Sentence Transformers: all-MiniLM-L6-v2 vs. Sentence Transformers: all-mpnet-base-v2
Ein direkter Vergleich von Sentence Transformers: all-MiniLM-L6-v2 (0,02 $ / 1 Mio. Tokens (≈ 0,02 €)) und Sentence Transformers: all-mpnet-base-v2 (0,02 $ / 1 Mio. Tokens (≈ 0,02 €)) mit aktuellen USD-Preisen und Funktionen aus dem api14-Katalog. Beide laufen über dieselbe OpenAI-kompatible API.
Technische Daten
| Sentence Transformers: all-MiniLM-L6-v2 | Sentence Transformers: all-mpnet-base-v2 | |
|---|---|---|
| Anbieter | Sentence Transformers | Sentence Transformers |
| Eingabe | 0,02 $ / 1 Mio. Tokens (≈ 0,02 €) | 0,02 $ / 1 Mio. Tokens (≈ 0,02 €) |
| Kontextfenster | 512 | 512 |
| Max. Ausgabe | 460 | 460 |
| Eingabe | text | text |
| Ausgabe | embeddings | embeddings |
| Tool Calling | ||
| Strukturierte Ausgabe | ||
| Reasoning-Steuerung | ||
| Hinzugefügt | 17.11.2025 | 17.11.2025 |
Die wichtigsten Unterschiede
- Beide haben etwa denselben Eingabepreis.
Im Detail
Sentence Transformers: all-MiniLM-L6-v2 und Sentence Transformers: all-mpnet-base-v2 sind beides Embedding-Modelle, die von Sentence Transformers veröffentlicht wurden, demselben Anbieter, und beide tragen ein Anbieter-Veröffentlichungsdatum von 2025-11-17. Keines von beiden ist ein Chat- oder Textgenerierungsmodell. Beide fallen in die Kategorie Embeddings, was bedeutet, dass man Text hineinschickt und Vektoren zurückbekommt, und man verwendet diese Vektoren für Suche, Clustering, Deduplizierung, Klassifikation oder alles andere, was auf der Messung von Ähnlichkeit zwischen Textstücken beruht. Sie werden als zwei separate Modell-IDs auf api14 angeboten, und die Wahl zwischen ihnen hängt davon ab, wie viel Qualität man von den Vektoren benötigt, gegenüber wie viel Rechenleistung und Latenz man bereit ist, für deren Erzeugung aufzuwenden.
In den veröffentlichten Spezifikationen sehen die beiden Modelle identisch aus. Beide akzeptieren Text als ihre einzige Eingabemodalität und beide geben Embeddings als ihre einzige Ausgabemodalität zurück. Beide haben eine Kontextlänge von 512 Tokens, sodass keines einen längeren Abschnitt als das andere aufnehmen kann, und alles, was über dieses Limit hinausgeht, muss aufgeteilt werden, bevor man es sendet. Keines der Modelle legt unterstützte Parameter offen, es gibt also keine Sampling- oder Generierungskonfiguration zum Abstimmen. Der qualitative Vergleich markiert auch den Eingabepreis als Gleichstand, was bedeutet, dass die beiden etwa gleich viel pro Aufruf kosten, und er verzeichnet keinen bedeutsamen Unterschied bei Kontextgröße, Tool-Nutzung, strukturierter Ausgabe oder Reasoning. Mit anderen Worten, nichts in den aufgelisteten Fakten trennt sie bei Fenstergröße, Modalität oder Funktionsumfang.
Damit ruht die praktische Entscheidung auf dem allgemeinen Charakter der beiden Architekturen statt auf irgendeinem aufgelisteten Benchmark. MiniLM-Modelle sind die leichtere Option, und mpnet-base-Modelle sind die schwerere, was typischerweise bedeutet, dass die mpnet-Variante reichere Embeddings zu höheren Rechenkosten pro Anfrage erzeugt. Wenn man einen sehr großen Korpus einbettet, auf eingeschränkter Hardware läuft oder die niedrigstmögliche Latenz in einem Live-Suchpfad benötigt, ist das MiniLM-Modell die vernünftige Standardwahl. Wenn Embedding-Qualität wichtiger ist als Durchsatz, zum Beispiel wenn man einen Retrieval-Index aufbaut, bei dem ein kleiner Genauigkeitsgewinn sich über viele Abfragen hinweg summiert, oder wenn die nachgelagerte Aufgabe empfindlich auf subtile semantische Unterscheidungen reagiert, ist das mpnet-Modell der bessere Kandidat. Da der Eingabepreis ein Gleichstand ist, geht es bei dem Kompromiss hauptsächlich um Geschwindigkeit und Ressourcennutzung, nicht darum, welches pro Aufruf mehr kostet.
Beide Modelle über api14 aufzurufen funktioniert auf dieselbe Weise, weil das Gateway eine OpenAI-kompatible API bereitstellt. Man richtet seinen vorhandenen Client auf die api14-Basis-URL, sendet seinen Text an den Embeddings-Endpunkt und setzt das Feld model entweder auf "sentence-transformers/all-minilm-l6-v2" oder auf "sentence-transformers/all-mpnet-base-v2". Sonst ändert sich nichts in der Anfrage: dieselbe Authentifizierung, dieselbe Anfrageform, dieselbe Antwortform mit dem Vektor im Feld embedding. Zwischen den beiden zu wechseln ist eine einzeilige Änderung der Modell-ID, sodass man beide gegen die eigenen Daten benchmarken und das passende auswählen kann, oder verschiedene Arbeitslasten auf verschiedene IDs routen kann, ohne die Integration neu zu schreiben.
Wechseln mit einem String
Beide Modelle nutzen denselben Endpunkt und dieselbe Anfragestruktur. Ändern Sie den model-Wert von "sentence-transformers/all-minilm-l6-v2" auf "sentence-transformers/all-mpnet-base-v2", Prompts, Streaming und Tools funktionieren weiter.
import OpenAI from "openai";
const client = new OpenAI({
baseURL: "https://api14.com/api/v1",
apiKey: process.env.API14_API_KEY,
});
const result = await client.embeddings.create({
"model": "sentence-transformers/all-mpnet-base-v2",
"input": [
"The quick brown fox",
"Lorem ipsum"
]
});
console.log(result.data.map((d) => d.embedding.length));
Weitere Vergleiche
- Amazon: Titan Multimodal Embeddings G1 vs. Amazon: Titan Embeddings G1 - Text
- Amazon: Titan Multimodal Embeddings G1 vs. Amazon: Titan Text Embeddings V2
- Amazon: Titan Multimodal Embeddings G1 vs. Cohere: Embed 5 Fast
- Amazon: Titan Multimodal Embeddings G1 vs. Cohere: Embed 5 Pro
- Amazon: Titan Embeddings G1 - Text vs. Amazon: Titan Text Embeddings V2
- Amazon: Titan Embeddings G1 - Text vs. Cohere: Embed 5 Fast
- Amazon: Titan Embeddings G1 - Text vs. Cohere: Embed 5 Pro
- Amazon: Titan Text Embeddings V2 vs. Cohere: Embed 5 Fast