Sentence Transformers: all-mpnet-base-v2 adalah model embedding dari Sentence Transformers, dan Thenlper: GTE-Base adalah model embedding dari Thenlper. Keduanya berada dalam kategori embeddings, yang berarti keduanya menerima teks sebagai input dan menghasilkan vektor sebagai output, bukan teks yang dihasilkan. Keduanya memiliki tujuan yang sangat mirip, dirilis berselang satu hari pada November 2025, dan keduanya ditujukan untuk pekerjaan yang sama: mengubah sepotong teks menjadi representasi numerik yang dapat Anda simpan, bandingkan, atau gunakan untuk pencarian.
Pada spesifikasi yang penting untuk perencanaan, keduanya secara efektif identik. Keduanya hanya menerima teks dan keduanya hanya mengembalikan embeddings, jadi tidak ada yang menangani gambar, audio, atau modalitas lain. Keduanya memiliki context window 512 token, yang merupakan batas atas yang sama, jadi tidak ada model di sini yang memungkinkan Anda melakukan embedding pada bagian teks yang lebih panjang dalam satu panggilan. Keduanya tidak mencantumkan parameter yang didukung, jadi Anda tidak memilih antara model yang mengekspos parameter tambahan dan yang tidak. Perbandingan kualitatif menandai harga input sebagai seri, dan bidang perbandingan lainnya要么 tidak berbeda secara signifikan要么 tidak diketahui, jadi tidak ada apa pun dalam fakta yang diberikan yang memisahkan keduanya berdasarkan kemampuan, konteks, atau tingkat biaya.
Hal ini membuat pilihan bergantung pada evaluasi Anda sendiri daripada pada daftar fitur. Karena kedua model sangat mirip dalam bentuknya, pendekatan yang masuk akal adalah memilih mana pun yang berperforma lebih baik pada data aktual Anda. Jika Anda membangun pencarian semantik, deduplikasi, pengelompokan, atau pengambilan atas potongan teks pendek, salah satu model dapat berfungsi sebagai encoder, dan faktor penentunya adalah seberapa baik vektornya memisahkan kueri dan dokumen spesifik Anda. Jalankan sampel pasangan nyata Anda melalui keduanya, bandingkan kualitas pengambilan atau urutan kemiripan, dan biarkan itu yang memutuskan. Jika Anda tidak memiliki sinyal yang kuat ke arah mana pun, keseragaman pada harga input berarti tidak ada argumen biaya yang mendorong Anda ke salah satunya.
Memanggil salah satu model melalui api14 adalah operasi yang sama. API-nya kompatibel dengan OpenAI, jadi Anda mengarahkan klien yang ada ke endpoint embeddings dan meneruskan teks yang ingin Anda encode. Satu-satunya hal yang berubah antara keduanya adalah model id: gunakan sentence-transformers/all-mpnet-base-v2 untuk model Sentence Transformers, atau thenlper/gte-base untuk model Thenlper. Semua hal lain dalam permintaan tetap seperti semula, yang membuat perpindahan antara keduanya menjadi perubahan satu baris dan membuat perbandingan berdampingan menjadi mudah.
Tidak ada kasus dalam fakta yang diberikan di mana satu model jelas merupakan pilihan yang lebih baik daripada yang lain. Keduanya berbagi panjang konteks yang sama, modalitas input dan output yang sama, ketiadaan parameter yang didukung yang sama, dan seri pada harga input. Jika nanti Anda menemukan bahwa salah satunya menangani domain Anda lebih baik, temuan itu akan berasal dari pengujian Anda sendiri, bukan dari perbedaan yang terdokumentasi antara keduanya.