All MPNet Base V2
нейросеть
All MPNet Base V2 — эмбеддинг-модель, которая кодирует предложения и абзацы в 768-мерные векторы для семантического поиска.
Характеристики
- Входные данные
- текст
- Результат
- векторы (эмбеддинги)
- Размер контекста
- 512 токенов
- Размерность вектора
- 768
Стоимость промпта
(за 1M токенов)
Как работает All MPNet Base V2?
All MPNet Base V2 кодирует предложения и короткие абзацы в плотное векторное пространство размерностью 768 для информационного поиска, кластеризации и оценки семантической близости. Фиксированная размерность упрощает хранение в Qdrant, pgvector или другой векторной БД. В BotHub модель доступна через единый OpenAI-совместимый API: ключ один на все модели, поэтому заменить эмбеддер в пайплайне можно без переписывания интеграции. Платите в рублях по факту за токены, без подписки, VPN и зарубежной карты, а для компаний доступны договор и счёт. Модель применяют для поиска по корпоративной базе знаний, RAG-контура ассистента поддержки, дедупликации обращений и кластеризации отзывов.Частые вопросы о All MPNet Base V2
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 модель эмбеддингов: она превращает текст в числовой вектор, по которому можно измерять смысловую близость. Подходит для семантического поиска, RAG по базе знаний, кластеризации, дедупликации и классификации по схожести. Контекст — 512 токенов на фрагмент.
На выходе не текст, а вектор фиксированной размерности — 768 чисел для каждого фрагмента. Ответ приходит обычным JSON-массивом по OpenAI-совместимому API, поэтому вектор можно сразу писать в Qdrant, pgvector или другое векторное хранилище без конвертации.
Рассуждения здесь не предусмотрены самим форматом: модель не генерирует текст и не строит цепочку выводов, а за один проход кодирует фрагмент в вектор. Качество результата определяется разбивкой на чанки, нормализацией и настройкой поиска, а не длиной размышлений.
В наших данных function calling и схемы структурированного вывода не отмечены — это инструменты генеративных моделей. Сам ответ эндпоинта эмбеддингов и так приходит в JSON. Если нужны вызовы функций, подключите в том же API другую модель, не переписывая интеграцию.
Приём чего-либо кроме текста в наших данных не отмечен, так что рассчитывайте на текстовые фрагменты до 512 токенов. Для картинок, аудио или видео возьмите подходящую модель рядом в BotHub — интерфейс и ключ API остаются теми же.
Данных о языковом покрытии модели у нас нет, поэтому надёжнее проверить её на своём корпусе: соберите небольшой набор запросов и оцените точность выдачи. Рядом в BotHub есть другие эмбеддинг-модели — сравнить их можно через один API, с оплатой в рублях.