# Sentence Transformers multi-qa-mpnet-base-dot-v1

> Преобразует вопросы и текстовые фрагменты в эмбеддинги для семантического поиска и подбора релевантных документов по смыслу.

- **ID для API:** `sentence-transformers/multi-qa-mpnet-base-dot-v1`
- **Тип Модели:** Модель эмбеддингов
- **Контекст:** 512 токенов
- **Максимум на ответ:** 460 токенов
- **Вход:** текст → **Выход:** эмбеддинги

## Описание

#### Суть
Модель Sentence Transformers кодирует вопросы, предложения и абзацы в плотные векторные представления. Она предназначена прежде всего для семантического поиска: вопрос и подходящие ему фрагменты текста располагаются в векторном пространстве так, чтобы их можно было сопоставлять по dot-product. Модель обучалась на разнообразных парах «вопрос—ответ» и опирается на базовую модель MPNet.

#### Сильные стороны
Обучение на данных из разных источников и областей помогает использовать модель для широкого круга поисковых задач, а не только для одного тематического корпуса. Векторные представления удобно заранее рассчитывать для документов, хранить в векторном индексе, а затем сравнивать с представлением нового запроса. Для штатного сопоставления модель настроена на скалярное произведение; в реализации Sentence Transformers для этого предусмотрена функция dot score.

#### Контекст и модальности
Согласно данным каталога, модель принимает текст, возвращает эмбеддинги, а контекстное окно составляет 512 токенов. Карточка модели указывает, что вход длиннее 512 word pieces обрезается; при этом при обучении использовались тексты длиной до 250 word pieces, поэтому для более длинных фрагментов качество не гарантируется. Это модель векторизации, а не генератор ответов.

#### Типовые сценарии
Модель подходит для поиска релевантных абзацев по вопросу или короткому запросу, семантического поиска по базе знаний и FAQ, а также ранжирования найденных текстов по близости векторов. Типовой процесс: отдельно закодировать запрос и документы, вычислить dot-product между векторами и отсортировать документы по полученным оценкам.

#### Ограничения
Векторы этой версии не нормализованы, поэтому для сопоставления следует учитывать настройку dot-product, указанную в карточке модели. Длинные входы обрезаются, а обучение на фрагментах до 250 word pieces не даёт оснований считать, что модель одинаково хорошо обрабатывает объёмные документы целиком. Модель создаёт представления текста, но сама не формирует ответ на вопрос.

#### Отличие от соседей по семейству
В семействе Multi-QA есть варианты на MPNet, DistilBERT и MiniLM, а также версии с обозначением dot и cos. Данная версия использует MPNet и настроена на dot-product. Вариант multi-qa-mpnet-base-cos-v1 — соседняя модель с косинусной настройкой; выбор между ними связан со способом сравнения векторов и требованиями поискового конвейера.

## 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/multi-qa-mpnet-base-dot-v1",
  "input": [
    "Пример текста для поиска"
  ]
}'
```

## Ссылки

- Страница: https://polza.ai/models/sentence-transformers/multi-qa-mpnet-base-dot-v1
- Каталог: https://polza.ai/models