Thenlper: GTE-Base

Thenlper: GTE-Base è un modello di embedding di Thenlper, elencato su api14 con l'id modello thenlper/gte-base. Si colloca nella categoria embeddings, quindi non è un modello di chat o di generazione di testo. Il suo compito è trasformare il testo in vettori che ne rappresentano il significato, e il provider lo descrive come in grado di codificare frasi e paragrafi in inglese in uno spazio vettoriale denso a 768 dimensioni. È stato rilasciato dal provider il 2025-11-18.

Il modello accetta testo come unico input e restituisce embeddings come unico output. La sua lunghezza di contesto è di 512 token, e l'output massimo è 460. Entro questa finestra gestisce frasi e paragrafi, il che corrisponde alla descrizione del provider del modello come ottimizzato per similarità testuale, ricerca semantica e clustering. Poiché l'output è un vettore e non testo generato, devi aspettarti dati numerici di embedding da ogni chiamata, non una risposta scritta.

Queste capacità indicano un insieme di utilizzi piuttosto specifico. La ricerca semantica è quello più ovvio: calcola una volta gli embedding dei tuoi documenti, calcola l'embedding della query al momento della richiesta e ordina per similarità vettoriale. Clustering e raggruppamento per argomento derivano dalla stessa proprietà, poiché testi vicini nel significato finiscono vicini nello spazio vettoriale. La similarità testuale copre anche la deduplicazione, il rilevamento di quasi duplicati e la costruzione di punteggi di similarità tra due testi in inglese. Le pipeline di retrieval che alimentano un modello di generazione separato sono un altro caso d'uso naturale, con GTE-Base che gestisce la parte di retrieval.

Lo chiami tramite l'API compatibile con OpenAI di api14 usando l'id modello thenlper/gte-base. Poiché l'endpoint segue il formato OpenAI, puoi puntare un client OpenAI esistente su api14 e inviare il tuo testo come input nel modo usuale. Nota che questo modello non elenca parametri supportati, quindi non ci sono opzioni extra di campionamento o generazione da impostare nella richiesta. Mantieni i tuoi input entro il limite di contesto di 512 token, e tratta la risposta come vettori di embedding anziché come contenuto di messaggi.

Il vincolo principale da considerare è la finestra di contesto di 512 token. È adatta a frasi e paragrafi, ma i documenti lunghi dovranno essere suddivisi in chunk prima dell'embedding, con una strategia di chunking scelta per preservare il significato attraverso i confini. Se il tuo compito è la generazione di testo, il riassunto o qualsiasi cosa conversazionale, un modello di embeddings è lo strumento sbagliato e un modello di chat sarà più adatto. GTE-Base è pensato per il testo in inglese, quindi altre lingue non sono coperte dalla descrizione del provider.