AI TOOLS RADAR
Soumettre
Tous les modèles / SENTENCE-TRANSFORMERS
sentence-transformers logo
sentence-transformers

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

Description de la source (anglais)

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.

Voir la source sur OpenRouter Hugging Face
Présentation

Caractéristiques du modèle

Contexte
512 tokens
Sortie maximale
460 tokens
Architecture
text->embeddings
Tokenizer
Other
Limite des connaissances
Non indiqué
Modéré
Non
OPENROUTER

Tarification complète

Tarifs synchronisés depuis OpenRouter, par million de tokens.

Entrée
$0.005
par million de tokens
API

Démarrage rapide

Définissez OPENROUTER_API_KEY localement. Python nécessite requests ; JavaScript s’exécute dans Node.js. Gardez la clé côté serveur.

Documentation de l’API

curl --fail-with-body 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"}'
Capacités et modalités

Entrée → Sortie

Entrée
text
Sortie
embeddings
API

Paramètres API pris en charge

Fournisseurs disponibles

1 Fournisseur

Vérifié: 16 septembre 2026

Fournisseurs en direct sur OpenRouter

Disponibilité, latence, débit et routage évoluent en continu. Consultez la source pour les données en temps réel.

OpenRouter

DeepInfra

Non indiqué
Contexte
1K
Sortie maximale
0K
Entrée
$0.005
Sortie
Gratuit
Lecture du cache
Non indiqué
Écriture du cache
Non indiqué
sentence-transformers

4 modèles

Tous les modèles
sentence-transformers logosentence-transformers

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...

Contexte
1K
Entrée
text
Sortie
embeddings
Entrée: $0.005par million de tokens
Voir la fiche du modèle →
sentence-transformers logosentence-transformers

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...

Contexte
1K
Entrée
text
Sortie
embeddings
Entrée: $0.005par million de tokens
Voir la fiche du modèle →
sentence-transformers logosentence-transformers

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...

Contexte
1K
Entrée
text
Sortie
embeddings
Entrée: $0.005par million de tokens
Voir la fiche du modèle →
sentence-transformers logosentence-transformers

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,...

Contexte
1K
Entrée
text
Sortie
embeddings
Entrée: $0.005par million de tokens
Voir la fiche du modèle →