Aller au contenu
Alpha
  • Modèles
  • Classements
  • Ori
Contacter l’équipe commerciale

Pied de page

OpenRouterOpenRouter
© 2026 OpenRouter, Inc

Produit

  • Chat
  • Classements
  • Évaluations comparatives
  • Applications
  • Découvrir
  • Modèles
  • Ori
  • Collections
  • Fournisseurs
  • Outils
  • Tarifs
  • Business
  • Enterprise
  • Laboratoire

Entreprise

  • À propos
  • Blog
  • Clients
  • Carrières
    Recrutement
  • Confidentialité
  • Conditions d’utilisation
  • Centre de confiance
  • Assistance
  • Compatible avec OR
  • Données
  • Marque

Développeur

  • Documentation
  • Référence de l’API
  • Plateforme pour développeurs
  • Statut
  • Plan du site pour l’IA

Connecter

  • Discord
  • GitHub
  • LinkedIn
  • X
  • YouTube
Favicon de sentence-transformers

Sentence Transformers: all-mpnet-base-v2

sentence-transformers/all-mpnet-base-v2

Poids du modèle

The all-mpnet-base-v2 embedding model encodes sentences and short paragraphs into a 768-dimensional dense vector space, providing high-fidelity semantic embeddings well suited for tasks like information retrieval, clustering, similarity scoring, and text ranking.

Modalités
Prix
0,005 $US/M tokens
Contexte
512
Publié
17 nov. 2025
FournisseursTarificationPerformancesDisponibilitéApplicationsActivitéFAQExplorer

Fournisseurs

Ce modèle est hébergé par un seul fournisseur. OpenRouter lui transmet directement chaque requête — aucune décision de routage à prendre.

Tarification

Le prix moyen que les clients paient réellement pour ce modèle, à côté des prix affichés par les fournisseurs. Grâce à la mise en cache et aux remises, le prix réellement payé est souvent bien inférieur au prix affiché.

Performances

Le débit est la vitesse à laquelle le modèle écrit (jetons par seconde — plus il est élevé, mieux c’est). La latence est le temps total d’aller-retour (plus il est faible, mieux c’est). Le TTFT est le délai avant le premier jeton — le temps avant de voir quelque chose apparaître (plus il est faible, mieux c’est).

Disponibilité

La disponibilité correspond au pourcentage des 3 derniers jours pendant lequel au moins un fournisseur répondait aux requêtes. La disponibilité du service correspond au pourcentage de temps pendant lequel l’inférence a été assurée avec succès. OpenRouter surveille en continu les fournisseurs et utilise le meilleur fournisseur suivant lorsque l’un d’eux renvoie une erreur.

Applications

Applications publiques qui envoient le plus de trafic à ce modèle. Un bon indicateur des charges de travail réelles en production — et un aperçu des cas d’usage auxquels ce modèle convient le mieux.

Activité

Volume de jetons et trafic des requêtes vers ce modèle au fil du temps.

API

Code prêt à l’emploi pour appeler ce modèle. L’API d’OpenRouter est compatible avec OpenAI — la plupart des SDK fonctionnent en remplaçant simplement l’URL de base. Seul le slug du modèle ci-dessous change d’un modèle à l’autre.

Actuellement indisponible via le routage dans la région UE. Documentation sur le routage intrarégional

Explorer d’autres modèles

Modèles de plongement vectoriel de texteCollectionClassements des modèles de plongementClassement
Latence
0,005 $US1,07s
100,00 %
Latence
1,07s

P50, meilleur fournisseur

Disponibilité (3 j)Le modèle était joignable. Requête acheminée vers un fournisseur.
100,00 %
Disponibilité (3 j)Le modèle a renvoyé un résultat d’inférence, quel que soit le fournisseur. Les erreurs et les réponses vides sont comptabilisées à son détriment.
99,98 %

Disponibilité au cours des 3 derniers jours

72 dernières heures
Disponibilité 99,98 %
Il y a 3 joursIl y a 2 joursHierMaintenant

Disponibilité au cours des dernières 24 heures

OpenRouter Availability
100,00 %

Lorsqu’une erreur survient chez un fournisseur en amont, nous pouvons rétablir le service en routant la requête vers un autre fournisseur opérationnel, si les filtres de votre requête le permettent. Vous pouvez accéder par programmation aux données de disponibilité de chaque fournisseur via l’ API des points de terminaison. Découvrez nos options d’ équilibrage de charge et de routage des fournisseurs.

1.
Favicon de https://automation.socintelector.net/
SOC-Wazuh-fama-RAG-Embed
nouveau
1,96Bjetons
2.
Favicon de https://socintelector.net/
SOC-ADAudit-Intelector-RAG-Embed
nouveau
1,91Bjetons
3.
Favicon de https://sigint.local/
SIGINT CTI Parser
nouveau
10,5Mjetons
4.
Favicon de https://kilocode.ai/
Kilo Code
Kilo Code is an open-source AI coding agent that works across VS Code, JetBrains, and CLI to help developers ship code faster with agentic workflows.
2,47Mjetons
5.
Favicon de https://orbita.surf/
Orbita embedding benchmark
nouveau
1,62Mjetons

Questions fréquentes

The all-mpnet-base-v2 embedding model encodes sentences and short paragraphs into a 768-dimensional dense vector space, providing high-fidelity semantic embeddings well suited for tasks like information retrieval, clustering, similarity scoring, and text ranking.

all-mpnet-base-v2 coûte 0,005 $US/M tokens.

all-mpnet-base-v2 accepte jusqu’à 512 jetons par entrée. Les textes plus longs doivent être répartis sur plusieurs entrées.

all-mpnet-base-v2 accepte texte en entrée et renvoie vecteurs de plongement.

paraphrase-MiniLM-L6-v2, all-MiniLM-L12-v2, multi-qa-mpnet-base-dot-v1 et 1 de plus sont d’autres modèles de type plongement vectoriel de Sentence Transformers.

all-mpnet-base-v2 est sorti le 17 novembre 2025.

Autres modèles de sentence-transformers

paraphrase-MiniLM-L6-v2

The paraphrase-MiniLM-L6-v2 embedding model converts sentences and short paragraphs into a 384-dimensional dense vector space, producing high-quality semantic embeddings optimized for paraphrase detection, semantic similarity scoring, clustering, and lightweight retrieval tasks.

Plongements vectoriels0,005 $US/M tokens
all-MiniLM-L12-v2

The all-MiniLM-L12-v2 embedding model maps sentences and short paragraphs into a 384-dimensional dense vector space, producing efficient and high-quality semantic embeddings optimized for tasks such as semantic search, clustering, and similarity-scoring.

Plongements vectoriels0,005 $US/M tokens
multi-qa-mpnet-base-dot-v1

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.

Plongements vectoriels0,005 $US/M tokens
all-MiniLM-L6-v2

The all-MiniLM-L6-v2 embedding model maps sentences and short paragraphs into a 384-dimensional dense vector space, enabling high-quality semantic representations that are ideal for downstream tasks such as information retrieval, clustering, similarity scoring, and text ranking.

Plongements vectoriels0,005 $US/M tokens