Thenlper: GTE-Base

Thenlper : GTE-Base est un modèle d'embedding de Thenlper, listé sur api14 sous l'identifiant de modèle thenlper/gte-base. Il appartient à la catégorie des embeddings, ce n'est donc pas un modèle de chat ou de génération de texte. Son rôle est de transformer du texte en vecteurs qui représentent le sens, et le fournisseur le décrit comme encodant des phrases et des paragraphes en anglais dans un espace vectoriel dense de 768 dimensions. Il a été publié par le fournisseur le 2025-11-18.

Le modèle prend du texte comme seule entrée et renvoie des embeddings comme seule sortie. Sa longueur de contexte est de 512 tokens, et la sortie maximale est de 460. Dans cette fenêtre, il traite des phrases et des paragraphes, ce qui correspond à la description du fournisseur selon laquelle le modèle est optimisé pour la similarité textuelle, la recherche sémantique et le clustering. Comme la sortie est un vecteur plutôt que du texte généré, attendez-vous à recevoir des données d'embedding numériques à chaque appel, et non une réponse rédigée.

Ces capacités renvoient à un ensemble d'usages assez spécifique. La recherche sémantique est l'évidence : encodez vos documents une fois, encodez la requête au moment de la demande, puis classez par similarité vectorielle. Le clustering et le regroupement thématique découlent de la même propriété, puisque des textes proches par le sens finissent proches dans l'espace vectoriel. La similarité textuelle couvre aussi la déduplication, la détection de quasi-doublons et le calcul de scores de similarité entre deux textes en anglais. Les pipelines de retrieval qui alimentent un modèle de génération distinct sont un autre usage naturel, GTE-Base prenant en charge la partie retrieval.

Vous l'appelez via l'API compatible OpenAI d'api14 en utilisant l'identifiant de modèle thenlper/gte-base. Comme le point d'accès suit le format OpenAI, vous pouvez pointer un client OpenAI existant vers api14 et envoyer votre texte en entrée de la manière habituelle. Notez que ce modèle ne liste aucun paramètre pris en charge, il n'y a donc aucune option supplémentaire d'échantillonnage ou de génération à définir dans la requête. Gardez vos entrées dans la limite de contexte de 512 tokens, et traitez la réponse comme des vecteurs d'embedding plutôt que comme un contenu de message.

La principale contrainte à anticiper est la fenêtre de contexte de 512 tokens. Elle convient aux phrases et aux paragraphes, mais les documents longs devront être découpés en segments avant l'embedding, avec une stratégie de découpage choisie pour préserver le sens aux frontières. Si votre tâche est la génération de texte, le résumé ou tout usage conversationnel, un modèle d'embeddings n'est pas le bon outil et un modèle de chat conviendra mieux. GTE-Base est destiné au texte en anglais, les autres langues ne sont donc pas couvertes par la description du fournisseur.