Текст, изображения, видео и музыка через один API — выберите модель
  1. Главная
  2. /
  3. Модели
  4. /
  5. Sentence Transformers: all-mpnet-base-v2
Эмбеддинги

Sentence Transformers: all-mpnet-base-v2

Модель встраивания all-mpnet-base-v2 кодирует предложения и короткие абзацы в 768-мерное плотное векторное пространство, обеспечивая высококачественные семантические встраивания, которые хорошо подходят для таких задач, как поиск информации, кластеризация, оценка сходства и ранжирование текста.

Цена уточняется

Модель ещё не подключена к API

Входные данные

Текст

Результат

Эмбеддинги

Контекст

512 токенов

Параметры и ценыМетоды API
  • Единый клиентский ключ Formula AI
  • Расчёты по использованию в рублях
  • Уровень проверки указан для каждой операции

О модели

Модель встраивания all-mpnet-base-v2 кодирует предложения и короткие абзацы в 768-мерное плотное векторное пространство, обеспечивая высококачественные семантические встраивания, которые хорошо подходят для таких задач, как поиск информации, кластеризация, оценка сходства и ранжирование текста.

Доступность

Характеристики сохранены из каталога источника. Доступные операции появятся после подключения модели.

Характеристики обновлены: 2026-10-02 07:15:18.000000

Характеристики

ВходТекст
ВыходЭмбеддинги
Контекст512 токенов

Поддерживаемые параметры

encoding_formatdimensionsuserinput_type

Характеристики получены из каталогов источников. Применимость параметра зависит от выбранной операции; её контракт описан в документации API.

Клиентская цена

Цена появится после публикации маршрута с подтверждённым тарифом и настройки расчётов. Неизвестная стоимость не считается нулевой.

Правила расчётов

Опубликованные операции

Модель пока не имеет опубликованных операций. Отправить запрос к ней через API ещё нельзя.

Справочник методовOpenAPI

Другие модели

Модели этого направления

В каталоге
Эмбеддинги

BAAI: bge-base-en-v1.5

baai/bge-base-en-v1.5

Модель встраивания bge-base-en-v1.5 преобразует английские предложения и абзацы в плотные векторы размерностью 768, обеспечивая эффективные и высококачественные семантические встраивания, оптимизированные для поиска, семантического поиска и рабочих процессов сопоставления документов. Эта версия (v1.5) отличается улучшенным распределением оценок сходства и более высокой производительностью поиска из коробки.

Вход: Текст

512
токенов контекста
В каталоге
Эмбеддинги

BAAI: bge-large-en-v1.5

baai/bge-large-en-v1.5

Модель встраивания bge-large-en-v1.5 отображает английские предложения, абзацы и документы в 1024-мерное плотное векторное пространство, обеспечивая высококачественные семантические встраивания, оптимизированные для семантического поиска, извлечения документов и последующих задач обработки естественного языка на английском языке.

Вход: Текст

512
токенов контекста
В каталоге
Эмбеддинги

BAAI: bge-m3

baai/bge-m3

Модель bge-m3 преобразует предложения, абзацы и длинные документы в 1024-мерное плотное векторное пространство, обеспечивая высококачественные семантические векторы, оптимизированные для многоязычного поиска, семантического поиска и приложений с большим контекстом.

Вход: Текст

8 194
токенов контекста
В каталоге
Эмбеддинги

Google: Gemini Embedding 001

google/gemini-embedding-001

gemini-embedding-001 обеспечивает передовой унифицированный опыт в различных областях, включая науку, право, финансы и программирование. Эта модель встраивания стабильно занимает лидирующие позиции в многоязычном рейтинге Massive Text Embedding Benchmark (MTEB) с момента экспериментального запуска в марте.

Вход: Текст

20 000
токенов контекста
Вернуться к каталогу

Подключите выбранную модель.

Изучите быстрый старт и методы API. Ключ и пополнение баланса предоставляет администратор.

Быстрый старт Методы API