Sentence Transformers: all-mpnet-base-v2 contre Thenlper: GTE-Base
Un comparatif côte à côte de Sentence Transformers: all-mpnet-base-v2 (0,02 $US / 1M jetons (≈ 0,02 €)) et Thenlper: GTE-Base (0,02 $US / 1M jetons (≈ 0,02 €)) d’après les prix actuels en USD et les capacités du catalogue api14. Les deux passent par la même API compatible OpenAI.
Caractéristiques
| Sentence Transformers: all-mpnet-base-v2 | Thenlper: GTE-Base | |
|---|---|---|
| Fournisseur | Sentence Transformers | Thenlper |
| Entrée | 0,02 $US / 1M jetons (≈ 0,02 €) | 0,02 $US / 1M jetons (≈ 0,02 €) |
| Fenêtre de contexte | 512 | 512 |
| Sortie max. | 460 | 460 |
| Entrée | text | text |
| Sortie | embeddings | embeddings |
| Appel d’outils | ||
| Sortie structurée | ||
| Contrôle du raisonnement | ||
| Ajouté le | 17 nov. 2025 | 18 nov. 2025 |
Principales différences
- Les deux ont à peu près le même prix en entrée.
En détail
Sentence Transformers : all-mpnet-base-v2 est un modèle d'embedding de Sentence Transformers, et Thenlper : GTE-Base est un modèle d'embedding de Thenlper. Les deux se situent dans la catégorie des embeddings, ce qui signifie qu'ils prennent du texte en entrée et renvoient des vecteurs plutôt que du texte généré. Ce sont des quasi-frères par leur objectif, publiés à un jour d'intervalle en novembre 2025, et ils visent le même travail : transformer un morceau de texte en une représentation numérique que vous pouvez stocker, comparer ou utiliser pour la recherche.
Sur les caractéristiques qui comptent pour la planification, les deux sont pratiquement identiques. Tous deux acceptent uniquement du texte et ne renvoient que des embeddings, donc aucun ne gère les images, l'audio ou toute autre modalité. Tous deux ont une fenêtre de contexte de 512 tokens, soit le même plafond, donc aucun modèle ici ne vous permet d'encoder des passages plus longs en un seul appel. Aucun ne liste de paramètres pris en charge, donc vous ne choisissez pas entre un modèle qui expose des réglages supplémentaires et un qui n'en expose pas. La comparaison qualitative marque le prix d'entrée comme une égalité, et les autres champs de comparaison sont soit sans différence significative, soit inconnus, donc rien dans les faits fournis ne les sépare en termes de capacité, de contexte ou de niveau de coût.
Cela laisse le choix reposer sur votre propre évaluation plutôt que sur une liste de caractéristiques. Comme les deux modèles sont si proches en forme, l'approche raisonnable est de choisir celui qui performe le mieux sur vos données réelles. Si vous construisez de la recherche sémantique, de la déduplication, du clustering ou de la récupération sur de courts segments de texte, l'un ou l'autre modèle peut servir d'encodeur, et le facteur décisif sera la façon dont ses vecteurs séparent vos requêtes et documents particuliers. Faites passer un échantillon de vos vraies paires dans les deux, comparez la qualité de récupération ou l'ordre de similarité, et laissez cela décider. Si vous n'avez pas de signal fort dans un sens ou dans l'autre, l'égalité sur le prix d'entrée signifie qu'aucun argument de coût ne vous pousse vers l'un plutôt que vers l'autre.
Appeler l'un ou l'autre modèle via api14 est la même opération. L'API est compatible OpenAI, donc vous pointez votre client existant vers l'endpoint embeddings et passez le texte que vous voulez encoder. La seule chose qui change entre les deux est l'identifiant du modèle : utilisez sentence-transformers/all-mpnet-base-v2 pour le modèle Sentence Transformers, ou thenlper/gte-base pour le modèle Thenlper. Tout le reste dans la requête reste tel quel, ce qui fait du passage de l'un à l'autre un changement d'une ligne et rend la comparaison côte à côte simple.
Il n'y a aucun cas dans les faits fournis où un modèle est clairement le meilleur choix par rapport à l'autre. Ils partagent la même longueur de contexte, les mêmes modalités d'entrée et de sortie, la même absence de paramètres pris en charge, et une égalité sur le prix d'entrée. Si vous découvrez plus tard que l'un gère mieux votre domaine, cette conclusion viendra de vos propres tests, pas d'une différence documentée entre les deux.
Changer de modèle en une chaîne
Les deux modèles utilisent le même endpoint et la même structure de requête. Remplacez la valeur de model "sentence-transformers/all-mpnet-base-v2" par "thenlper/gte-base" : prompts, streaming et outils continuent de fonctionner.
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));
Plus de comparatifs
- Amazon: Titan Multimodal Embeddings G1 contre Amazon: Titan Embeddings G1 - Text
- Amazon: Titan Multimodal Embeddings G1 contre Amazon: Titan Text Embeddings V2
- Amazon: Titan Multimodal Embeddings G1 contre Cohere: Embed 5 Fast
- Amazon: Titan Multimodal Embeddings G1 contre Cohere: Embed 5 Pro
- Amazon: Titan Embeddings G1 - Text contre Amazon: Titan Text Embeddings V2
- Amazon: Titan Embeddings G1 - Text contre Cohere: Embed 5 Fast
- Amazon: Titan Embeddings G1 - Text contre Cohere: Embed 5 Pro
- Amazon: Titan Text Embeddings V2 contre Cohere: Embed 5 Fast