Alle Modelle / SENTENCE-TRANSFORMERS

sentence-transformers

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

The multi-qa-mpnet-base-dot-v1 embedding model transforms sentences and short paragraphs into a 768-dimensional dense vector space, generating high-quality semantic embeddings optimized for question-and-answer retrieval, semantic search, and similarity-scoring across diverse content. Priced at $0.005 per M tokens. 512 token context window.

Quelle bei OpenRouter ansehen Hugging Face

Überblick

Modellspezifikationen

Kontext: 512 tokens
Maximale Ausgabe: 460 tokens
Architektur: text->embeddings
Tokenizer: Other
Wissensstand: Nicht angegeben
Moderiert: Nein

OPENROUTER

Vollständige Preise

Mit OpenRouter synchronisierte Preise; Tokenpreise gelten pro eine Million Token.

Eingabe: $0.005

API

Schnellstart

Dieses Modell über die OpenAI-kompatible API von OpenRouter aufrufen.

curl https://openrouter.ai/api/v1/embeddings \
  -H "Authorization: Bearer $OPENROUTER_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model":"sentence-transformers/multi-qa-mpnet-base-dot-v1","input":"Your text here"}'

Fähigkeiten und Modalitäten

Eingabe → Ausgabe

Eingabe

text

Ausgabe

embeddings

API

Unterstützte API-Parameter

frequency_penaltymax_tokensmin_ppresence_penaltyrepetition_penaltyresponse_formatseedstoptemperaturetop_ktop_p

Verfügbare Anbieter

1 Anbieter

Live-Anbieter bei OpenRouter

Verfügbarkeit, Latenz, Durchsatz und Routing ändern sich laufend. Aktuelle Betriebsdaten stehen auf der Quellseite.

DeepInfra

unknown

Kontext: 1K
Maximale Ausgabe: 0K
Eingabe: $0.0050
Ausgabe: Kostenlos
Cache-Lesen: Nicht angegeben
Cache-Schreiben: Nicht angegeben

sentence-transformers

Modelle

sentence-transformers

Veröffentlicht 18.11.2025

Sentence Transformers: paraphrase-MiniLM-L6-v2

The paraphrase-MiniLM-L6-v2 embedding model converts sentences and short paragraphs into a 384-dimensional dense vector space, producing high-quality semantic embeddings optimized for paraphrase detection, semantic similarity scoring, clustering, and lightweight retrieval...

Kontext: 1K
Eingabe: text
Ausgabe: embeddings

Eingabe: $0.0050Ausgabe: Kostenlospro 1 Mio. Token

Modelldetails ansehen →

sentence-transformers

Veröffentlicht 18.11.2025

Sentence Transformers: all-MiniLM-L12-v2

The all-MiniLM-L12-v2 embedding model maps sentences and short paragraphs into a 384-dimensional dense vector space, producing efficient and high-quality semantic embeddings optimized for tasks such as semantic search, clustering, and...

Kontext: 1K
Eingabe: text
Ausgabe: embeddings

Eingabe: $0.0050Ausgabe: Kostenlospro 1 Mio. Token

Modelldetails ansehen →

sentence-transformers

Veröffentlicht 18.11.2025

Sentence Transformers: all-mpnet-base-v2

The all-mpnet-base-v2 embedding model encodes sentences and short paragraphs into a 768-dimensional dense vector space, providing high-fidelity semantic embeddings well suited for tasks like information retrieval, clustering, similarity scoring, and...

Kontext: 1K
Eingabe: text
Ausgabe: embeddings

Eingabe: $0.0050Ausgabe: Kostenlospro 1 Mio. Token

Modelldetails ansehen →

sentence-transformers

Veröffentlicht 18.11.2025

Sentence Transformers: all-MiniLM-L6-v2

The all-MiniLM-L6-v2 embedding model maps sentences and short paragraphs into a 384-dimensional dense vector space, enabling high-quality semantic representations that are ideal for downstream tasks such as information retrieval, clustering,...

Kontext: 1K
Eingabe: text
Ausgabe: embeddings

Eingabe: $0.0050Ausgabe: Kostenlospro 1 Mio. Token

Modelldetails ansehen →