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

Sentence Transformers: multi-qa-mpnet-base-dot-v1 est un modèle d’embedding de 109 millions de paramètres, publié par Sentence Transformers le 18 novembre 2025. Fondé sur mpnet-base, il produit des vecteurs denses non normalisés de 768 dimensions avec pooling CLS.

Conçu pour la recherche sémantique, il a été entraîné sur environ 215 millions de paires question-réponse. Il peut encoder des requêtes, questions et paragraphes pour la recherche par produit scalaire, le RAG, la mesure de similarité et le clustering. La séquence est limitée à 512 word pieces, avec troncature au-delà.

Caractéristiques

Performances (benchmarks)

Scores issus de MTEB (Massive Text Embedding Benchmark), suite d'évaluation indépendante. Le rang situe le modèle parmi les modèles d'embedding évalués sur le même track.

Comment se situe-t-il ?

Le modèle (en orange) comparé aux meilleurs modèles sur chaque dimension évaluée, et à ses voisins de classement.

Tarifs

Prix en dollars US par million de tokens.

Sa tarification se situe 89 % en dessous de la moyenne des modèles d'embedding similaires.

Notre analyse

Forces. Son entraînement sur des paires question-réponse issues de sources diverses correspond directement aux besoins de mise en relation entre une requête et un passage. La représentation dense de 768 dimensions fournit un format commun pour indexer des paragraphes, rapprocher des contenus similaires et constituer des groupes thématiques. L’emploi du produit scalaire simplifie son intégration dans un moteur de recherche vectorielle compatible. Son tarif d’entrée minimal de 0,005 $ par million de tokens, situé 89 % sous la moyenne des modèles d’embedding similaires, en fait une option économique pour le traitement de volumes importants.

Limites et points d'attention. Sur le track MTEB Chemical, le modèle se place près du bas du classement, ce qui signale une qualité limitée pour les textes spécialisés en chimie. Les vecteurs ne sont pas normalisés, un point à intégrer dans la configuration du calcul de similarité. La limite de 512 word pieces impose une troncature des contenus plus longs, tandis que l’entraînement a porté sur des entrées allant jusqu’à 250 word pieces. Usages pertinents : recherche question-passage, RAG sur segments courts, similarité sémantique et clustering généraliste à coût réduit.

Sources des données : OpenRouter (openrouter.ai) · MTEB — Massive Text Embedding Benchmark · LLM-Stats (llm-stats.com).