Wszystkie modele / SENTENCE-TRANSFORMERS

sentence-transformers

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

Opis źródłowy (angielski)

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.

Zobacz źródło w OpenRouter Hugging Face

Przegląd

Specyfikacja modelu

Kontekst: 512 tokens
Maksymalne wyjście: 460 tokens
Architektura: text->embeddings
Tokenizer: Other
Granica wiedzy: Brak danych
Moderowany: Nie

OPENROUTER

Pełny cennik

Stawki zsynchronizowane z OpenRouter, za milion tokenów.

Wejście: $0.005

API

Szybki start

Ustaw lokalnie OPENROUTER_API_KEY. Python wymaga requests, a JavaScript działa w Node.js. Klucz przechowuj na serwerze.

Dokumentacja 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"}'

Możliwości i modalności

Wejście → Wyjście

Wejście

text

Wyjście

embeddings

API

Obsługiwane parametry API

Dostępni dostawcy

1 Dostawca

Sprawdzono: 16 września 2026

Dostawcy na żywo w OpenRouter

Dostępność, opóźnienie, przepustowość i routing stale się zmieniają. Aktualne dane są na stronie źródłowej.

DeepInfra

Brak danych

Kontekst: 1K
Maksymalne wyjście: 0K
Wejście: $0.005
Wyjście: Bezpłatnie
Odczyt pamięci podręcznej: Brak danych
Zapis pamięci podręcznej: Brak danych

sentence-transformers

4 modele

Wszystkie modele

sentence-transformers

Opublikowano 18 lis 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...

Kontekst: 1K
Wejście: text
Wyjście: embeddings

Wejście: $0.005za milion tokenów

Zobacz szczegóły modelu →

sentence-transformers

Opublikowano 18 lis 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...

Kontekst: 1K
Wejście: text
Wyjście: embeddings

Wejście: $0.005za milion tokenów

Zobacz szczegóły modelu →

sentence-transformers

Opublikowano 17 lis 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...

Kontekst: 1K
Wejście: text
Wyjście: embeddings

Wejście: $0.005za milion tokenów

Zobacz szczegóły modelu →

sentence-transformers

Opublikowano 17 lis 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,...

Kontekst: 1K
Wejście: text
Wyjście: embeddings

Wejście: $0.005za milion tokenów

Zobacz szczegóły modelu →