모델모델 692개

NVIDIA: Nemotron 3.5 Embed 1B (free)

nvidia/nemotron-3.5-embed-1b:free

Nemotron 3.5 Embed 1B는 NVIDIA의 임베딩 모델로, 제공업체가 2026년 10월 21일에 공개했습니다. 이 모델은 채팅이나 생성 카테고리가 아니라 임베딩 카테고리에 속하므로, 작성된 답변을 생성하는 대신 입력을 벡터로 변환하는 역할을 합니다. 이름은 소속 패밀리(Nemotron 3.5), 임베딩 역할, 대략 1B 파라미터 규모를 반영합니다. API 위에서 검색, 탐색 또는 클러스터링을 구축한다면, 이 모델은 채팅 모델 대신이 아니라 다른 임베딩 엔드포인트와 함께 평가하게 되는 종류의 모델입니다.

NVIDIA: Nemotron 3.5 Embed 8B (free)

nvidia/nemotron-3.5-embed-8b:free

NVIDIA: Nemotron 3.5 Embed 8B (free)는 NVIDIA의 임베딩 모델로, api14에서 모델 id nvidia/nemotron-3.5-embed-8b:free로 공개되었습니다. embeddings 카테고리에 속하므로, 채팅 응답을 생성하는 대신 입력을 벡터 표현으로 변환하도록 만들어졌습니다. 제공자 출시일은 2026-10-21입니다. 검색 또는 유사도 파이프라인용 모델을 고르고 있다면, 이는 범용 텍스트 생성기보다는 자신의 데이터로 평가해 봐야 하는 종류의 모델입니다.

LiquidAI: LFM2.5-Embedding-350M (free)

liquid/lfm-2.5-embedding-350m:free

LiquidAI는 LFM2.5-Embedding-350M을 공개합니다. 이는 Liquid AI의 텍스트 임베딩 모델로, api14에서 모델 id liquid/lfm-2.5-embedding-350m:free로 제공됩니다. 이 모델은 채팅 카테고리가 아니라 임베딩 카테고리에 속하므로, 대화형 모델이 아니며 산문 형식의 답변을 생성하지 않습니다. 이 모델의 단일 역할은 텍스트를 의미를 나타내는 벡터로 바꾸는 것이며, 따라서 사용자가 직접 대화하는 엔드포인트라기보다 다른 시스템을 구성하는 요소입니다. 제공자는 2026-08-18에 이를…

VoyageAI by MongoDB: voyage-code-4

voyageai/voyage-code-4

voyage-code-4는 MongoDB 계열사인 Voyage AI의 코드 임베딩 모델입니다. 채팅이나 텍스트 생성 계열이 아니라 임베딩 범주에 속하므로, 답변을 작성하는 것이 아니라 입력을 벡터로 변환하는 것이 그 역할입니다. 제공자 릴리스 날짜는 2026-08-13입니다. 소스 코드를 대상으로 검색, 탐색 또는 에이전트 도구를 구축하고 있다면, 이것이 바로 평가해 볼 만한 종류의 모델입니다.

VoyageAI by MongoDB: voyage-multimodal-3.5

voyageai/voyage-multimodal-3.5

MongoDB의 VoyageAI: voyage-multimodal-3.5는 현재 MongoDB의 일부가 된 회사인 Voyage AI의 멀티모달 임베딩 모델입니다. 이 모델은 채팅 카테고리가 아니라 임베딩 카테고리에 속하므로, 텍스트 응답을 생성하는 것이 아니라 입력 콘텐츠를 벡터로 변환하는 것이 역할입니다. 이 모델은 제공업체가 2026-07-27에 출시했습니다.

VoyageAI by MongoDB: voyage-4-lite

voyageai/voyage-4-lite

voyage-4-lite는 Voyage AI의 임베딩 모델입니다. Voyage AI는 Voyage 검색 모델 제품군을 만든 회사이며, 현재 MongoDB의 일부입니다. 이 모델은 채팅 범주가 아니라 임베딩 범주에 속하므로 텍스트를 생성하지 않습니다. 대신 텍스트를 벡터로 변환하여 저장하고 비교할 수 있게 합니다. 이 모델은 경량 범용 모델로 포지셔닝되어 있으며, 가장 어려운 검색 문제에서 최대 정확도보다는 낮은 지연 시간과 비용을 위해 만들어졌습니다.

VoyageAI by MongoDB: voyage-4

voyageai/voyage-4

voyage-4는 Voyage AI의 범용 임베딩 모델입니다. Voyage AI는 현재 MongoDB의 일부가 된 Voyage 임베딩 제품군을 만든 회사입니다. 이 모델은 api14에 모델 id voyageai/voyage-4로 등록되어 있으며 임베딩 카테고리에 속하므로, 채팅 응답을 생성하기보다는 텍스트를 벡터로 변환하도록 만들어졌습니다. 검색 또는 서치 시스템을 위해 임베딩 모델을 고르고 있다면, 이것은 다른 범용 임베딩 옵션들과 함께 평가하게 될 종류의 모델입니다.

VoyageAI by MongoDB: voyage-4-large

voyageai/voyage-4-large

MongoDB의 VoyageAI: voyage-4-large는 Voyage AI의 임베딩 모델이며, 이 제공자의 모델은 VoyageAI by MongoDB라는 이름으로 배포됩니다. 이 모델은 임베딩 카테고리에 속하므로, 채팅 응답을 생성하는 것이 아니라 텍스트를 벡터로 변환하도록 만들어졌습니다. 검색이나 유사도 파이프라인을 위한 모델을 고르고 있다면, 이것은 대화 능력보다 임베딩 품질로 평가해야 하는 종류의 모델입니다.

NVIDIA: Nemotron 3 Embed 1B (free)

nvidia/nemotron-3-embed-1b:free

NVIDIA Nemotron 3 Embed 1B는 NVIDIA의 오픈 텍스트 임베딩 모델입니다. Nemotron 3 제품군에 속하며 api14에서 nvidia/nemotron-3-embed-1b:free 식별자로 무료 모델로 배포됩니다. NVIDIA는 이를 생성형 채팅 모델이 아닌 임베딩 모델로 위치시키므로, 그 역할은 텍스트를 저장하고 비교하고 검색할 수 있는 벡터로 변환하는 것입니다. 제공업체가 2026-07-16에 공개했습니다.

Google: Gemini Embedding 2

google/gemini-embedding-2

Google: Gemini Embedding 2는 Google의 임베딩 모델로, api14에 모델 id google/gemini-embedding-2로 등록되어 있습니다. 이 모델은 embeddings 카테고리에 속하며, Google은 이를 회사의 첫 멀티모달 임베딩 모델이라고 설명합니다. 채팅 응답을 생성하는 대신 입력을 벡터로 변환하여 저장하고 비교할 수 있게 해주므로, 직접 대화하는 어시스턴트라기보다 검색 및 검색 증강 시스템을 위한 구성 요소입니다.

Google: Gemini Embedding 2 (batch)

google/gemini-embedding-2:batch

Google: Gemini Embedding 2 (batch)는 Google의 임베딩 모델입니다. api14에 embeddings 카테고리로 등록되어 있으며, 제공자 출시일은 2026-05-20입니다. Google은 이를 Gemini Embedding 2, 회사의 첫 멀티모달 임베딩 모델이라고 설명합니다. 채팅 답변을 생성하는 대신, 저장하고 비교할 수 있는 벡터 표현을 생성하므로, 대화하는 어시스턴트라기보다 검색 및 검색 증강 시스템을 위한 구성 요소입니다.

Google: Gemini Embedding 2 Preview

google/gemini-embedding-2-preview

Google: Gemini Embedding 2 Preview는 Google의 임베딩 모델이며, 모델 id google/gemini-embedding-2-preview로 게시되었습니다. 이 모델은 embeddings 카테고리에 속하며, Google은 이를 자사의 첫 멀티모달 임베딩 모델이라고 설명합니다. 이는 프리뷰 릴리스이므로, 프로덕션에서 이 모델에 의존할 계획이라면 유의할 필요가 있습니다.

Perplexity: Embed V1 4B

perplexity/pplx-embed-v1-4b

Perplexity: Embed V1 4B는 Perplexity의 텍스트 임베딩 모델로, 제공자가 2026년 3월 16일에 공개했습니다. 이 모델은 채팅 카테고리가 아니라 임베딩 카테고리에 속하며, 이는 대화형 답변을 생성하지 않는다는 뜻입니다. 대신 텍스트를 벡터 표현으로 변환하여 저장하고 검색할 수 있게 합니다. 이름의 4B는 이 변형의 파라미터 수를 가리키며, Perplexity는 pplx-embed-v1 제품군을 실제 환경의 웹 규모 검색을 위한 최첨단 기술로 자리매김하고 있으며, 그중 4B 모델은 해당 제품군 내에서 검색…

Perplexity: Embed V1 0.6B

perplexity/pplx-embed-v1-0.6b

Perplexity: Embed V1 0.6B는 2026년 3월 16일에 출시된 Perplexity의 텍스트 임베딩 모델입니다. 이는 pplx-embed-v1 제품군에 속하며, Perplexity는 이 제품군을 실제 환경의 웹 규모 검색을 위해 구축된 최첨단 텍스트 임베딩 모델이라고 설명합니다. 0.6B 파라미터 변형은 경량, 저지연 사용을 목표로 하므로 제품군에서 가장 큰 옵션이 아니라 더 작은 옵션입니다.

NVIDIA: Llama Nemotron Embed VL 1B V2 (free)

nvidia/llama-nemotron-embed-vl-1b-v2:free

Llama Nemotron Embed VL 1B V2는 NVIDIA의 임베딩 모델로, api14에 모델 id nvidia/llama-nemotron-embed-vl-1b-v2:free로 배포되어 있습니다. embeddings 카테고리에 속하며, 명시된 용도는 멀티모달 질의응답 검색입니다. 1B급 모델로, Nemotron 제품군에서 비교적 작은 옵션에 해당하며, 여기서는 무료 변형으로 제공됩니다.

Thenlper: GTE-Base

thenlper/gte-base

Thenlper: GTE-Base는 Thenlper의 임베딩 모델로, api14에 모델 ID thenlper/gte-base로 등록되어 있습니다. 임베딩 카테고리에 속하므로 채팅이나 텍스트 생성 모델이 아닙니다. 이 모델의 역할은 텍스트를 의미를 나타내는 벡터로 변환하는 것이며, 제공자는 영어 문장과 문단을 768차원의 밀집 벡터 공간으로 인코딩한다고 설명합니다. 제공자가 2025-11-18에 출시했습니다.

Thenlper: GTE-Large

thenlper/gte-large

Thenlper: GTE-Large는 Thenlper의 임베딩 모델로, api14에 모델 id thenlper/gte-large로 등록되어 있습니다. 이 모델은 embeddings 카테고리에 속하며, 이는 채팅 응답을 생성하는 것이 아니라 텍스트를 저장, 비교, 검색할 수 있는 벡터로 변환하는 역할을 한다는 뜻입니다. 애플리케이션이 개방형 생성보다 의미적 유사성에 의존한다면, 이것이 바로 평가해 볼 만한 종류의 모델입니다.

Intfloat: E5-Large-v2

intfloat/e5-large-v2

Intfloat: E5-Large-v2는 Intfloat의 임베딩 모델입니다. 임베딩 카테고리에 속하며, 이는 채팅 응답을 생성하는 것이 아니라 텍스트를 벡터로 변환하는 것이 역할이라는 뜻입니다. 제공자는 이 모델이 영어 문장, 문단, 문서를 1024차원의 밀집 벡터 공간에 매핑한다고 설명하며, 목표는 높은 정확도의 의미 임베딩입니다. 애플리케이션에 작성된 답변이 아니라 의미를 담아내는 텍스트 표현이 필요하다면, 이런 종류의 모델을 선택하게 됩니다.

Intfloat: E5-Base-v2

intfloat/e5-base-v2

Intfloat: E5-Base-v2는 Intfloat의 임베딩 모델로, api14에 모델 id intfloat/e5-base-v2로 등록되어 있습니다. 이 모델은 embeddings 카테고리에 속하며, 이는 채팅이나 텍스트 생성 모델이 아니라는 뜻입니다. 답변을 생성하는 대신, 텍스트를 저장하고 비교하고 검색할 수 있는 벡터로 변환합니다. 제공자가 기록한 출시일은 2025-11-18입니다.

Intfloat: Multilingual-E5-Large

intfloat/multilingual-e5-large

Intfloat: Multilingual-E5-Large는 Intfloat의 임베딩 모델로, api14에 embeddings 카테고리로 등록되어 있습니다. 텍스트를 입력으로 받아 임베딩을 출력으로 반환하므로 채팅이나 텍스트 생성 모델이 아닙니다. 그 목적은 언어를 저장, 비교, 검색할 수 있는 벡터로 바꾸는 것입니다. 제공자는 이 모델이 90개 이상의 언어에 걸쳐 문장, 문단, 문서를 1024차원의 밀집 벡터 공간으로 인코딩하며, 다국어 검색과 교차 언어 유사도에 맞춰 조정된 의미 임베딩을 제공한다고 설명합니다.

Sentence Transformers: paraphrase-MiniLM-L6-v2

sentence-transformers/paraphrase-minilm-l6-v2

Sentence Transformers: paraphrase-MiniLM-L6-v2는 Sentence Transformers의 임베딩 모델로, api14에 embeddings 카테고리로 등록되어 있습니다. 텍스트를 생성하는 것이 아니라 텍스트를 벡터로 바꾸는 것을 목적으로 하는 소형 MiniLM 기반 모델입니다. 기록된 제공자 릴리스 날짜는 2025-11-18입니다.

Sentence Transformers: all-MiniLM-L12-v2

sentence-transformers/all-minilm-l12-v2

Sentence Transformers: all-MiniLM-L12-v2는 Sentence Transformers의 임베딩 모델로, api14를 통해 모델 id sentence-transformers/all-minilm-l12-v2로 배포됩니다. embeddings 카테고리에 속하므로, 그 역할은 채팅 답변을 생성하는 것이 아니라 텍스트를 저장, 비교, 검색할 수 있는 벡터로 변환하는 것입니다. 제공업체 릴리스 날짜는 2025-11-18로 표시되어 있습니다.

BAAI: bge-base-en-v1.5

baai/bge-base-en-v1.5

BAAI: bge-base-en-v1.5는 베이징 인공지능 아카데미(BAAI)의 임베딩 모델입니다. 임베딩 카테고리에 속하며, 이는 채팅 답변이나 텍스트 완성을 생성하도록 만들어진 것이 아니라는 뜻입니다. 대신 텍스트를 숫자 벡터로 변환합니다. 영어 모델이며, 이름의 v1.5는 bge-base-en 계열의 1.5 버전임을 나타냅니다. 애플리케이션에 범용 채팅 어시스턴트가 필요하다면 이 모델은 그런 종류가 아닙니다. 애플리케이션에서 의미를 기준으로 텍스트를 비교, 검색 또는 매칭해야 한다면 이것이 평가해 볼 만한 종류의 모델입니다.

Sentence Transformers: multi-qa-mpnet-base-dot-v1

sentence-transformers/multi-qa-mpnet-base-dot-v1

Sentence Transformers: multi-qa-mpnet-base-dot-v1은 문장 수준 표현 모델로 잘 알려진 제공업체인 Sentence Transformers의 임베딩 모델입니다. 이 모델은 임베딩 카테고리에 속하므로 텍스트를 생성하지 않습니다. 대신 텍스트를 저장, 비교, 검색할 수 있는 벡터로 변환합니다. 이 모델은 제공업체가 2025-11-18에 출시했습니다.

BAAI: bge-large-en-v1.5

baai/bge-large-en-v1.5

BAAI bge-large-en-v1.5는 베이징 인공지능 아카데미(BAAI)의 임베딩 모델입니다. 이 모델은 채팅 카테고리가 아니라 임베딩 카테고리에 속하며, 이는 대화형 텍스트를 생성하지 않는다는 뜻입니다. 대신 텍스트를 벡터로 변환하여 저장하고, 비교하고, 검색할 수 있게 해줍니다. 이 모델은 제공업체가 2025-11-18에 공개했습니다.

BAAI: bge-m3

baai/bge-m3

BAAI: bge-m3는 BAAI, 즉 베이징 인공지능 아카데미의 임베딩 모델입니다. 이는 임베딩 범주에 속하는데, 채팅 응답을 생성하는 것이 아니라 텍스트를 벡터로 변환하도록 만들어졌다는 뜻입니다. 애플리케이션이 질문에 답하거나 텍스트를 작성하는 모델을 필요로 한다면, 이것은 그런 종류의 모델이 아닙니다. 이 모델은 다른 시스템이 텍스트를 비교, 검색, 검색해낼 수 있도록 텍스트를 수치로 표현하기 위해 존재합니다.

Sentence Transformers: all-mpnet-base-v2

sentence-transformers/all-mpnet-base-v2

Sentence Transformers: all-mpnet-base-v2는 텍스트를 벡터로 바꾸기 위해 만들어진 모델군인 Sentence Transformers의 임베딩 모델입니다. 이 모델은 임베딩 카테고리에 속하며, 텍스트 자체를 생성하는 것이 아니라 텍스트의 표현을 만들어 내도록 설계되었습니다. 이 모델은 문장과 짧은 문단을 768차원의 밀집 벡터 공간으로 인코딩하며, 제공자는 이를 의미론적 작업을 위한 고충실도 옵션으로 위치시킵니다.

Sentence Transformers: all-MiniLM-L6-v2

sentence-transformers/all-minilm-l6-v2

Sentence Transformers: all-MiniLM-L6-v2는 Sentence Transformers의 임베딩 모델로, api14에 embeddings 카테고리로 등록되어 있습니다. 이는 채팅이나 텍스트 생성 모델이 아니라 소형 문장 임베딩 모델이므로, 그 역할은 텍스트를 의미를 담은 벡터로 변환하는 것입니다. 시맨틱 검색, 중복 제거 또는 클러스터링을 구축하고 있다면, 생성 모델이 아니라 이런 종류의 모델을 선택하게 됩니다.

Mistral: Mistral Embed 2312

mistralai/mistral-embed-2312

Mistral Embed 2312는 Mistral의 임베딩 모델로, api14에 모델 id mistralai/mistral-embed-2312로 등록되어 있습니다. 이 모델은 embeddings 카테고리에 속하며, 이는 채팅 답변을 생성하는 대신 텍스트를 벡터로 변환하는 역할을 한다는 뜻입니다. Mistral AI는 이를 텍스트 데이터를 위한 특화 모델로 개발했으며, 제공자 릴리스 날짜는 2025-10-31로 기록되어 있습니다.

Google: Gemini Embedding 001

google/gemini-embedding-001

Google: Gemini Embedding 001은 Google의 임베딩 모델로, api14에 모델 id google/gemini-embedding-001로 등록되어 있습니다. 이 모델은 embeddings 카테고리에 속하며, Google은 2025년 10월 31일에 이를 출시했습니다. 그 목적은 채팅 응답을 생성하는 것이 아니라, 텍스트를 저장하고 비교하고 검색할 수 있는 벡터 표현으로 바꾸는 것입니다.

OpenAI: Text Embedding Ada 002

openai/text-embedding-ada-002

OpenAI: Text Embedding Ada 002는 OpenAI의 임베딩 모델로, api14에 모델 id openai/text-embedding-ada-002로 등록되어 있습니다. 이는 임베딩 카테고리에 속하며, 제공자는 이를 OpenAI의 레거시 텍스트 임베딩 모델이라고 설명합니다. 이전에 OpenAI의 임베딩 엔드포인트를 사용해 본 적이 있다면, 이것은 그 계열에서 익숙한 ada 002 세대이며, 나머지 카탈로그와 함께 api14를 통해 제공됩니다.

OpenAI: Text Embedding Ada 002 (batch)

openai/text-embedding-ada-002:batch

OpenAI: Text Embedding Ada 002 (batch)는 OpenAI의 임베딩 모델로, api14를 통해 모델 id openai/text-embedding-ada-002:batch로 배포됩니다. 이는 임베딩 카테고리에 속하며, OpenAI는 text-embedding-ada-002를 자사의 레거시 텍스트 임베딩 모델이라고 설명합니다. 이전에 OpenAI 임베딩을 사용해 본 적이 있다면, 이는 잘 알려진 동일한 Ada 002 임베딩 모델이며, 여기서는 배치 변형으로 제공됩니다.

Mistral: Codestral Embed 2505

mistralai/codestral-embed-2505

Mistral Codestral Embed 2505는 Mistral의 임베딩 모델로, 2025년 10월 30일에 출시되었고 api14에 모델 id mistralai/codestral-embed-2505로 게시되었습니다. 이 모델은 채팅 카테고리가 아니라 임베딩 카테고리에 속합니다. 즉, 대화를 나누거나 글 답변을 생성하도록 만들어진 것이 아닙니다. 대신 입력을 의미를 나타내는 벡터로 바꾸며, Mistral은 이를 코드용으로 특별히 설계되었다고 설명합니다.

OpenAI: Text Embedding 3 Large

openai/text-embedding-3-large

OpenAI: Text Embedding 3 Large는 OpenAI의 임베딩 모델로, api14에 모델 id openai/text-embedding-3-large로 등록되어 있습니다. 이 모델은 채팅 카테고리가 아니라 임베딩 카테고리에 속합니다. 즉, 대화형 응답을 생성하는 것이 아니라 텍스트를 벡터로 변환하도록 만들어졌습니다. OpenAI는 text-embedding-3-large를 영어와 비영어 작업 모두를 위한 가장 강력한 임베딩 모델이라고 설명합니다.

OpenAI: Text Embedding 3 Large (batch)

openai/text-embedding-3-large:batch

OpenAI: Text Embedding 3 Large (batch)는 OpenAI의 임베딩 모델입니다. 임베딩 카테고리에 속하며, OpenAI는 text-embedding-3-large를 영어와 비영어 작업 모두에서 가장 성능이 뛰어난 임베딩 모델이라고 설명합니다. api14에 공개된 batch 변형은 모델 id openai/text-embedding-3-large:batch를 사용하며, 제공업체가 2025-10-30에 출시했습니다.

OpenAI: Text Embedding 3 Small

openai/text-embedding-3-small

OpenAI: Text Embedding 3 Small은 OpenAI의 임베딩 모델로, api14에 모델 id openai/text-embedding-3-small로 등록되어 있습니다. 이 모델은 embeddings 카테고리에 속하며, OpenAI는 이를 ada 임베딩 모델의 개선되고 더 성능이 좋은 버전이라고 설명합니다. 채팅 답변을 생성하는 대신 임베딩을 생성하는데, 이는 두 텍스트 조각이 얼마나 관련되어 있는지 측정하는 데 사용되는 텍스트의 수치적 표현입니다.

OpenAI: Text Embedding 3 Small (batch)

openai/text-embedding-3-small:batch

OpenAI: Text Embedding 3 Small (batch)는 api14를 통해 제공되는 OpenAI의 임베딩 모델입니다. embeddings 카테고리에 속하며, api14에서의 모델 id는 openai/text-embedding-3-small:batch입니다. OpenAI는 text-embedding-3-small을 ada 임베딩 모델의 개선되고 더 성능이 좋은 버전이라고 설명합니다. 임베딩은 두 텍스트 조각 사이의 관련성을 측정하는 데 사용할 수 있는 텍스트의 수치적 표현입니다.

Qwen: Qwen3 Embedding 8B

qwen/qwen3-embedding-8b

Qwen3 Embedding 8B는 Qwen의 텍스트 임베딩 모델로, Qwen이 텍스트 임베딩 및 랭킹 작업을 위해 특별히 구축했다고 설명하는 최신 독점 라인인 Qwen3 Embedding 시리즈의 일부입니다. 이는 채팅 카테고리가 아니라 임베딩 카테고리에 속하므로, 대화형 응답을 생성하는 것이 아니라 텍스트를 벡터로 변환하는 것이 역할입니다. 이 시리즈는 더 넓은 Qwen 제품군의 다국어 기능과 긴 텍스트 처리 능력을 계승하므로, 여러 언어의 콘텐츠를 다루거나 짧은 스니펫에 맞지 않는 문서를 다루는 경우 이 모델이 유용합니다.

Qwen: Qwen3 Embedding 4B

qwen/qwen3-embedding-4b

Qwen: Qwen3 Embedding 4B는 Qwen의 임베딩 모델로, Qwen3 Embedding 시리즈의 일부입니다. 이 시리즈는 텍스트 임베딩과 랭킹 작업을 위해 특별히 만들어진 Qwen의 최신 독점 모델 패밀리로 설명되며, 더 넓은 Qwen 패밀리의 다국어 기능과 긴 텍스트 처리 능력을 계승합니다. 애플리케이션이 생성된 텍스트가 아니라 벡터를 필요로 한다면, 이것이 바로 이 시리즈가 의도하는 종류의 모델입니다.