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

LiquidAI publica LFM2.5-Embedding-350M, un modelo de embeddings de texto de Liquid AI que se ofrece en api14 bajo el id de modelo liquid/lfm-2.5-embedding-350m:free. Se sitúa en la categoría de embeddings en lugar de la categoría de chat, por lo que no es un modelo conversacional y no genera respuestas en prosa. Su única función es convertir texto en un vector que representa significado, lo que lo convierte en un componente básico para otros sistemas en lugar de un endpoint con el que los usuarios hablan directamente. El proveedor lo publicó el 2026-08-18.

El modelo acepta texto como su única entrada y devuelve embeddings como su única salida. Produce vectores de 1.024 dimensiones, un tamaño que encaja cómodamente en la mayoría de los almacenes de vectores y librerías de búsqueda por similitud sin necesidad de un tratamiento especial. Su ventana de contexto es de 512 tokens, y la salida máxima es de 460, lo que en términos de embeddings se relaciona con la representación vectorial devuelta en lugar de con texto generado. Dado que la ventana es bastante pequeña, las entradas deben recortarse al pasaje, la frase o la sección corta de documento que realmente se quiera representar, y el material más largo debe dividirse antes de que llegue al modelo.

Esas características apuntan a unos cuantos usos prácticos. La generación aumentada por recuperación es el más obvio: incrusta tus fragmentos de documento una vez, incrusta la pregunta entrante en el momento de la consulta y recupera los fragmentos más cercanos por similitud vectorial. La búsqueda semántica sobre un catálogo de productos, artículos de soporte o notas internas funciona igual, ya que el modelo coincide por significado en lugar de por palabras clave exactas. También se derivan tareas de deduplicación y agrupamiento, en las que agrupas o colapsas textos casi idénticos comparando sus vectores. La clasificación con una cabeza ligera sobre los embeddings es otra opción, al igual que el reranking de resultados candidatos antes de enviarlos a un modelo de chat.

Llamarlo a través de api14 significa enviar una solicitud al endpoint compatible con OpenAI con el modelo establecido en liquid/lfm-2.5-embedding-350m:free. Si ya usas una librería cliente de OpenAI, apunta su URL base a api14 y mantén la misma forma de llamada de embeddings. Ten en cuenta que el modelo no lista parámetros soportados, por lo que no están disponibles indicadores de ajuste adicionales como ajustes de dimensions o de encoding format; envía tu texto de entrada y lee el vector devuelto en la respuesta. Mantén cada solicitud dentro de la ventana de 512 tokens para evitar el truncamiento del texto que intentas representar.

Dado que la ventana de contexto es de 512 tokens y no se expone ningún parámetro, este modelo es adecuado para texto corto y bien segmentado en lugar de documentos completos o conversaciones largas. Si necesitas incrustar bloques grandes en una sola pasada, o necesitas control sobre el tamaño del vector u otras opciones de solicitud, un modelo de embeddings diferente encajará mejor. Para recuperación sencilla a nivel de frase y párrafo en entradas cortas, cubre la tarea.