Intfloat: E5-Base-v2

Intfloat: E5-Base-v2 adalah model embedding dari Intfloat, terdaftar di api14 dengan model id intfloat/e5-base-v2. Model ini berada dalam kategori embeddings, yang berarti model ini bukan model chat atau generasi teks. Alih-alih menghasilkan balasan, model ini mengubah teks menjadi vektor yang dapat Anda simpan, bandingkan, dan telusuri. Tanggal rilis penyedia yang tercatat untuknya adalah 2025-11-18.

Model ini menerima teks sebagai satu-satunya input dan mengembalikan embeddings sebagai satu-satunya output. Model ini mengodekan kalimat dan paragraf bahasa Inggris ke dalam ruang vektor padat 768 dimensi, dan penyedia mendeskripsikan hasilnya sebagai embeddings semantik yang efisien dan berkualitas tinggi. Jendela konteksnya adalah 512 token, jadi setiap permintaan harus berisi satu passage atau query yang muat dalam batas tersebut. Output maksimumnya adalah 460, yang dalam praktiknya membatasi ukuran unit teks yang Anda kirim dalam satu panggilan. Tidak ada parameter tambahan yang didukung di luar field permintaan inti, jadi Anda tidak dapat menyetel perilakunya dengan opsi gaya sampling seperti yang Anda lakukan pada model generatif.

Karakteristik tersebut mengarah pada serangkaian penggunaan yang cukup spesifik. Pencarian semantik adalah yang paling jelas: embed dokumen Anda sekali, embed query pengguna saat permintaan, lalu peringkatkan berdasarkan kemiripan vektor. Mekanisme yang sama mencakup penilaian kemiripan antara dua bagian teks, deduplikasi record yang hampir identik, pengelompokan kalimat atau paragraf, dan langkah retrieval dalam pipeline RAG tempat Anda memerlukan embedding bahasa Inggris yang ringkas untuk mengambil kandidat passage sebelum menyerahkannya ke model generasi. Karena vektornya padat dan berdimensi 768, vektor tersebut bekerja dengan vector store standar dan perkakas cosine similarity tanpa penanganan khusus.

Anda memanggilnya melalui API yang kompatibel dengan OpenAI dari api14 menggunakan model id intfloat/e5-base-v2. Karena antarmukanya mengikuti bentuk embeddings OpenAI, Anda mengirim teks di field input dan membaca vektor kembali dari respons, sehingga pustaka klien OpenAI dan pipeline embedding yang ada umumnya hanya perlu mengubah base URL dan model id. Model ini tidak mendukung parameter tambahan, jadi batasi permintaan pada hal-hal esensial dan hindari memberikan opsi penyetelan yang tidak berpengaruh di sini.

Kendala utama yang perlu diperhitungkan adalah konteks 512 token. Dokumen panjang perlu dipecah menjadi chunk sebelum di-embed, dan apa pun di luar bahasa Inggris berada di luar cakupan deskripsi penyedia. Jika tugas Anda adalah menghasilkan teks, bukan merepresentasikannya, model chat atau completion adalah pilihan yang tepat; E5-Base-v2 paling baik diperlakukan sebagai komponen retrieval dan kemiripan dari sistem yang lebih besar.