Какова размерность векторов у all-mpnet-base-v2?

Модель преобразует входной текст в векторы размерностью 768, что позволяет сохранять богатый семантический контекст.

Для каких задач лучше всего подходит эта модель на alltokens?

Она идеально подходит для информационного поиска, оценки семантического сходства и автоматической группировки текстов.

Какое ограничение по длине текста у данной модели?

Контекстное окно модели составляет 512 токенов, что оптимально для предложений и небольших абзацев.

Sentence Transformers: all-mpnet-base-v2

SESentence-transformersОбновлено: 17 ноября 2025 г.

Модель all-mpnet-base-v2 преобразует текст в плотные 768-мерные векторы, обеспечивая высокую точность семантического поиска и кластеризации. Она оптимизирована для работы с предложениями и короткими абзацами, демонстрируя отличные результаты в задачах сопоставления сходства.

Использовать через API

Метрики

Вход

1 ₽/M

Выход

0 ₽/M

Контекст

8k tokens

Параметры

Релиз

17 ноября 2025 г.

Поддерживаемые параметры

frequency_penaltymax_tokensmin_ppresence_penaltyrepetition_penaltyresponse_formatseedstoptemperaturetop_ktop_p

Технический обзор

Модель эмбеддингов all-mpnet-base-v2 преобразует предложения и короткие абзацы в плотное векторное пространство размерности 768. Она обеспечивает высокую точность семантических представлений, которые отлично подходят для таких задач, как поиск информации, кластеризация, оценка сходства и ранжирование текстов.

Кодинг

Инструменты

Длинный контекст

Мультимодальность

Веб-автоматизация

Смежные подборки

Недорогие модели

Сравнение с похожими моделями

Модель

Для чего

Контекст

Цена ₽

Модель

Sentence Transformers: all-mpnet-base-v2Текущая

Для чего

Контекст

Цена ₽

1 / 0

Sentence Transformers: all-mpnet-base-v2Текущая

1 / 0

Модель

Perplexity: Embed V1 4B

Для чего

Обе модели предназначены для создания текстовых эмбеддингов, однако all-mpnet-base-v2 более компактна и специализирована на семантическом сходстве предложений.

Контекст

32k

Цена ₽

4 / 0

Perplexity: Embed V1 4B

32k

4 / 0

Модель

Perplexity: Embed V1 0.6B

Для чего

Модели сопоставимы по легкости интеграции и подходят для задач быстрого поиска в реальном времени.

Контекст