LiquidAI: LFM2.5-Embedding-350M (free)

LiquidAI veröffentlicht LFM2.5-Embedding-350M, ein Text-Embedding-Modell von Liquid AI, das auf api14 unter der Modell-ID liquid/lfm-2.5-embedding-350m:free angeboten wird. Es gehört zur Kategorie Embeddings und nicht zur Kategorie Chat, ist also kein konversationelles Modell und erzeugt keine Prosatext-Antworten. Seine einzige Aufgabe ist es, Text in einen Vektor umzuwandeln, der Bedeutung repräsentiert, was es zu einem Baustein für andere Systeme macht statt zu einem Endpunkt, mit dem Nutzer direkt sprechen. Der Anbieter hat es am 2026-08-18 veröffentlicht.

Das Modell akzeptiert Text als einzige Eingabe und liefert Embeddings als einzige Ausgabe. Es erzeugt 1.024-dimensionale Vektoren, eine Größe, die ohne besondere Behandlung problemlos in die meisten Vektor-Speicher und Ähnlichkeitssuch-Bibliotheken passt. Sein Kontextfenster beträgt 512 Token, und die maximale Ausgabe ist 460, was sich im Embedding-Kontext auf die zurückgegebene Vektorrepräsentation bezieht und nicht auf generierten Text. Da das Fenster recht klein ist, sollten Eingaben auf die Passage, den Satz oder den kurzen Dokumentabschnitt gekürzt werden, der tatsächlich repräsentiert werden soll, und längeres Material sollte aufgeteilt werden, bevor es das Modell erreicht.

Diese Eigenschaften deuten auf einige praktische Anwendungen hin. Retrieval Augmented Generation ist die offensichtliche: Betten Sie Ihre Dokumentabschnitte einmal ein, betten Sie die eingehende Frage zur Abfragezeit ein und holen Sie die nächstgelegenen Abschnitte per Vektorähnlichkeit zurück. Semantische Suche über einen Produktkatalog, Support-Artikel oder interne Notizen funktioniert genauso, da das Modell auf Bedeutung statt auf exakte Schlüsselwörter abgleicht. Aufgaben zur Deduplizierung und zum Clustering folgen ebenfalls, bei denen Sie nahezu identische Texte durch Vergleich ihrer Vektoren gruppieren oder zusammenfassen. Klassifikation mit einem leichten Head auf den Embeddings ist eine weitere Option, ebenso wie das Reranking von Kandidatenergebnissen, bevor sie an ein Chat-Modell gesendet werden.

Der Aufruf über api14 bedeutet, eine Anfrage an den OpenAI-kompatiblen Endpunkt zu senden, wobei das Modell auf liquid/lfm-2.5-embedding-350m:free gesetzt ist. Wenn Sie bereits eine OpenAI-Client-Bibliothek verwenden, richten Sie deren Basis-URL auf api14 und behalten Sie die gleiche Aufrufstruktur für Embeddings bei. Beachten Sie, dass das Modell keine unterstützten Parameter auflistet, sodass zusätzliche Tuning-Flags wie Anpassungen von dimensions oder encoding format nicht verfügbar sind; senden Sie Ihren Eingabetext und lesen Sie den Vektor aus der Antwort zurück. Halten Sie jede Anfrage innerhalb des 512-Token-Fensters, um eine Kürzung des Textes zu vermeiden, den Sie repräsentieren möchten.

Da das Kontextfenster 512 Token beträgt und keine Parameter offengelegt werden, eignet sich dieses Modell für kurzen, gut segmentierten Text statt für ganze Dokumente oder lange Konversationen. Wenn Sie große Blöcke in einem Durchgang einbetten müssen oder Kontrolle über die Vektorgröße oder andere Anfrageoptionen benötigen, passt ein anderes Embedding-Modell besser. Für unkompliziertes Retrieval auf Satz- und Absatzebene bei kurzen Eingaben deckt es die Aufgabe ab.