SENTENCE TRANSFORMERS · КАТАЛОГ МОДЕЛЕЙ
multi-qa-mpnet-base-dot-v1 API
multi-qa-mpnet-base-dot-v1 — embedding-модель, настроенная на поиск passages по вопросу. Её целевой пример — FAQ интернет-магазина: короткий запрос должен привести к утверждённому ответу, а не к генерации нового правила.
multi-qa-mpnet-base-dot-v1Sentence Transformers- Контекст
- 512токенов
- Результат
- Векторные представленияформат ответа
- Стоимость
- Тариф уточняетсяусловия — в блоке подключения
ПОДКЛЮЧЕНИЕ
От модели к первому запросу
Используйте идентификатор модели в совместимом API-клиенте. Полные параметры, ключи и ответы с ошибками описаны в документации.
const response = await client.chat.completions.create({
model: "sentence-transformers/multi-qa-mpnet-base-dot-v1",
messages: [{ role: "user", content: "Ваш запрос" }],
});ПОДРОБНЫЙ ОБЗОР
Возможности модели
Официальная карточка указывает 768-мерное пространство и обучение на 215 миллионах question-answer pairs из разных источников. Версия `dot` оптимизирована для dot-product similarity. Это не cross-encoder и не генеративная модель: она быстро отбирает кандидатов, но не доказывает, что первый passage отвечает полностью. В Tokenmost route `sentence-transformers/multi-qa-mpnet-base-dot-v1` проверяется реальным вызовом: dimension, metric assumptions, normalization, query/document ordering, batch, token limit, errors, usage и цена. Название модели не подтверждает совместимость с коллекцией, созданной другой MPNet-версией. Эталон включает разговорные вопросы, опечатки, отрицания, условия доставки и случаи без ответа. Для каждого запроса заранее записаны допустимые passages и требуемое поведение abstain.
Соберите атомарные ответы
Один passage должен описывать одно правило вместе с важным исключением. Добавьте заголовок и текст, а регион, дата действия и категория остаются metadata. Не соединяйте оплату, возврат и доставку в один длинный FAQ-блок.
Настройте dot product осознанно
Создайте отдельную коллекцию на 768 значений и проверьте нормы ответов API. Используйте metric, соответствующую подтверждённому контракту dot-версии. Смена normalization изменяет scores и требует повторной калибровки порога.
Фильтруйте недействующие правила
До vector ranking исключите архивные документы, чужой регион и неподходящий тип клиента. Semantic similarity не знает, какое соглашение действует сегодня. Интерфейс показывает источник и дату рядом с найденным ответом.
Калибруйте отказ от ответа
Оценивайте Recall@5, MRR и precision первого результата, затем задайте порог на отложенных вопросах. Если уверенность низкая или кандидаты противоречат друг другу, передавайте обращение оператору вместо уверенной подсказки. Еженедельные ошибки пополняют тестовый набор, но порог меняется только после повторной оценки всей выборки.
Рассчитайте цену обращения
Учтите токены FAQ при первом запуске и изменениях, embeddings вопросов, хранение кандидатов и ручную проверку ошибок. Цена полезного найденного ответа важнее цены одного API-вызова; Tokenmost usage сверяется до масштаба.
Вопросы и ответы
Для чего создана multi-qa версия?
Для semantic search passages по пользовательским вопросам.
Какая размерность embeddings?
768 измерений согласно официальной карточке.
Какую similarity использовать?
Название и model card указывают dot product; контракт route всё равно проверяется.
Модель генерирует ответ?
Нет, она ранжирует существующие passages.
Как контролировать стоимость?
Сверять входные токены, usage, обновления индекса и цену Tokenmost на тестовом batch.