Mpnet Base Dot V1
Вы можете использовать результаты генерации в коммерческих целях. Все права на созданный контент принадлежат вам. Единственное ограничение: убедитесь, что в запросе не использовались защищённые авторским правом материалы третьих сторон. Ответственность за соблюдение прав на входные данные лежит на пользователе.
Это энкодер: он превращает текст в числовой вектор. На таких векторах строят семантический поиск, подбор ответов на вопросы, RAG-пайплайны, дедупликацию и кластеризацию документов. Окно — 512 токенов, поэтому длинные тексты заранее разбивайте на чанки подходящего размера.
Генерации текста или картинок здесь нет — на выходе эмбеддинг, вектор из 768 чисел, который модель оптимизирована сравнивать скалярным произведением, на что намекает dot в названии. Вектор приходит обычным JSON-ответом эндпоинта и кладётся в Qdrant, pgvector или другую векторную базу.
В наших данных режим рассуждений не отмечен, и по своей природе это модель-энкодер: за один проход она кодирует текст в вектор, а не размышляет и не пишет ответ. Логику и объяснения добавляйте языковой моделью, работающей поверх найденных фрагментов.
Вызов функций и структурированный вывод в наших данных не отмечены. Запросы и ответы эндпоинта эмбеддингов идут в JSON, но сам вектор инструментом для function calling не является. Нужны tool calls — поставьте рядом текстовую модель, API в BotHub единый и OpenAI-совместимый.
Приём файлов помимо текста в наших данных не отмечен: вы подаёте текст и получаете вектор. Для мультимодальных сценариев возьмите в том же окне модель с поддержкой таких форматов — интеграцию переписывать не придётся, ключ и структура запросов остаются теми же.
В наших данных языки не указаны, поэтому качество стоит проверить на своём корпусе: соберите несколько десятков пар вопрос-документ и посмотрите, как ранжируется выдача по близости векторов. Если метрики не устроят, в BotHub легко переключиться на другую эмбеддинг-модель.