multi-qa-mpnet-base-dot-v1 چیست و برای چه کاری مناسب است؟

multi-qa-mpnet-base-dot-v1 یک مدل تعبیهسازی متن (embedding) است که متن را به بردارهای متراکم ۷۶۸بعدی تبدیل میکند. کاربردهای رایج آن جستوجوی معنایی، بازیابی برای RAG، خوشهبندی و سنجش شباهت است.

بُعد بردار تعبیهسازی multi-qa-mpnet-base-dot-v1 چقدر است و حداکثر طول ورودی آن چیست؟

هر بردار خروجی ۷۶۸ بُعد دارد و مدل تا ۸۱۹۲ توکن ورودی را در هر درخواست میپذیرد.

چطور multi-qa-mpnet-base-dot-v1 را از طریق هرمز فراخوانی کنم؟

مسیر ‎/embeddings‎ را با متن ورودی و شناسهی مدل «sentence-transformers/multi-qa-mpnet-base-dot-v1» فراخوانی کنید. چون API با OpenAI سازگار است، تنها آدرس پایه را به هرمز تغییر دهید و کلید هرمز را جایگزین کنید؛ همان کد کلاینت تعبیهسازی OpenAI کار میکند.

هزینهی استفاده از multi-qa-mpnet-base-dot-v1 چقدر است؟

قیمتگذاری بر پایهی مصرف است: ۰.۰۰۵ دلار به ازای هر یک میلیون توکن ورودی. هیچ هزینهی ثابت ماهانهای وجود ندارد و فقط بابت مصرف واقعی پرداخت میکنید.

چطور از داخل ایران به multi-qa-mpnet-base-dot-v1 دسترسی داشته باشم؟

در هرمز حساب بسازید و یک کلید API بگیرید. هرمز مسیر دسترسی پایدار به این مدل را از داخل ایران فراهم میکند و نیازی به کارت اعتباری خارجی ندارید.

Sentence Transformers: multi-qa-mpnet-base-dot-v1: مدل هوش مصنوعی

multi-qa-mpnet-base-dot-v1 یک مدل تعبیه‌سازی متن (embedding) است که متن انگلیسی را به بردارهای متراکم ۷۶۸بعدی تبدیل می‌کند، برای جست‌وجوی معنایی، RAG و خوشه‌بندی، از داخل ایران و از طریق هرمز.

پنجره زمینه:: 512 توکن
ورودی:: $0.01 / هر ۱M توکن
خروجی:: $0 / هر ۱M توکن
نوع:: embedding

امبدینگ

مدل multi-qa-mpnet-base-dot-v1 بردارهای متراکم ۷۶۸بعدی تولید می‌کند که برای بازیابی پرسش‌وپاسخ تنظیم شده‌اند؛ این مدل روی زوج‌های پرسش/متن آموزش دیده و از امتیازدهی ضرب‌داخلی استفاده می‌کند، پس گزینه‌ی مناسبی برای RAG و جست‌وجوی معنایی روی یک پایگاه دانش است. این مدل بردارهای تعبیه‌سازی متراکم ۷۶۸بعدی تولید می‌کند و برای بازیابی، جست‌وجوی معنایی، خوشه‌بندی و رتبه‌بندی مناسب است.

این مدل تا ۸۱۹۲ توکن ورودی در هر درخواست را پردازش می‌کند. از طریق هرمز پشت یک API تعبیه‌سازی سازگار با OpenAI ارائه می‌شود؛ کافی است آدرس پایه را به هرمز تغییر دهید و کلید هرمز را قرار دهید و درخواست را به مسیر ‎/embeddings‎ بفرستید. قیمت‌گذاری بر پایه‌ی مصرف است: ۰.۰۰۵ دلار به ازای هر یک میلیون توکن ورودی.

هرمز دسترسی پایدار به این مدل را از داخل ایران فراهم می‌کند، بدون نیاز به کارت اعتباری خارجی یا ابزارهای دور زدن تحریم.

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.

شروع سریع

curl https://api.hormouz.net/v1/embeddings \
  -H "Authorization: Bearer ng-YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model":"sentence-transformers/multi-qa-mpnet-base-dot-v1","input":"The quick brown fox"}'

مشخصات

سازنده	Sentence Transformers
نوع	امبدینگ
پنجره زمینه	۵۱۲ توکن
قیمت	$0.01/M in · $0.00/M out
نوع API	embeddings

نمونه کد

cURL

curl https://api.hormouz.net/v1/embeddings \
  -H "Authorization: Bearer ng-YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model":"sentence-transformers/multi-qa-mpnet-base-dot-v1","input":"The quick brown fox"}'

Python

from openai import OpenAI
client = OpenAI(api_key="ng-YOUR_API_KEY", base_url="https://api.hormouz.net/v1")
resp = client.embeddings.create(model="sentence-transformers/multi-qa-mpnet-base-dot-v1", input="The quick brown fox")
print(resp.data[0].embedding)

JavaScript

import OpenAI from "openai";
const client = new OpenAI({ apiKey: "ng-YOUR_API_KEY", baseURL: "https://api.hormouz.net/v1" });
const resp = await client.embeddings.create({
  model: "sentence-transformers/multi-qa-mpnet-base-dot-v1",
  input: "The quick brown fox",
});
console.log(resp.data[0].embedding);

خرید API Sentence Transformers: multi-qa-mpnet-base-dot-v1 با پرداخت ریالی

با کارت بانکی ایرانی اعتبار بخرید؛ کارت ارزی و حساب خارجی لازم نیست.
با یک کلید هرمز به Sentence Transformers: multi-qa-mpnet-base-dot-v1 و بیش از ۶۰۰ مدل دیگر دسترسی دارید و فقط به اندازه‌ی مصرف می‌پردازید.
بدون فیلترشکن و بدون خطر بن شدن حساب؛ کافی است آدرس پایه را به api.hormouz.net/v1 تغییر دهید.

ساخت حساب

استفاده از طریق هرمز

با یک کلید API به این مدل و بیش از ۶۰۰ مدل دیگر وصل شوید و مصرف هر مدل را تا سطح هر درخواست ببینید.

درخواست دسترسی شرکتی

سوالات متداول

multi-qa-mpnet-base-dot-v1 چیست و برای چه کاری مناسب است؟: multi-qa-mpnet-base-dot-v1 یک مدل تعبیه‌سازی متن (embedding) است که متن را به بردارهای متراکم ۷۶۸بعدی تبدیل می‌کند. کاربردهای رایج آن جست‌وجوی معنایی، بازیابی برای RAG، خوشه‌بندی و سنجش شباهت است.
بُعد بردار تعبیه‌سازی multi-qa-mpnet-base-dot-v1 چقدر است و حداکثر طول ورودی آن چیست؟: هر بردار خروجی ۷۶۸ بُعد دارد و مدل تا ۸۱۹۲ توکن ورودی را در هر درخواست می‌پذیرد.
چطور multi-qa-mpnet-base-dot-v1 را از طریق هرمز فراخوانی کنم؟: مسیر ‎/embeddings‎ را با متن ورودی و شناسه‌ی مدل «sentence-transformers/multi-qa-mpnet-base-dot-v1» فراخوانی کنید. چون API با OpenAI سازگار است، تنها آدرس پایه را به هرمز تغییر دهید و کلید هرمز را جایگزین کنید؛ همان کد کلاینت تعبیه‌سازی OpenAI کار می‌کند.
هزینه‌ی استفاده از multi-qa-mpnet-base-dot-v1 چقدر است؟: قیمت‌گذاری بر پایه‌ی مصرف است: ۰.۰۰۵ دلار به ازای هر یک میلیون توکن ورودی. هیچ هزینه‌ی ثابت ماهانه‌ای وجود ندارد و فقط بابت مصرف واقعی پرداخت می‌کنید.
چطور از داخل ایران به multi-qa-mpnet-base-dot-v1 دسترسی داشته باشم؟: در هرمز حساب بسازید و یک کلید API بگیرید. هرمز مسیر دسترسی پایدار به این مدل را از داخل ایران فراهم می‌کند و نیازی به کارت اعتباری خارجی ندارید.

به‌روزرسانی: 2026-10-13