all-mpnet-base-v2 — эмбеддинги предложений
нейросеть
all-mpnet-base-v2 превращает предложения и короткие абзацы в 768‑мерные плотные векторы, обеспечивая точные семантические представления текста. Идеален для семантического поиска, информационного поиска, кластеризации, оценки сходства и дедупликации. Доступен через BotHub с оплатой в рублях и без необходимости VPN.
Характеристики
- Входные данные
- текст
- Результат
- векторы (эмбеддинги)
- Размер контекста
- 512 токенов
- Размерность вектора
- 768
Стоимость промпта
(за 1M токенов)
import OpenAI from 'openai';
const openai = new OpenAI({
apiKey: '<your bothub access token>',
baseURL: 'https://openai.bothub.chat/v1'
});
async function main() {
const response = await openai.embeddings.create({
model: 'all-mpnet-base-v2',
input: 'The food was delicious and the waiter...',
encoding_format: 'float'
});
const embedding = response.data[0].embedding;
console.log(embedding);
}main();
Как работает all-mpnet-base-v2 — эмбеддинги предложений?
Попробуйте all-mpnet-base-v2 на BotHub для семантического поиска и ранжирования.Частые вопросы о all-mpnet-base-v2 — эмбеддинги предложений
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.
All Mpnet Base v2 преобразует текст в векторные представления для задач семантики: поиск по смыслу, извлечение релевантных фрагментов, кластеризация, дедупликация и RAG. Модель предназначена для интеграции с векторными базами данных и системами семантического поиска.
Модель выдаёт плотные числовые векторы фиксированной размерности, готовые к хранению и поиску в векторных БД. Входной контекст ограничен 512 токенами, результат используют для расстояний/скалярных произведений и дальнейших операций в системах поиска и кластеризации.
Нет, это модель эмбеддингов: она не генерирует развернутые тексты и не выполняет цепочки рассуждений. Задача модели — кодировать смысл входа в вектор; логические рассуждения и генерация выполняются отдельно в моделях, которые работают с текстом.
Сам по себе эмбеддинг-модель не реализует функцию вызова функций или структурированный JSON-вывод как генератор. Вы получаете векторы, которые затем упаковываете в нужный формат и используете в приложении для сохранения, поиска или передачи в JSON.
В наших данных приём мультимедиа для этой модели не отмечен. All Mpnet Base v2 рассчитана на текстовые входы и выдаёт текстовые эмбеддинги; если нужны мультимодальные представления, используйте специализированные модели, доступные в агрегаторе.
Модель оптимизирована для создания семантических эмбеддингов на основе корпуса данных, использованного при обучении. Для русского она может давать полезные представления, но точность и качество зависят от характера входных текстов и предметной области.