Sentence Transformers: all-mpnet-base-v2 vs. Thenlper: GTE-Base
Ein direkter Vergleich von Sentence Transformers: all-mpnet-base-v2 (0,02 $ / 1 Mio. Tokens (≈ 0,02 €)) und Thenlper: GTE-Base (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-mpnet-base-v2 | Thenlper: GTE-Base | |
|---|---|---|
| Anbieter | Sentence Transformers | Thenlper |
| 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 | 18.11.2025 |
Die wichtigsten Unterschiede
- Beide haben etwa denselben Eingabepreis.
Im Detail
Sentence Transformers: all-mpnet-base-v2 ist ein Embedding-Modell von Sentence Transformers, und Thenlper: GTE-Base ist ein Embedding-Modell von Thenlper. Beide gehören zur Kategorie Embeddings, das heißt, sie nehmen Text entgegen und geben Vektoren aus, statt generierten Text. Sie sind enge Geschwister im Zweck, einen Tag auseinander im November 2025 veröffentlicht, und sie zielen auf dieselbe Aufgabe ab: ein Stück Text in eine numerische Darstellung umzuwandeln, die Sie speichern, vergleichen oder durchsuchen können.
Bei den Spezifikationen, die für die Planung wichtig sind, sind die beiden effektiv identisch. Beide akzeptieren nur Text und beide geben nur Embeddings zurück, sodass keines von beiden Bilder, Audio oder eine andere Modalität verarbeitet. Beide haben ein Kontextfenster von 512 Token, was dieselbe Obergrenze ist, es gibt hier also kein Modell, mit dem Sie längere Passagen in einem einzigen Aufruf einbetten können. Keines listet unterstützte Parameter auf, Sie wählen also nicht zwischen einem, das zusätzliche Stellschrauben offenlegt, und einem, das dies nicht tut. Der qualitative Vergleich markiert den Eingabepreis als Gleichstand, und die übrigen Vergleichsfelder sind entweder nicht sinnvoll unterschiedlich oder unbekannt, sodass nichts in den gelieferten Fakten sie bei Fähigkeit, Kontext oder Kostenstufe trennt.
Damit ruht die Wahl auf Ihrer eigenen Bewertung statt auf einer Funktionsliste. Weil die beiden Modelle in ihrer Form so ähnlich sind, ist der sinnvolle Ansatz, dasjenige zu wählen, das auf Ihren tatsächlichen Daten besser abschneidet. Wenn Sie semantische Suche, Deduplizierung, Clustering oder Retrieval über kurze Textabschnitte aufbauen, kann jedes der beiden Modelle als Encoder dienen, und der entscheidende Faktor wird sein, wie gut seine Vektoren Ihre speziellen Anfragen und Dokumente trennen. Lassen Sie eine Stichprobe Ihrer echten Paare durch beide laufen, vergleichen Sie die Retrieval-Qualität oder die Ähnlichkeitsreihenfolge, und lassen Sie das entscheiden. Wenn Sie kein starkes Signal in die eine oder andere Richtung haben, bedeutet der Gleichstand beim Eingabepreis, dass es kein Kostenargument gibt, das Sie zu einem von beiden hinzieht.
Beide Modelle über api14 aufzurufen ist dieselbe Operation. Die API ist OpenAI-kompatibel, Sie richten also Ihren vorhandenen Client auf den Embeddings-Endpunkt und übergeben den Text, den Sie kodieren möchten. Das Einzige, was sich zwischen den beiden ändert, ist die Modell-ID: Verwenden Sie sentence-transformers/all-mpnet-base-v2 für das Sentence Transformers Modell oder thenlper/gte-base für das Thenlper Modell. Alles andere in der Anfrage bleibt wie es ist, was das Umschalten zwischen ihnen zu einer Einzeilen-Änderung macht und einen direkten Vergleich unkompliziert ermöglicht.
Es gibt in den gelieferten Fakten keinen Fall, in dem ein Modell eindeutig die bessere Wahl gegenüber dem anderen ist. Sie teilen dieselbe Kontextlänge, dieselben Eingabe- und Ausgabemodalitäten, dasselbe Fehlen unterstützter Parameter und einen Gleichstand beim Eingabepreis. Wenn Sie später feststellen, dass eines Ihre Domäne besser handhabt, wird diese Erkenntnis aus Ihrem eigenen Testen stammen, nicht aus einem dokumentierten Unterschied zwischen den beiden.
Wechseln mit einem String
Beide Modelle nutzen denselben Endpunkt und dieselbe Anfragestruktur. Ändern Sie den model-Wert von "sentence-transformers/all-mpnet-base-v2" auf "thenlper/gte-base", 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": "thenlper/gte-base",
"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