Thenlper: GTE-Base

Thenlper: GTE-Base adalah model embedding dari Thenlper, terdaftar di api14 dengan model id thenlper/gte-base. Model ini berada di kategori embeddings, jadi bukan model chat atau generasi teks. Tugasnya adalah mengubah teks menjadi vektor yang merepresentasikan makna, dan provider mendeskripsikannya sebagai model yang mengodekan kalimat dan paragraf bahasa Inggris ke dalam ruang vektor padat 768 dimensi. Model ini dirilis oleh provider pada 2025-11-18.

Model ini menerima teks sebagai satu-satunya input dan mengembalikan embeddings sebagai satu-satunya output. Panjang konteksnya adalah 512 token, dan output maksimumnya adalah 460. Dalam rentang tersebut model ini menangani kalimat dan paragraf, yang sesuai dengan deskripsi provider bahwa model ini dioptimalkan untuk kesamaan tekstual, pencarian semantik, dan clustering. Karena outputnya berupa vektor dan bukan teks yang dihasilkan, Anda sebaiknya mengharapkan data embedding numerik dari setiap panggilan, bukan jawaban tertulis.

Kemampuan tersebut mengarah ke serangkaian penggunaan yang cukup spesifik. Pencarian semantik adalah yang paling jelas: embed dokumen Anda sekali, embed query saat permintaan, lalu peringkatkan berdasarkan kesamaan vektor. Clustering dan pengelompokan topik mengikuti properti yang sama, karena teks yang berdekatan maknanya akan berdekatan pula dalam ruang vektor. Kesamaan tekstual juga mencakup deduplikasi, deteksi near-duplicate, dan pembuatan skor kesamaan antara dua potong teks bahasa Inggris. Pipeline retrieval yang memberi masukan ke model generasi terpisah juga cocok secara alami, dengan GTE-Base menangani bagian retrieval.

Anda memanggilnya melalui API yang kompatibel dengan OpenAI dari api14 menggunakan model id thenlper/gte-base. Karena endpoint ini mengikuti format OpenAI, Anda dapat mengarahkan klien OpenAI yang sudah ada ke api14 dan mengirim teks Anda sebagai input dengan cara yang biasa. Perhatikan bahwa model ini tidak mencantumkan parameter yang didukung, jadi tidak ada opsi sampling atau generasi tambahan yang perlu diatur pada permintaan. Jaga input Anda dalam batas konteks 512 token, dan perlakukan respons sebagai vektor embedding, bukan sebagai konten pesan.

Batasan utama yang perlu diperhitungkan adalah jendela konteks 512 token. Ini cocok untuk kalimat dan paragraf, tetapi dokumen panjang perlu dipecah menjadi potongan-potongan sebelum di-embed, dengan strategi pemotongan yang dipilih untuk menjaga makna di antara batas potongan. Jika tugas Anda adalah generasi teks, peringkasan, atau apa pun yang bersifat percakapan, model embeddings adalah alat yang salah dan model chat akan lebih cocok. GTE-Base ditujukan untuk teks bahasa Inggris, jadi bahasa lain tidak tercakup oleh deskripsi provider.