sentence-transformers

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

sentence-transformers/multi-qa-mpnet-base-dot-v1

Nossa análise

Análise com auxílio de IA baseada nas fontes abaixo. A adequação é uma avaliação editorial; teste com suas próprias tarefas.

OpenRouter e a ficha do modelo descrevem sentence-transformers/multi-qa-mpnet-base-dot-v1 como um modelo sentence-transformers de texto para embeddings que mapeia frases e paragrafos para um espaco vetorial denso de 768 dimensoes voltado a busca semantica. A ficha diz que ele foi ajustado com cerca de 215M de pares pergunta-resposta de fontes diversas, usa pooling CLS e pontua com produto escalar, nao com similaridade de cosseno normalizada. Este pacote nao inclui resultados de benchmarks.[1][2]

Pontos fortes

Reportado pelas fontes: gera embeddings de 768 dimensoes para frases e paragrafos voltados a busca semantica e recuperacao QA.[1][2]
A ficha reporta ajuste com cerca de 215M de pares pergunta-resposta vindos de conjuntos de dados variados.[2]
O uso documentado cobre sentence-transformers, Hugging Face Transformers e Text Embeddings Inference.[2]

Limitações

As entradas ficam limitadas a 512 word pieces e a ficha observa que o treinamento usou texto ate 250 word pieces, entao passagens longas podem piorar.[1][2]
A ficha diz que os embeddings nao sao normalizados e recomenda pontuacao por produto escalar; nao se deve presumir comportamento de cosseno normalizado.[2]
A evidencia e apenas de catalogo e ficha: nao foram fornecidos resultados medidos de recuperacao, portanto valide a qualidade na carga de trabalho alvo.[1][2]

Onde usar

Ajuste editorial: busca semantica que relacione perguntas ou consultas a passagens candidatas, uso declarado pela ficha.[2]
Possivel ajuste: recuperacao FAQ ou QA e correspondencia de perguntas duplicadas, refletindo a mistura de pares QA descrita pela fonte.[2]
Possivel ajuste: pontuacao de similaridade para textos curtos dentro dos limites documentados, nao recuperacao de documentos longos sem testes.[1][2]

Fontes

[1] OpenRouter catalog · Sentence Transformers: multi-qa-mpnet-base-dot-v1Fontes consultadas: 13 de nov. de 2026
[2] Model documentation · Sentence Transformers: multi-qa-mpnet-base-dot-v1Fontes consultadas: 13 de nov. de 2026

Sobre este modelo

A descrição abaixo é o texto original fornecido pelo OpenRouter, no idioma da fonte.

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.

Especificações

ID do modelo: sentence-transformers/multi-qa-mpnet-base-dot-v1
ID canônico: sentence-transformers/multi-qa-mpnet-base-dot-v1-20251117
Criador: sentence-transformers
Adicionado ao OpenRouter: 18.11.2025
Comprimento de contexto: 512
Modalidade: text->embeddings
Modalidades de entrada: text
Modalidades de saída: embeddings
Preço por token: USD por 1M de tokens: entrada $0.0050 / saída $0
Corte de conhecimento: —
Data de expiração: —

Tarefas e capacidades

Uma nota aparece apenas quando a fonte fornece uma medição correspondente para aquela tarefa, o modelo está ativo e a coorte tem pelo menos 10 modelos comparáveis. A coluna de capacidade lista fatos declarados pela fonte — formatos compatíveis, raciocínio e parâmetros de ferramentas — que não são qualidade medida.

Tarefa	Nota	Capacidade declarada pela fonte
Qualidade geral	Sem medição	—
Programação	Sem medição	—
Agentes	Sem medição	—
Escrita	Sem medição	—
Raciocínio	Sem medição	—
Análise de documentos	Sem medição	—
Visão	Sem medição	—
Geração de imagens	Sem medição	—
Áudio	Sem medição	—
Vídeo	Sem medição	—
Embeddings	Sem medição	saída: embeddings

Avaliações

Não há avaliações fornecidas para este modelo.

Como funcionam as notas

Cada nota compara um modelo apenas com outros modelos avaliados pela mesma fonte e métrica no snapshot atual. S é o top 10%, A os 20% seguintes, B os 30% seguintes e C o restante. Modelos sem medição publicada aparecem como não avaliados — um formato compatível nunca implica qualidade medida.

S — S — top 10% da coorte
A — A — próximos 20% da coorte
B — B — próximos 30% da coorte
C — C — abaixo da faixa B

Provedores

Estatísticas opcionais de provedores ao vivo do OpenRouter. Valores ausentes são desconhecidos, não zero.

Provedor	Comprimento de contexto	Preço entrada /1M	Preço saída /1M	Latência p50 (30m, s)	Taxa p50 (30m, tok/s)	Disponibilidade (30m)
DeepInfra	512	$0.0050	$0	—	—	—

Dados de provedores obtidos: 13.11.2026

Nenhum artigo publicado identifica este modelo ainda.