# Sentence Transformers all-mpnet-base-v2

> Преобразует предложения и короткие тексты в эмбеддинги для семантического поиска, сравнения сходства, кластеризации и других задач анализа текста.

- **ID для API:** `sentence-transformers/all-mpnet-base-v2`
- **Тип Модели:** Модель эмбеддингов
- **Контекст:** 512 токенов
- **Максимум на ответ:** 460 токенов
- **Вход:** текст → **Выход:** эмбеддинги

## Описание

#### Суть

Модель из семейства Sentence Transformers, предназначенная для преобразования предложений и коротких абзацев в плотные векторные представления. Векторы кодируют смысл текста и позволяют сравнивать фрагменты по семантической близости. В основе лежит предварительно обученный MPNet, дополнительно настроенный на контрастивной задаче: модель училась сближать представления связанных текстов и различать несвязанные.

#### Сильные стороны

Модель подходит для сценариев, где важно сопоставлять смысл, а не только совпадение отдельных слов. Карточка модели указывает семантический поиск и кластеризацию среди предполагаемых применений; векторные представления также можно использовать для оценки сходства предложений и отбора релевантных текстов. Для работы с библиотекой Sentence Transformers предусмотрен готовый интерфейс кодирования текстов. При использовании Transformers отдельно требуется выполнить pooling выходов токенов, чтобы получить представление всего текста.

#### Контекст и модальности

На вход подаётся текст, на выходе получаются эмбеддинги. Каталог указывает контекстное окно 512 токенов. Модель не генерирует ответы и не принимает изображения или аудио: её задача — кодировать текст для последующей обработки или поиска.

#### Типовые сценарии

- Семантический поиск по коллекции документов: заранее закодировать фрагменты и находить близкие к запросу.
- Сравнение предложений, вопросов или коротких описаний по смысловой близости.
- Группировка текстов по тематике на основе сходства их векторов.
- Подготовка признаков для классификации или других последующих этапов обработки текста.

#### Ограничения

Это энкодер, а не диалоговая или генеративная модель: он не формулирует ответ на вопрос и не объясняет результат поиска. Эмбеддинг сам по себе не выполняет поиск — для этого нужны индекс, мера сходства и логика ранжирования. Модель рассчитана на предложения и короткие абзацы, поэтому её не следует рассматривать как средство кодирования длинных документов целиком. Качество поиска зависит также от состава корпуса, языка и настройки всей системы.

#### Отличие от соседей по семейству

В сравнении с all-MiniLM-L6-v2 эта модель основана на MPNet, тогда как MiniLM-вариант использует предварительно обученную MiniLM. Обе карточки описывают их как энкодеры предложений и коротких абзацев для сходных задач — например, поиска и кластеризации. Поэтому выбор между ними связан прежде всего с базовой архитектурой; без отдельной проверки на целевых данных не стоит делать вывод о превосходстве одного варианта.

## Цены

- Запрос / 1М: 0,59 ₽

## Провайдеры

Выбрать Провайдера можно параметром `provider` в запросе.

| Провайдер | Цена | Контекст | Макс. ответ | Данные в РФ | 152-ФЗ |
| --- | --- | --- | --- | --- | --- |
| deepinfra/us | Запрос / 1М: 0,59 ₽ | 512 | 460 | — | — |

## Быстрый старт

```bash
curl https://polza.ai/api/v1/embeddings \
  -H "Authorization: Bearer $POLZA_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
  "model": "sentence-transformers/all-mpnet-base-v2",
  "input": [
    "Пример текста для поиска"
  ]
}'
```

## Ссылки

- Страница: https://polza.ai/models/sentence-transformers/all-mpnet-base-v2
- Каталог: https://polza.ai/models