Thenlper: GTE-Base

Thenlper: GTE-Base es un modelo de embeddings de Thenlper, listado en api14 bajo el id de modelo thenlper/gte-base. Se encuentra en la categoría de embeddings, por lo que no es un modelo de chat ni de generación de texto. Su función es convertir texto en vectores que representan significado, y el proveedor lo describe como la codificación de oraciones y párrafos en inglés en un espacio vectorial denso de 768 dimensiones. Fue lanzado por el proveedor el 2025-11-18.

El modelo toma texto como su única entrada y devuelve embeddings como su única salida. Su longitud de contexto es de 512 tokens, y la salida máxima es de 460. Dentro de esa ventana maneja oraciones y párrafos, lo que coincide con la descripción del proveedor del modelo como optimizado para similitud textual, búsqueda semántica y clustering. Debido a que la salida es un vector en lugar de texto generado, debes esperar datos numéricos de embedding de cada llamada, no una respuesta escrita.

Esas capacidades apuntan a un conjunto de usos bastante específico. La búsqueda semántica es la más obvia: genera embeddings de tus documentos una vez, genera el embedding de la consulta en el momento de la solicitud y clasifica por similitud vectorial. El clustering y la agrupación por temas se derivan de la misma propiedad, ya que los textos que son cercanos en significado terminan cercanos en el espacio vectorial. La similitud textual también cubre la deduplicación, la detección de casi duplicados y la construcción de puntuaciones de similitud entre dos fragmentos de texto en inglés. Los pipelines de recuperación que alimentan a un modelo de generación separado son otro encaje natural, con GTE-Base encargándose de la mitad de recuperación.

Lo llamas a través de la API compatible con OpenAI de api14 usando el id de modelo thenlper/gte-base. Debido a que el endpoint sigue el formato de OpenAI, puedes apuntar un cliente de OpenAI existente a api14 y enviar tu texto como entrada de la manera habitual. Ten en cuenta que este modelo no lista parámetros soportados, por lo que no hay opciones adicionales de muestreo o generación que configurar en la solicitud. Mantén tus entradas dentro del límite de contexto de 512 tokens, y trata la respuesta como vectores de embedding en lugar de contenido de mensaje.

La principal restricción a tener en cuenta es la ventana de contexto de 512 tokens. Es adecuada para oraciones y párrafos, pero los documentos largos deberán dividirse en fragmentos antes de generar los embeddings, con la estrategia de fragmentación elegida para preservar el significado entre los límites. Si tu tarea es generación de texto, resumen o cualquier cosa conversacional, un modelo de embeddings es la herramienta equivocada y un modelo de chat encajará mejor. GTE-Base está orientado a texto en inglés, por lo que otros idiomas no están cubiertos por la descripción del proveedor.