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

LiquidAI publie LFM2.5-Embedding-350M, un modèle d'embedding de texte de Liquid AI proposé sur api14 sous l'identifiant de modèle liquid/lfm-2.5-embedding-350m:free. Il se situe dans la catégorie embeddings plutôt que dans la catégorie chat, ce n'est donc pas un modèle conversationnel et il ne génère pas de réponses en prose. Son unique rôle est de transformer du texte en un vecteur qui représente le sens, ce qui en fait une brique de base pour d'autres systèmes plutôt qu'un point de terminaison auquel les utilisateurs parlent directement. Le fournisseur l'a publié le 2026-08-18.

Le modèle accepte du texte comme seule entrée et renvoie des embeddings comme seule sortie. Il produit des vecteurs de 1 024 dimensions, une taille qui s'intègre sans problème dans la plupart des bases vectorielles et des bibliothèques de recherche par similarité sans traitement particulier. Sa fenêtre de contexte est de 512 tokens, et la sortie maximale est de 460, ce qui, en termes d'embedding, concerne la représentation vectorielle renvoyée plutôt que du texte généré. Comme la fenêtre est assez petite, les entrées doivent être réduites au passage, à la phrase ou à la courte section de document que vous voulez réellement représenter, et les contenus plus longs doivent être découpés avant d'atteindre le modèle.

Ces caractéristiques indiquent quelques usages pratiques. La génération augmentée par récupération est l'évidence : intégrez vos segments de documents une fois, intégrez la question entrante au moment de la requête, puis récupérez les segments les plus proches par similarité vectorielle. La recherche sémantique sur un catalogue de produits, des articles d'assistance ou des notes internes fonctionne de la même manière, puisque le modèle fait correspondre le sens plutôt que des mots-clés exacts. Les tâches de déduplication et de regroupement suivent également, où vous regroupez ou fusionnez des textes quasi identiques en comparant leurs vecteurs. La classification avec une tête légère au-dessus des embeddings est une autre option, tout comme le reranking des résultats candidats avant de les envoyer à un modèle de chat.

L'appeler via api14 signifie envoyer une requête au point de terminaison compatible OpenAI avec le modèle défini sur liquid/lfm-2.5-embedding-350m:free. Si vous utilisez déjà une bibliothèque cliente OpenAI, pointez son URL de base vers api14 et conservez la même forme d'appel embeddings. Notez que le modèle ne liste aucun paramètre pris en charge, donc des indicateurs de réglage supplémentaires tels que des ajustements de dimensions ou de format d'encodage ne sont pas disponibles ; envoyez votre texte d'entrée et lisez le vecteur dans la réponse. Gardez chaque requête dans la fenêtre de 512 tokens pour éviter la troncature du texte que vous essayez de représenter.

Comme la fenêtre de contexte est de 512 tokens et qu'aucun paramètre n'est exposé, ce modèle convient à du texte court et bien segmenté plutôt qu'à des documents entiers ou de longues conversations. Si vous devez intégrer de grands blocs en une seule passe, ou si vous avez besoin de contrôler la taille des vecteurs ou d'autres options de requête, un autre modèle d'embedding conviendra mieux. Pour une récupération simple au niveau des phrases et des paragraphes sur des entrées courtes, il fait le travail.