Sentence Transformers/OtherActivo

multi-qa-mpnet-base-dot-v1

This is a sentence-transformers model: It maps sentences & paragraphs to a 768 dimensional dense vector space and was designed for **semantic search**. It has been trained on 215M (question, answer) pairs from diverse sources. For an introduction to semantic search, have a look at: SBERT.net - Semantic Search

Comparar este modeloView primary source
Contexto
512
Salida máxima
Desconocido
Entrada
0,005 US$
Salida
0,00 US$
DECISION SUMMARY

Casos de uso recomendados

MultimodalCalidad-precio

Puntos fuertes en estos datos

  • 512-token context window
  • text input
  • 11 supported API parameters listed

Límites y advertencias

  • Provider behavior and pricing can change; verify the linked sources before production use.
CAPABILITIES

Capacidad

Datos propios del modelo

Modelo
Razonamiento
Desconocido
Pesos abiertos
Desconocido

Datos del endpoint del proveedor

Endpoint del proveedor
Llamadas a herramientas
No compatible
Salida estructurada
Compatible
Streaming
Desconocido
Caché de prompts
Desconocido
Lotes
Desconocido
Ajuste fino
Desconocido
PROVIDER PRICING

multi-qa-mpnet-base-dot-v1 Precios del proveedor

Endpoint del proveedor: sentence-transformers/multi-qa-mpnet-base-dot-v1

Entrada
0,005 US$
por 1 M de tokens
Salida
0,00 US$
por 1 M de tokens
Entrada en caché
Desconocido
por 1 M de tokens
Salida de imagen
Desconocido
por 1 M de tokens
SOURCE RECORDS

Fuentes y verificación

Hugging Face model card

Campos: tags, gated, summary, datasets, languages, library name, pipeline tag

OpenRouter Models API

Campos: identity, description, modalities, context window, maximum output, pricing, supported parameters

MODEL FAQ

Preguntas frecuentes

Las respuestas se generan con los mismos datos verificables del modelo y del proveedor mostrados arriba.

multi-qa-mpnet-base-dot-v1 es un modelo de IA de Sentence Transformers perteneciente a la familia Other. Su contexto catalogado es de 512.

Las especificaciones y los precios pueden variar por proveedor y cambiar con el tiempo. Revisa las fuentes y las fechas de verificación antes de usar un modelo en producción.