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

LiquidAI ने LFM2.5-Embedding-350M प्रकाशित किया है, जो Liquid AI का एक टेक्स्ट एम्बेडिंग मॉडल है और api14 पर मॉडल आईडी liquid/lfm-2.5-embedding-350m:free के तहत उपलब्ध कराया गया है। यह चैट श्रेणी के बजाय एम्बेडिंग्स श्रेणी में आता है, इसलिए यह संवादात्मक मॉडल नहीं है और गद्यात्मक उत्तर उत्पन्न नहीं करता। इसका एकमात्र काम टेक्स्ट को एक वेक्टर में बदलना है जो अर्थ का प्रतिनिधित्व करता है, जिससे यह अन्य प्रणालियों के लिए एक निर्माण खंड बन जाता है, न कि ऐसा एंडपॉइंट जिससे उपयोगकर्ता सीधे बात करते हैं। प्रदाता ने इसे 2026-08-18 को जारी किया।

मॉडल इनपुट के रूप में केवल टेक्स्ट स्वीकार करता है और आउटपुट के रूप में केवल एम्बेडिंग्स लौटाता है। यह 1,024-आयामी वेक्टर उत्पन्न करता है, ऐसा आकार जो विशेष प्रबंधन के बिना अधिकांश वेक्टर स्टोर और समानता खोज लाइब्रेरी में आसानी से फिट हो जाता है। इसकी कॉन्टेक्स्ट विंडो 512 टोकन है, और अधिकतम आउटपुट 460 है, जो एम्बेडिंग के संदर्भ में उत्पन्न टेक्स्ट के बजाय लौटाए गए वेक्टर प्रतिनिधित्व से संबंधित है। चूंकि विंडो काफी छोटी है, इनपुट को उस पैसेज, वाक्य, या छोटे दस्तावेज़ अनुभाग तक सीमित किया जाना चाहिए जिसे आप वास्तव में प्रतिनिधित्व करना चाहते हैं, और लंबी सामग्री को मॉडल तक पहुंचने से पहले विभाजित किया जाना चाहिए।

ये विशेषताएँ कुछ व्यावहारिक उपयोगों की ओर संकेत करती हैं। रिट्रीवल ऑगमेंटेड जनरेशन स्पष्ट उपयोग है: अपने दस्तावेज़ चंक्स को एक बार एम्बेड करें, क्वेरी के समय आने वाले प्रश्न को एम्बेड करें, और वेक्टर समानता के आधार पर निकटतम चंक्स वापस लाएँ। किसी उत्पाद कैटलॉग, सहायता लेखों, या आंतरिक नोट्स पर सिमेंटिक खोज उसी तरह काम करती है, क्योंकि मॉडल सटीक कीवर्ड के बजाय अर्थ पर मेल करता है। डिडुप्लीकेशन और क्लस्टरिंग कार्य भी इसके बाद आते हैं, जहाँ आप उनके वेक्टर की तुलना करके लगभग समान टेक्स्ट को समूहित या संक्षिप्त करते हैं। एम्बेडिंग्स के ऊपर एक हल्के हेड के साथ वर्गीकरण एक अन्य विकल्प है, जैसा कि उम्मीदवार परिणामों को चैट मॉडल को भेजने से पहले उन्हें रीरैंक करना है।

api14 के माध्यम से इसे कॉल करने का मतलब है OpenAI-संगत एंडपॉइंट पर एक अनुरोध भेजना जिसमें मॉडल liquid/lfm-2.5-embedding-350m:free पर सेट हो। यदि आप पहले से ही OpenAI क्लाइंट लाइब्रेरी का उपयोग करते हैं, तो उसका बेस URL api14 पर इंगित करें और वही एम्बेडिंग्स कॉल आकार बनाए रखें। ध्यान दें कि मॉडल कोई समर्थित पैरामीटर सूचीबद्ध नहीं करता, इसलिए dimensions या encoding format समायोजन जैसे अतिरिक्त ट्यूनिंग फ्लैग उपलब्ध नहीं हैं; अपना इनपुट टेक्स्ट भेजें और प्रतिक्रिया से वेक्टर पढ़ें। प्रत्येक अनुरोध को 512-टोकन विंडो के भीतर रखें ताकि जिस टेक्स्ट का आप प्रतिनिधित्व करने का प्रयास कर रहे हैं उसका ट्रंकेशन न हो।

चूंकि कॉन्टेक्स्ट विंडो 512 टोकन है और कोई पैरामीटर उजागर नहीं किए गए हैं, यह मॉडल पूरे दस्तावेज़ों या लंबी बातचीत के बजाय छोटे, अच्छी तरह से विभाजित टेक्स्ट के लिए उपयुक्त है। यदि आपको बड़े ब्लॉक को एक ही पास में एम्बेड करने की आवश्यकता है, या आपको वेक्टर आकार या अन्य अनुरोध विकल्पों पर नियंत्रण चाहिए, तो एक अलग एम्बेडिंग मॉडल बेहतर फिट होगा। छोटे इनपुट पर सीधे वाक्य और पैराग्राफ स्तर की रिट्रीवल के लिए, यह काम को पूरा करता है।