Sentence Transformers: all-mpnet-base-v2는 Sentence Transformers의 임베딩 모델이고, Thenlper: GTE-Base는 Thenlper의 임베딩 모델입니다. 둘 다 embeddings 카테고리에 속하며, 이는 생성된 텍스트가 아니라 텍스트를 입력받아 벡터를 출력한다는 뜻입니다. 두 모델은 목적이 매우 비슷한 형제 모델로, 2025년 11월에 하루 차이로 출시되었으며, 텍스트 한 조각을 저장하거나 비교하거나 검색할 수 있는 숫자 표현으로 바꾸는 동일한 작업을 목표로 합니다.
계획에 중요한 스펙에서 두 모델은 사실상 동일합니다. 둘 다 텍스트만 받고 임베딩만 반환하므로, 어느 쪽도 이미지, 오디오 또는 다른 모달리티를 처리하지 않습니다. 둘 다 컨텍스트 윈도우가 512 토큰으로 같은 상한이므로, 더 긴 구절을 한 번의 호출로 임베딩할 수 있게 해주는 모델은 여기에 없습니다. 둘 다 지원되는 파라미터를 나열하지 않으므로, 추가 조절 기능을 노출하는 모델과 그렇지 않은 모델 중에서 고르는 것이 아닙니다. 정성적 비교에서는 입력 가격을 동률로 표시하고, 다른 비교 항목들은 의미 있게 다르지 않거나 알 수 없으므로, 제공된 사실 중 어느 것도 기능, 컨텍스트 또는 비용 등급에서 두 모델을 구분하지 않습니다.
따라서 선택은 기능 체크리스트가 아니라 여러분自身的 평가에 달려 있습니다. 두 모델의 형태가 매우 비슷하기 때문에, 합리적인 접근은 실제 데이터에서 더 나은 성능을 보이는 쪽을 고르는 것입니다. 짧은 텍스트 청크에 대한 시맨틱 검색, 중복 제거, 클러스터링 또는 검색을 구축한다면, 어느 모델이든 인코더로 사용할 수 있으며, 결정 요인은 그 벡터가 여러분의 특정 쿼리와 문서를 얼마나 잘 분리하는지입니다. 실제 쌍의 샘플을 두 모델에 모두 통과시켜 검색 품질이나 유사도 순서를 비교하고, 그것으로 결정하세요. 어느 쪽으로도 강한 신호가 없다면, 입력 가격의 동률은 어느 한쪽을 밀어줄 비용 논거가 없다는 뜻입니다.
api14를 통해 어느 모델을 호출하든 동일한 작업입니다. API는 OpenAI 호환 방식이므로, 기존 클라이언트를 embeddings 엔드포인트로 향하게 하고 인코딩하려는 텍스트를 전달하면 됩니다. 두 모델 사이에서 바뀌는 것은 모델 id뿐입니다. Sentence Transformers 모델에는 sentence-transformers/all-mpnet-base-v2를 사용하고, Thenlper 모델에는 thenlper/gte-base를 사용하세요. 요청의 나머지 모든 것은 그대로 유지되므로, 두 모델 간 전환은 한 줄 변경으로 가능하고 나란히 비교하기도 간단합니다.
제공된 사실 중 한 모델이 다른 모델보다 명확히 더 나은 선택인 경우는 없습니다. 두 모델은 같은 컨텍스트 길이, 같은 입력 및 출력 모달리티, 지원되는 파라미터의 동일한 부재, 그리고 입력 가격의 동률을 공유합니다. 나중에 한 모델이 여러분의 도메인을 더 잘 처리한다는 것을 발견하더라도, 그 발견은 문서화된 차이가 아니라 여러분自身的 테스트에서 나올 것입니다.