multi-qa-mpnet-base-dot-v1 - API لـمصر، بالجنيه المصري
مباشرWe present a sentence transformation model that maps sentences and paragraphs to a 768-dimensional dense vector space, suitable for semantic search tasks. The model is trained on 215 million question-answer pairs from various sources, including WikiAnswers, PAQ, Stack Exchange, MS MARCO, GOOAQ, Amazon QA, Yahoo Answers, Search QA, ELI5, and Natural Questions. Our model uses a contrastive learning objective.
Modality
Embedding
Context window
512 Tokens
المنطقة
US
Weights
Weights مفتوحة
منشور
14 يوليو 2026
الأسعار
Input
0.29
ج.م لكل 1M Tokens
Output
—
ج.م لكل 1M Tokens
مثال على التكلفة الشهرية
14.7 ج.م
تقدير توضيحي: 50M Input tokens و15M Output tokens شهريًا وفق أسعار هذا الـ Model في الكتالوج.
استخدمه عبر واجهة API
يعمل multi-qa-mpnet-base-dot-v1 مع أي SDK متوافقة مع OpenAI: وجّه الـ Base URL إلى https://backend.sovereigneg.com/v1 واستخدم مفتاح API الخاص بك من SovereignEG.
تشغيل خدمات الذكاء الاصطناعي
POST /v1/embeddings — متوافق مع OpenAI: استخدم seg-sdk الخاص بنا، أو أي OpenAI SDK كبديل مباشر.
from seg import SEG # pip install seg-sdk
client = SEG(api_key="YOUR_API_KEY")
response = client.embeddings.create(
model="multi-qa-mpnet-base-dot-v1",
input="The food was delicious and the waiter...",
encoding_format="float",
)
vector = response.data[0].embedding
print(f"dim={len(vector)}, first 8 dims: {vector[:8]}")from openai import OpenAI
client = OpenAI(
base_url="https://backend.sovereigneg.com/v1",
api_key="YOUR_API_KEY",
)
response = client.embeddings.create(
model="multi-qa-mpnet-base-dot-v1",
input="The food was delicious and the waiter...",
encoding_format="float",
)
vector = response.data[0].embedding
print(f"dim={len(vector)}, first 8 dims: {vector[:8]}")import OpenAI from "openai"
const client = new OpenAI({
baseURL: "https://backend.sovereigneg.com/v1",
apiKey: "YOUR_API_KEY",
})
const response = await client.embeddings.create({
model: "multi-qa-mpnet-base-dot-v1",
input: "The food was delicious and the waiter...",
encoding_format: "float",
})
const vector = response.data[0].embedding
console.log(`dim=${vector.length}, first 8 dims:`, vector.slice(0, 8))curl https://backend.sovereigneg.com/v1/embeddings \
-H "Authorization: Bearer YOUR_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "multi-qa-mpnet-base-dot-v1",
"input": "The food was delicious and the waiter...",
"encoding_format": "float"
}'الأسئلة الشائعة
كم تكلفة multi-qa-mpnet-base-dot-v1؟
0.29 ج.م لكل 1M من Input tokens. يُحتسب الاستخدام لكل Token بالجنيه المصري، بلا أي التزام بحد أدنى.
ما حجم الـ Context window في multi-qa-mpnet-base-dot-v1؟
يدعم multi-qa-mpnet-base-dot-v1 Context window بحجم 512 Tokens (512).
أين يُستضاف multi-qa-mpnet-base-dot-v1؟
يُخدَم multi-qa-mpnet-base-dot-v1 من US (مستضاف في الولايات المتحدة).
هل multi-qa-mpnet-base-dot-v1 Model بـ Weights مفتوحة؟
نعم، multi-qa-mpnet-base-dot-v1 هو Model بـ Weights مفتوحة. وتستدعيه عبر واجهة API من SovereignEG مثل أي Model آخر في الكتالوج، مع محاسبة لكل Token بالجنيه المصري.
كيف أستخدم multi-qa-mpnet-base-dot-v1 عبر واجهة API؟
multi-qa-mpnet-base-dot-v1 متاح عبر واجهة API من SovereignEG المتوافقة مع OpenAI: وجّه الـ Base URL في الـ SDK لديك إلى https://backend.sovereigneg.com/v1، واستدعِ Endpoint /v1/embeddings مع Model ID multi-qa-mpnet-base-dot-v1 ومفتاح API الخاص بك.