Usiamo i cookie. Cookie e memoria del browser ti mantengono connesso e ricordano le tue preferenze. Con il tuo consenso misuriamo anche come viene usato il sito. Puoi in qualsiasi momento. Consulta la nostra cookie policy.

Sei nuovo? Scopri come funziona Un tour di 1 minuto tra banco di prova, modelli e la tua chiave API.

all-mpnet-base-v2 vs GTE-Base: prezzo API, contesto e funzionalità · api14

Sentence Transformers: all-mpnet-base-v2 contro Thenlper: GTE-Base

Un confronto fianco a fianco tra Sentence Transformers: all-mpnet-base-v2 (0,02 USD / 1M token (≈ 0,02 €)) e Thenlper: GTE-Base (0,02 USD / 1M token (≈ 0,02 €)) con i prezzi in USD e le funzionalità aggiornati dal catalogo di api14. Entrambi funzionano con la stessa API compatibile OpenAI.

Specifiche

	Sentence Transformers: all-mpnet-base-v2	Thenlper: GTE-Base
Fornitore	Sentence Transformers	Thenlper
Ingresso	0,02 USD / 1M token (≈ 0,02 €)	0,02 USD / 1M token (≈ 0,02 €)
Finestra di contesto	512	512
Output massimo	460	460
Ingresso	text	text
Uscita	embeddings	embeddings
chiamata di strumenti
Output strutturato
Controllo del ragionamento
Aggiunto	17 nov 2025	18 nov 2025

Differenze principali

Entrambi hanno all’incirca lo stesso prezzo di input.

Nel dettaglio

Sentence Transformers: all-mpnet-base-v2 è un modello di embedding di Sentence Transformers, e Thenlper: GTE-Base è un modello di embedding di Thenlper. Entrambi rientrano nella categoria degli embedding, il che significa che ricevono testo in input e restituiscono vettori, non testo generato. Sono stretti fratelli per scopo, rilasciati a un giorno di distanza a novembre 2025, e sono pensati per lo stesso compito: trasformare un pezzo di testo in una rappresentazione numerica che puoi archiviare, confrontare o usare per la ricerca.

Sulle specifiche che contano per la pianificazione, i due sono effettivamente identici. Entrambi accettano solo testo ed entrambi restituiscono solo embedding, quindi nessuno dei due gestisce immagini, audio o qualsiasi altra modalità. Entrambi hanno una finestra di contesto di 512 token, che è lo stesso limite massimo, quindi non c'è un modello qui che ti permetta di incorporare passaggi più lunghi in una singola chiamata. Nessuno dei due elenca parametri supportati, quindi non stai scegliendo tra uno che espone manopole extra e uno che non lo fa. Il confronto qualitativo segna il prezzo di input come un pareggio, e gli altri campi di confronto sono o non significativamente diversi o sconosciuti, quindi nulla nei fatti forniti li separa su capacità, contesto o fascia di costo.

Questo lascia la scelta basata sulla tua valutazione piuttosto che su una lista di caratteristiche. Poiché i due modelli sono così simili nella forma, l'approccio sensato è scegliere quello che performa meglio sui tuoi dati reali. Se stai costruendo ricerca semantica, deduplicazione, clustering o recupero su brevi blocchi di testo, entrambi i modelli possono servire come encoder, e il fattore decisivo sarà quanto bene i suoi vettori separano le tue particolari query e documenti. Esegui un campione delle tue coppie reali attraverso entrambi, confronta la qualità del recupero o l'ordinamento di similarità, e lascia che sia quello a decidere. Se non hai un segnale forte in nessuna direzione, il pareggio sul prezzo di input significa che non c'è un argomento di costo che ti spinga verso uno piuttosto che l'altro.

Chiamare uno dei due modelli tramite api14 è la stessa operazione. L'API è compatibile con OpenAI, quindi punti il tuo client esistente all'endpoint degli embeddings e passi il testo che vuoi codificare. L'unica cosa che cambia tra i due è l'id del modello: usa sentence-transformers/all-mpnet-base-v2 per il modello Sentence Transformers, o thenlper/gte-base per il modello Thenlper. Tutto il resto nella richiesta rimane com'è, il che rende il passaggio tra loro una modifica di una riga e rende il confronto affiancato semplice.

Non c'è alcun caso nei fatti forniti in cui un modello sia chiaramente la scelta migliore rispetto all'altro. Condividono la stessa lunghezza di contesto, le stesse modalità di input e output, la stessa assenza di parametri supportati, e un pareggio sul prezzo di input. Se in seguito scoprirai che uno gestisce meglio il tuo dominio, quella scoperta verrà dai tuoi test, non da una differenza documentata tra i due.

Cambia modello con una stringa

Entrambi i modelli usano lo stesso endpoint e la stessa struttura di richiesta. Cambia il valore di model da "sentence-transformers/all-mpnet-base-v2" a "thenlper/gte-base", prompt, streaming e tool continuano a funzionare.

Sentence Transformers: all-mpnet-base-v2: dettagli e banco di prova →Thenlper: GTE-Base: dettagli e banco di prova →

import OpenAI from "openai";

const client = new OpenAI({
  baseURL: "https://api14.com/api/v1",
  apiKey: process.env.API14_API_KEY,
});

const result = await client.embeddings.create({
  "model": "thenlper/gte-base",
  "input": [
    "The quick brown fox",
    "Lorem ipsum"
  ]
});
console.log(result.data.map((d) => d.embedding.length));

Sentence Transformers: all-mpnet-base-v2 contro Thenlper: GTE-Base

Specifiche

Differenze principali

Nel dettaglio

Cambia modello con una stringa

Altri confronti